第 1 章 信息系统与智能体概述
本章为全书认知基础：建立"智能体即新一代信息系统"的框架，并能在扣子 Coze 中创建第一个智能体。
第一部分 课程导学
导语 · 本章定位当我们谈论"信息系统"时，过去脑海中浮现的是数据库、表单与报表；而今天，一个能听懂自然语言、 自主调用工具、持续从交互中学习的智能体 正成为信息系统的新形态。本课程以"智能体 / 低代码"为贯穿性实践主线，重构《信息系统分析与设计》的经典方法论。 本章先解决三个"是什么"：智能体是什么、它凭什么"智能"、我们如何在零代码平台上把它造出来。
三维学习目标阐述智能体的定义、四大核心能力、感知—决策—行动循环；理解信息系统的定义、构成与多维分类，并能建立"智能体能力 ↔ 信息系统模块"的映射。
在扣子 Coze 中完成账号注册、创建第一个智能体、配置基础人设与提示词；对比主流平台定位，做出适合本专业的选择。
树立科技自立自强意识，理解构建自主可控智能体技术体系对信息资源管理者的重要意义。
需求/总体设计/规划——本课核心出口岗位
设计/调用/训练生成式AI系统——与 Coze 搭智能体高度贴合
训练智能体/数字人
智能体/大模型工程底座
系统开发实现
实施/运维/测试
数据/RAG 底座
低代码开发——第8章主线
基于大模型开发自主规划/工具调用的智能体——本课直接出口，Coze 即入门
「智能体开发员」成为国家新工种！今天（2026-09-09）人社部发布第八批新职业：11 个新职业 + 23 个新工种，智能体开发员作为新工种列入数字职业序列。这意味着你在这门课上用 Coze 搭智能体的实践，正是这一国家认可职业能力的入门训练——学完本课程，你已站在"智能体开发员"的起跑线上。完整解读见附录 F《职业与资格导航》。
来源：人社部 2026-09-09 第八批新职业发布（新华社/央广网）
理论基石 · 信息系统分析与设计
理论 · 信息系统的定义与构成经典定义：信息系统是由人、机（计算机及网络）、数据、流程等要素组成，对信息进行采集、处理、存储、传输与利用，以支持组织决策与运作的人—机—数据系统。 其一般模型为"输入—处理—输出 + 反馈"。这与 1.2 节的智能体四能力形成清晰对应。
理论 · 信息系统的多维分类按层级与目标可分为：事务处理系统（TPS）、管理信息系统（MIS）、决策支持系统（DSS）、专家系统（ES）等； 按技术架构可分为集中式、客户机/服务器、浏览器/服务器（B/S）、以及今日的智能体架构。 智能体架构可视为 B/S 架构在"交互智能"上的进化形态。
理论 ↔ 智能体能力 映射经典教材《人工智能：一种现代方法》(Russell & Norvig, 1995) 把 AI 的目标定义为"构建理性智能体"：对每一个可能的感知序列，选择使预期效用最大的行动。在 LLM 时代，系统提示词"你是一个……助手"即定义了当前任务的效用边界——指令即目标；这解释了为什么"提示词写不清，智能体行为就混乱"。
智能体与环境的交互在数学上建模为 POMDP（部分可观测马尔可夫决策过程）：真实世界中它只能看到局部观测，需依赖"信念状态"决策；上下文窗口本质就是信念状态的文本化表示，记忆 / RAG 则是为了在部分可观测的世界里更好地估计这一状态。
下表把经典 AI 理论概念与现代 LLM 智能体工程组件做"近似对应"，帮助建立"理论 → 实现"的桥梁：
| 经典 AI 理论概念 | 现代 LLM 智能体中的近似对应 | 说明 |
|---|---|---|
| 策略函数 Policy π(a|s) | LLM + 外层控制逻辑 | 给定上下文 s，模型生成候选行动；能否执行还受 harness、权限与工具路由约束。 |
| 信念状态 Belief State bt | Context Window / Memory | 维护当前对话历史、变量状态、环境观测的文本快照。 |
| 规划 Planning / Search | CoT / ReAct / Planner 模块 | 通过中间推理步骤、任务拆解或外部 planner 模拟搜索与规划。 |
| 感知 Perception ot | 输入通道与观测编码 | 将多模态信号（视觉、代码、日志）编码为 Token 序列或结构化上下文。 |
| 行动 Action at | Function Calling / Tool Use | 输出结构化请求触发外部代码执行。 |
| 环境反馈 / 观察更新 | Tool Outputs / Runtime Feedback | 工具结果、编译报错、人工反馈更新下一轮上下文，但不天然等同于标量 reward。 |
设计环境的 PEAS 框架（Performance, Environment, Actuators, Sensors）在 LLM 时代依然适用且必要：
| 维度 | 定义 | 现代智能体设计考量 |
|---|---|---|
| Performance 性能度量 | 即"目标函数" | 不仅是提示词指令，还包括量化指标（代码通过率、API 成本）。须转化为可自动执行的验收标准（Acceptance Criteria）或 CI 卡点阈值，否则无法回归优化。 |
| Environment 环境 | 决定架构复杂度 | 完全/部分可观测？确定/随机（工具失败是否重试）？静态/动态（如股票市场）？ |
| Actuators 执行器 | 智能体的"手" | LLM 时代即 Tools / Function Calling；所有输出（文本、JSON、API 请求）都是行动。 |
| Sensors 传感器 | 智能体的"眼" | 提示词输入部分；除用户文字，还可是图像（Vision）、LSP 报错、网页 DOM 树等。 |
以下矢量图把前面文字观点"画出来"，便于建立可视化心智模型；均可在浏览器中无损缩放，导出 PDF 后同样清晰。
原版 ch1-3 提供理解"为何用智能体重构 IS"的底层逻辑：霍尔三维结构 / WSR 系统方法论（物理-事理-人理）、诺兰模型（IT 演进六阶段）、生命周期与三种开发范式（结构化 / 面向对象 / 敏捷）。读本章时把这些经典视角当作"评判智能体方案成熟度"的尺子。深度概念见 附录 H。
课程思政 · 价值引领
前沿动态 · 行业速递（2026-08）1 2026 年 AI 从“聊天机器人”转向“生产就绪的智能体生态”：GitHub 趋势榜被 agent-skills、agency-agents 等框架霸榜（2026-08-12）。
2 国产开源大模型密集爆发：Kimi K3（2.8T，7/27 开源）、Qwen3.8-Max（2.4T，8/3）、DeepSeek-V4-Flash（7/31）；HuggingFace 中国开源模型下载占比 41% 首超美国。
3 思政呼应：开源大模型站上世界前沿，是科技自立自强的生动注脚。
来源：Hugging Face 2026 春季报告、AI Daily 2026-08-12、东方财富行业跟踪
本章映射：信息系统的灵魂在于"自主可控"。当我们学会用 Coze 搭建智能体，不应只做平台的"使用者"， 更要理解底层数据主权与技术自主的意义——这正是信息资源管理者在 AI 时代的责任。
名校范式 · 清华课程思政案例本章映射：清华学子以代码报国，信息资源管理学子则以知识组织与数据治理报国。 同样是"自主可控"， ours is 在档案、方志、企业知识库这些"国家记忆"的底座上——价值同向，路径各异。
课程思政案例 · IMA 知识库科技自立自强：AI 时代信息资源管理者如何报国
- 习近平总书记强调："要充分发挥新型举国体制优势，坚持自立自强，突出应用导向，推动我国人工智能朝着有益、安全、公平方向健康有序发展。"（中共中央政治局第二十次集体学习）
- 《人工智能导论》课程思政优秀教学案例以"扶需、扶新、扶特"对接国家战略重大需求，把思政元素有机融入专业课程。
案例导入 · 超级EVA 整车级智能体
案例 B1-01 超级EVA 整车级智能体
申报单位：上海阶跃星辰智能科技股份有限公司
2026 年4 月，阶跃星辰联合吉利、千里科技推出超级EVA——中国首个量产落地的整车级智能体，首发搭载于极氪8X。基于阶跃星辰旗舰基座模型Step 3.5 Flash，超级EVA 打破座舱、智驾、底盘、动力域的信息孤岛，实现"舱驾融合、对话即执行"。应用场景中，用户以自然语言发出复合指令，智能体可自主拆解意图、规划多途经点路线、动态调度订餐、泊车等生态服务，全程无需人工分步操作。其具备情绪感知、环境理解、行程规划、整车控制、生态服务五大能力矩阵，支持口语化地标识别、上下文记忆与主动关怀。人机协同上，用户从"操作者"转变为"监督者"，智能体承担认知与操作负荷。
导学解读 · 与本章的对接：超级EVA 几乎是本章定义的一个完整注脚：麦克风与摄像头负责感知，Step 3.5 Flash 基座模型负责认知与意图拆解，座舱、智驾、底盘、动力四大域控制器负责行动，256K 超长上下文与短／长期记忆机制构成记忆——四能力一一对位。更值得琢磨的是它验证了一条 ISAD 的核心命题：系统的价值不在功能清单，而在人与系统的职责重新划分。当用户从“操作者”变成“监督者”，需求不再由人逐步下达，而是由系统自主拆解。请带着这个问题读完本章：如果系统能自己规划并执行，那么“需求”还是人提的吗？分析与设计的边界应该划在哪里？
第1章《系统思想》
第二部分 课程内容
1.1 认识智能体：从"软件代理"到 LLM 驱动
"智能体"并非新词。早在上世纪 90 年代，软件代理 研究就提出：让程序像"代理人"一样替用户干活。但彼时的智能体多为规则驱动，能力受限。 真正让智能体"破圈"的，是大语言模型（LLM） 的成熟——它赋予了智能体"理解语言、推理规划、生成内容"的通用大脑。
我们可以这样定义：智能体是一种以 LLM 为认知核心，能感知输入、自主决策、调用工具并采取行动，以完成开放任务的软件系统。 它和传统信息系统的根本区别在于"主动性"——传统系统等指令、按流程走；智能体能自己拆解目标、选择路径、在反馈中修正。
1.2 智能体的四大核心能力
无论平台如何包装，一个能干的智能体通常具备四种能力，恰好对应信息系统的基本职能：
| 核心能力 | 含义 | 对应信息系统职能 |
|---|---|---|
| 感知（Perceive） | 接收用户输入、读取文件/网页/数据库 | 输入 / 数据采集 |
| 认知与推理（Reason） | 理解意图、规划步骤、做判断 | 处理 / 计算 |
| 行动（Act） | 调用插件、写文件、发消息、返回结果 | 输出 / 执行 |
| 记忆（Remember） | 保存对话历史与长期经验 | 数据存储 / 知识管理 |
智能体并非一蹴而就。从早期自定义 API 到今天的标准化工具连接，核心演进可总结为四个维度：
| 维度 | 痛点 | 解决方案 | 关键技术词 |
|---|---|---|---|
| 集成 | 烟囱式开发，扩展难 | 工业级协议实践，趋向即插即用 | Tool-aware |
| 智商 | 走一步看一步，易出错 | 三思而后行，分层思考 | Reasoning LLM, Reflection |
| 安全 | 容易被"忽悠"，防不住 | 权限隔离，硬性审计 | Policy as Code, Zero Trust |
| 效率 | 臃肿、思维混乱 | 小而美，协同作战 | MAS, State-sharing |
更进一步，Agent 时代可统一到一个三维思考框架——Goal（目标工程）· Context（上下文工程）· Constraints（约束）：能力不只取决于模型智力，更取决于这三者的设计完整性与平衡；进入生产环节时，约束层的成熟度往往成为瓶颈。
对信息资源管理专业的同学而言，这正说明：智能体没有脱离信息系统范畴，而是把"采集—处理—存储—输出"这个经典闭环，用更自然的人机交互重新封装了一遍。我们过去学的数据组织、知识分类，恰是"记忆"与"知识"能力的理论基础。
智能体不是单一个"大脑"，而是「大模型(脑) + 能力层(感官+手脚) + 行为规则(SOP) + 中枢神经系统(Harness)」的组合。只有四者配合，Agent 才能真正落地。 来源：公众号·大模型助理
决策流程：感知(Perception) → 规划(Planning) → 行动(Action)；四大核心模块：推理、记忆、工具、行动。主流框架以 ReAct 为基础，衍生 Plan-and-Execute 等变体。 来源：贴图号·张张AI笔记
1.3 "感知—决策—行动"循环
智能体的运行是一个持续闭环（如图）。它先感知环境与用户诉求，再决策（LLM 规划"下一步做什么"）， 然后行动（调用工具或修改状态），行动结果又成为新的感知输入——如此循环，直到目标达成。
这个结构源自控制论的反馈环。 与瀑布式信息系统"需求→设计→实现→交付"的单向推进不同，智能体是自适应闭环：它允许在执行中根据环境变化调整计划，这也是它更"像人"的原因。
智能体的能力并非"有或无"的二元对立，而是连续光谱。权威指南给出五级教学模型，按"单体系统通常承担的能力复杂度"组织：
| 层级 | 定位 | 核心特征 (Key Logic) | 人类对标 | 常见实现要素 |
|---|---|---|---|---|
| L1 | 助理 | Talk（对话） | 图书馆员 | RAG, 提示词工程 |
| L2 | 工人 | Do（执行） | 实习生 | ReAct, Tool Use, CoT |
| L3 | 自主 | Learn（学习） | 工程师 | 向量数据库(Memory), Reflexion |
| L4 | 进化 | Evolve（进化） | 科学家/极客 | Self-Coding, APE |
| L5 | 群体 | Connect（连接） | 公司/社会 | 多智能体框架, SOP |
1.4 扣子（Coze）低代码开发环境
扣子（Coze） 是本课程的统一实践平台。它的核心优势是低代码：你不需要写 Python，只要在可视化界面里"填人设、加知识、接插件、拖工作流"，就能产出一个可用智能体。
其工作空间主要包含：① Bot 编排页（配置人设与提示词、知识、插件）；② 工作流画布（用节点拖拽表达业务逻辑）； ③ 预览与调试面板；④ 发布渠道（豆包、飞书、API 等）。对零编程基础的信息资源管理学生，这套界面把"系统设计"直观地变成了"搭积木"。
1.5 智能体基本开发流程
无论复杂与否，开发一个智能体都遵循一条主线：
- 定义目标：这个智能体替谁、解决什么问题？（对应系统规划）
- 设计人设与提示词：用自然语言写清它的角色、语气、能力边界。（对应需求/设计）
- 添加知识与插件：挂载专属资料库、接入外部工具。（对应系统设计/集成）
- 编排工作流：把多步逻辑用节点串起来。（对应详细设计）
- 测试与调优：用真实问题验证效果，迭代提示词。（对应系统测试）
- 发布：部署到对话平台或业务系统。（对应实施）
注意：这条流程与信息系统生命周期（SDLC）高度同构——智能体开发不是"另起炉灶"，而是用新工具重走一遍 ISAD。这正是本课程改革的设计初衷。
延伸 · 智能体工作流四大模式（节选自权威指南 1.5）智能体工作流强调"迭代、自主、目标导向"。与传统单次提示词相比，差异如下表：
| 维度 | 传统提示词 | 智能体工作流 |
|---|---|---|
| 交互模式 | 单次请求-响应 | 多轮迭代执行 |
| 控制权 | 用户完全控制 | AI 自主决策 |
| 执行时间 | 毫秒〜秒级 | 秒级〜分钟级 |
| 能力边界 | 模型内在知识 | 工具扩展后的能力 |
| 结果质量 | 依赖提示词质量 | 可通过迭代改进 |
典型模式：① 规划-执行（先定计划再逐步执行，适合结构化任务）② ReAct（推理+行动交替，适合探索性任务）③ 反思-改进（执行后自我评估，适合质量把控）④ 多智能体协作（角色分工协同，适合复杂项目）。其共同底座是：状态管理、工具接入、终止条件、可观测性与人机协作护栏。
1.6 主流智能体开发平台选型（信息资源管理视角）
除 Coze 外，业界还有 Dify、文心智能体、通义星尘、豆包、以及面向开发者的 LangChain 等。选型时建议从三个角度判断：
| 平台 | 零代码友好度 | 知识库能力 | 合规与本地化 |
|---|---|---|---|
| 扣子 Coze | 高 | 强（多格式） | 国内合规、易发布 |
| Dify | 中（可私有部署） | 强 | 支持本地化部署 |
| 文心 / 通义 / 豆包 | 高 | 中 | 国内合规 |
| LangChain | 低（需编程） | 灵活 | 依赖自建 |
对信息资源管理者，我们更看重"知识库是否能管好自有资料""是否国内合规可落地"——这恰是档案、方志、知识库建设的专业关切。
第2章《信息、管理与信息系统》
第三部分 拓展练习
知识拓展与行业前沿
拓展 · 智能体的严格定义与四要素学界常从四个属性刻画智能体：自主性（无需持续干预）、反应性（感知并响应环境）、 社会性（能与其他智能体/人协作）、主动性（主动发起达成目标的行为）。这比 1.2 的"能力"视角更偏"行为属性"。
前沿 · 从传统智能体到 LLM 驱动新范式传统智能体多为"符号规则 + 规划器"；LLM 驱动范式把"策略"交给了大模型—— 提示词即策略（prompt as policy）。这使得非程序员也能通过自然语言"编程"，也带来了可解释性、稳定性等新挑战。
拓展 · 智能体的三种分类维度① 按能力：简单响应式 / 任务型 / 多智能体协作型；② 按自主性：辅助型 / 自主型； ③ 按场景：客服、研发、数据分析、知识管理。本课程主线落在知识管理型任务智能体。
🗂️ 案例 · 网络语言智能系统（课程贯穿项目）
- 🎯 场景：把 2004–2026 年的互联网流行语与心灵鸡汤，建成一个"年度热词档案馆"智能体。用户说"讲讲 2021 年"，它从知识库检索该年热词，输出「词 + 含义 + 来源场景 + 情感基调」。
- 🤖 四要素映射：角色=热词讲解员；工具=RAG 检索；行动=汇总成卡片；完成条件=覆盖该年 Top 热词。这正是本章"智能体=嵌入业务流的能力单元"的第一个可触摸例子。
- 🧩 对应能力：本章"信息系统的智能体化"主线——你不必先写代码，而是先想清楚"目标是什么、需要哪些工具、何时算完成"。
以下文献反映本章主题在智能体时代的最新进展，供学有余力的同学延伸阅读（链接指向原文/预印本）。
- 大语言模型智能体的崛起与潜力：综述（The Rise and Potential of Large Language Model Based Agents: A Survey）
奠定“脑–感知–行动”智能体栈，最常被引用的入门综述
- 基于大语言模型的自主智能体综述（A Survey on Large Language Model based Autonomous Agents）
单智能体规划 / 多智能体协作 / 人在回路的系统分类
- 从语言到行动：LLM 作为自主智能体与工具使用者的综述（From Language to Action: A Review of LLMs as Autonomous Agents and Tool Users）
聚焦 2023–2025 A*/A 会议与 Q1 期刊，覆盖架构/工具/认知机制
- LLM 智能体三大范式综述：工具使用、规划与反馈学习（A Review of Prominent Paradigms for LLM-Based Agents: Tool Use, Planning, and Feedback Learning）
工具使用(含RAG)/规划/反馈学习三大范式
- 面向工具学习的 LLM 智能体综述（LLM-Based Agents for Tool Learning: A Survey）
200+ 工具增强智能体工作的统一评测协议
- Library-Inside：面向科研与学习工作流的知识服务嵌入
提出将图书馆能力嵌入用户工作流的“馆内嵌”理念，呼应智能体即嵌入式能力
- AIGPT 技术及其应用生态下实现全面知识管理引论
给出 TKM = IM × AI 公式，界定大模型时代知识管理新内涵
- 智慧图书馆与智能知识服务：从概念到范式
刻画智慧图书馆的智能服务框架，对应本章信息系统概述与智能体定位
知识巩固与提高
核心理念：真懂的标志是"能讲给外行听明白"。本章把费曼法翻转应用——不是你读完了做测验，而是你录屏讲解自己的实验，讲不清的地方就是你没真懂的地方。
四步闭环：① 选概念（挑一个你以为懂了的术语，如"感知—决策—行动循环"）② 讲出来（假装教外行，大白话+画图）③ 找漏洞（卡壳处即盲区，回去补）④ 简化（用一句生活类比收尾）。每章的"实验录屏"都是一次费曼演练。
上机实验 · 创建你的第一个智能体
📋 实验任务书
目标：在 Coze 中独立创建一个"图书推荐助手"（或旅行助手），跑通"目标→人设→知识→插件→发布"全流程。
环境：扣子 Coze 工作空间（自备账号）。
步骤：① 新建 Bot 并撰写人设；② 上传一份书目/攻略资料作知识库；③ 绑定 1 个插件；④ 用 3 个真实问题调试；⑤ 发布到豆包并截图。
交付物：Bot 链接 + 调试对话截图（≥3 组）+ 100 字反思（提示词如何影响回答质量）。
评分点：人设清晰(20%) · 知识库相关(20%) · 插件调用正确(20%) · 回答质量(25%) · 反思深度(15%)。
🛠 分步操作 · 5 分钟第一个智能体（旅行助手）
动手 · 分步操作- 登录 Coze 工作空间，点击"新建 Bot"。
- 写人设与开场白：例如"你是一名资深旅行规划师，语气亲切，擅长根据预算与天数定制行程"。
- 加知识：上传一份本地"城市攻略.docx"作为知识库，让智能体基于真实资料回答。
- 绑插件：添加"天气查询""网页搜索"插件，赋予实时信息能力。
- 预览调试：在右侧对话框问"三天两夜、预算 2000，去成都怎么玩？"观察回答质量。
- 发布：选择"豆包"等渠道，得到可分享的链接。
📝 提示词模板（可直接套用）
角色：你是一名[领域]助手。
能力：能完成[任务A]、[任务B]，必要时调用[插件]。
约束：仅基于[知识库]回答；不确定的事主动说明；语气[风格]。
开场白：[一句引导用户提问的话]。
🔬 扩展实验（选做 2–3 项，巩固费曼讲解能力）
扩展实验 1 · 插件能力对比感知 / 行动
任务：为"图书推荐助手"分别绑定「网页搜索」与「天气查询」两个插件，针对同一问题（如"适合雨天读的书"）观察回答差异。
交付：一张对比表（插件 / 是否用到实时信息 / 回答质量），并用费曼法录屏讲清"插件如何扩展智能体的行动能力"。
扩展实验 2 · 人设对比实验认知 / 提示词
任务：复制同一 Bot，仅修改"人设语气"（严肃学者 vs 亲切朋友），用同一组 3 个问题测试，记录回答风格差异。
交付：截图对比 + 一句费曼式总结："提示词如何像开关一样改变智能体的行为策略"。
扩展实验 3 · 平台选型调研决策 / 选型
任务：注册试用 Coze 与 Dify（或文心/通义）的免费版，各建一个最小 Bot，从"零代码友好度 / 知识库能力 / 合规"三维度打分。
交付：一份选型评分表，并录屏讲解"为什么信息资源管理者更看重知识库与合规"。
🎮 课堂互动小游戏 · 边玩边学
第四部分 本章小结
本章小结
核心要点回顾
- 智能体 = LLM 为脑 + 感知/认知/行动/记忆四能力的自适应系统。
- 其运行是"感知—决策—行动"反馈闭环，区别于瀑布式单向开发。
- 四能力 ↔ 信息系统"采集—处理—输出—存储"职能同构；开发流程 ↔ SDLC 同构。
- Coze 等低代码平台让零基础者也能实践 ISAD 全流程；选型看重知识库与合规。
- 科技自立自强：做平台的使用者，更做技术主权与数据主权的理解者。
延伸阅读：ima 知识库《智能体宇宙》"智能体的严格定义"；《信息系统分析与设计》教材第 1 章；人民日报关于科技自立自强的评论员文章。
拓展案例 · 天工超级智能体
案例 B2-06 天工超级智能体（Skywork Super Agents）
申报单位：昆仑万维科技股份有限公司
天工超级智能体（Skywork Super Agents）是昆仑万维于2025 年5 月22 日全球发布的“AI Office 智能体”。它基于 AI Agent 架构与 Deep Research 技术，旨在颠覆传统 Office 工作流，首发即在 GAIA 榜单以 82.42 分超越 OpenAI 与 Manus，位列全球第一。平台采用“5+1”架构：5 个专家智能体分别专注于文档、PPT、表格、网页、播客的一站式生成，1 个通用智能体接入数十个 MCP 工具，处理图片、音乐、视频等多模态创意任务。
看点：天工把“先问清楚再动手”做成了产品机制——澄清卡片，并把所有产出都挂上可验证来源。对照本章 1.5 的智能体开发流程看，它等于把需求澄清与结果溯源两步前置并固化。
延伸思考题
- 天工的“澄清卡片”在任务启动前主动追问目标、背景与限制条件，并生成待办清单供二次确认。对照本章“智能体基本开发流程”，这套机制相当于把哪一步前置了？如果把它移植到 Coze 的人设与回复逻辑中，你会怎么写这段提示词？
- 天工为文档、PPT、表格三类产出都提供了来源溯源。请以信息资源管理的专业视角说明：为什么“可追溯”是信息系统可信性的必要条件？缺失溯源会带来哪些具体风险？
- “5+1”架构中，通用智能体接入了数十个 MCP 工具。若让你为一个“校园图书馆咨询智能体”规划工具集，你会选哪 3 个？说明选择依据与调用顺序。
-
Zaharia et al.《The Shift from Models to Compound AI Systems》
复合 AI 系统范式：把智能体视为“多组件编排”而非单一大模型
-
Anthropic《Building Effective Agents》
工作流 vs 智能体、提示链/路由/并行/编排–工作器/评估–优化等基础模式
-
Anthropic《Effective Context Engineering for AI Agents》
上下文工程：动态写/选/压缩上下文，是 Agent 记忆与推理的底座
-
Yao et al.《ReAct: Synergizing Reasoning and Acting in Language Models》(ICLR 2023)
Thought→Action→Observation 循环，现代 Agent 控制流的事实标准