智能体不能只有大脑，还要有手脚

最近看了不少智能体方案，我有一个越来越强的感受：很多智能体现在只有大脑，没有手脚。

工具接入才是智能体的手脚

它们可以分析、总结、规划，也能把一件事说得很完整。但一到真实业务场景，就会卡在怎么执行上。发邮件、推送通知、处理表格、写入系统、发起审批、导出报告，这些动作如果没有工具接入，智能体再聪明，也只是一个建议生成器。

所谓手脚，本质上是工具接入。发邮件要接邮件工具，推送通知要接企业通讯工具，处理表格要接表格系统，走审批要接内部流程。智能体要进入生产环境，不能只会说，还要能在权限范围内完成动作。

这也是为什么我越来越重视 MCP、API 和 Skill。它们不是炫技，而是在给智能体提供可调用的能力边界。没有这些接口，AI 只能停留在文字层面；有了这些接口，AI 才能从回答问题变成推进任务。

工具不是越多越好

但工具也不是越多越好。

上下文窗口是一个现实瓶颈。工具太多，会挤占上下文，也会让模型在选择时变得不稳定。一个智能体同时拿到几十个工具，看起来很强，实际可能更容易迷路。更合理的形态，可能是主智能体负责拆解和调度，子智能体负责垂直任务，每个智能体只拿到自己真正需要的工具。

容错率决定落地边界

另一个关键判断是容错率。

有些场景 95% 的准确率可以接受，比如初稿生成、资料摘要、内容分类、线索初筛。这类场景可以让大模型发挥更多作用，因为即使结果有偏差，也能通过人工复核修正。

但财务、交易、结算、合规这类严肃场景就不一样。核心判断不能完全交给模型，该写规则、写代码、写校验，就必须写。AI 可以解释、辅助、提醒，但不能把不可承受的风险包装成智能化。

从演示走向生产

所以判断一个智能体项目，我现在不只看它会不会想，更看它能不能做。

能不能接到真实工具？有没有权限边界？有没有长期记忆？执行失败怎么办？结果如何校验？哪些环节必须让人确认？这些问题比 Demo 里的回答是否流畅更重要。

真正进入生产的智能体，应该是一套闭环系统：大脑负责理解和规划，工具负责执行，权限负责边界，记忆负责连续性，校验负责质量，异常处理负责兜底。

只有当这些部分连起来，智能体才真正从演示走向生产。否则它再像一个聪明助手，也只是停留在屏幕里的建议。