AI Agent不是ChatGPT：三大核心差异与零代码实战

大多数人把AI Agent和ChatGPT混为一谈，但两者有本质区别。一个聊天机器人只在你提问时回答，然后等待下一个指令；而一个真正的AI Agent会主动使用工具、按计划运行，并自主决策。本文基于YouTube创作者的实际演示，拆解AI Agent的三大核心能力，并展示一个零代码、零成本的求职自动化工作流。

核心差异：从被动应答到主动执行

聊天机器人的工作模式是“提问-回答-等待”。你输入问题，它生成回复，对话结束。它不会在你不说话时做任何事。

AI Agent则在此基础上多做了三件事：

1. 使用工具：它能读取招聘网站、发送消息、调用API，而不仅仅是生成文本。
2. 按计划工作：它可以在你睡觉时定时运行，比如每小时检查一次新职位。
3. 自主决策：它根据预设规则判断哪些信息值得关注，并决定下一步行动。

据YouTube创作者演示，他的Agent每小时抓取新的AI岗位，对照他的简历打分，只有值得一看的职位才会推送到手机。整个过程无需写代码，且零成本。

LLM API：大语言模型应用程序接口，允许开发者以编程方式调用模型能力（如文本生成、判断、摘要），按调用次数或token计费。许多平台提供免费额度或开源模型可本地部署，这正是“零成本”Agent得以实现的基础。

工具调用（Tool Use / Function Calling）：指LLM在生成回复时，能够主动请求调用外部函数或API，例如搜索网页、读取数据库、发送消息。模型输出结构化的调用意图，由外部系统执行并返回结果，形成“思考-行动”循环。这是Agent从“会说”到“会做”的关键机制。

调度器（Scheduler）：负责按时间或事件触发Agent运行的组件，如cron定时器、Webhook。它使Agent能脱离人工指令，在后台周期性地执行任务，是实现“按计划工作”的基础设施。

实战案例：零代码求职监控Agent

这个工作流的核心逻辑并不复杂，但体现了Agent的典型特征：

• 触发：定时器每小时触发一次。
• 工具调用：访问招聘板或API获取最新职位列表。
• 决策：将职位描述与个人简历进行匹配评分（可能借助LLM完成）。
• 行动：仅当评分超过阈值时，发送手机通知。

创作者强调“No code”和“costs nothing”，意味着他使用了现成的自动化平台（如Zapier、Make或n8n）结合免费LLM API。这降低了普通用户构建Agent的门槛。

无代码自动化平台：Zapier、Make、n8n等工具通过可视化拖拽连接不同应用（如招聘网站、LLM、通知服务），无需编写代码即可搭建工作流。它们通常提供定时触发器、条件分支和API调用节点，适合非开发者快速实现Agent逻辑。n8n为开源可自托管，Zapier和Make则提供免费套餐，但免费额度有限，需注意调用次数限制。

匹配评分与阈值：将职位描述与简历输入LLM，让其输出一个匹配分数（如0-100），再设定阈值（如80分）决定是否通知。阈值控制是Agent自主决策中常见的“护栏”手段，可减少误报和过度打扰，但阈值需根据实际效果调优。

为什么这个区别重要

理解Agent与ChatGPT的差异，直接影响你能用它做什么。如果你只把LLM当作聊天窗口，你得到的是信息；如果你把它嵌入一个具备工具、调度和决策逻辑的系统中，你得到的是一个能替你完成重复性认知任务的数字助手。

当前AI应用正从“对话”转向“执行”，Agent是这一趋势的载体。但需注意，自主决策也带来风险：规则设计不当可能导致误判或过度通知。创作者通过“仅推送高分职位”的阈值控制来缓解这一问题。

如何开始

对于想尝试的读者，可以从最小可行Agent入手：选择一个定时触发场景（如监控某个网站），接入一个免费LLM API做简单判断，再通过通知工具输出结果。创作者在社区中分享了完整工作流和AI Engineer路线图，可作为参考起点。

关键不是工具本身，而是思维转变：从“问AI问题”转向“让AI按规则自主工作”。