给AI装上“器官”

吴怼怼 AGENT ANATOMY / 10 一个 AI， 到底需要装多少个 “器官”？ 一个模型只有“大脑”。 要成为 Agent，它还得学会看、听、记住、动手， 并真正进入现实世界。 LLM VISION AUDIO MEMORY HAND BROWSER FILES PAY MAPS 向下进入 AI 器官装配厂 ↓

01 / 一颗大脑，还不是一个人

LLM 擅长“想”。
Agent 还得能“做”。

语言模型像一颗被装进玻璃罩的大脑：它懂世界，却未必看得见此刻；它会推理，却未必能替你点击一个按钮。

当视觉、声音、记忆、浏览器、文件和支付能力接上来，AI 才从一个“回答问题的模型”，变成一个“在环境里完成目标的系统”。这一步，就是 Model → Agent。

MODEL 能力 ＋ ORGANS 感知 · 状态 · 工具 · 权限 ＝ AGENT 能在环境中持续观察、决定、行动、再观察

02 / AI 器官装配厂

八个工位。
逐个点击安装。

每装上一个器官，AI 就多一种和世界发生关系的方式。但能力越多，权限与风险也会一起增长。

INSTALLED / 01 视觉 VISION 图像、屏幕、视频，不再只是文件名。 Agent 能识别界面、理解图表、发现按钮与变化。 连接 摄像头 / 截图 / 多模态输入 把“世界”变成模型可理解的信号 器官 01 / 08 VISION 先让它看见 点击安装 →

INSTALLED / 02 听觉与声音 AUDIO 语音被转成可推理的信息， 回答也可以重新变成自然的声音。 连接 麦克风 / ASR / TTS 进入会议、电话、驾驶等实时场景 器官 02 / 08 AUDIO 听懂，也说出来 点击安装 →

INSTALLED / 03 记忆 MEMORY 记住你的偏好、任务进度和关键事实， 让一次对话变成一段持续关系。 连接 短期状态 / 长期知识 / 用户画像 跨回合、跨任务保持连续性 器官 03 / 08 MEMORY 别每次都从零开始 点击安装 →

INSTALLED / 04 手 COMPUTER USE 看懂屏幕之后，还要能点、拖、输入、提交。 这双“手”把语言意图变成界面操作。 连接 鼠标 / 键盘 / GUI / API 真正操作没有专用接口的软件 器官 04 / 08 COMPUTER USE 从建议，到亲手完成 点击安装 →

INSTALLED / 05 浏览器 BROWSER 模型里的世界停在训练时刻； 浏览器让 Agent 检索、比对并访问实时网页。 连接 搜索 / 网页读取 / 表单 获得动态信息并进入在线服务 器官 05 / 08 BROWSER 把知识边界接到今天 点击安装 →

INSTALLED / 06 文件系统 FILES 读报告、改表格、生成演示、整理目录。 没有文件能力，很多“工作”只停留在聊天框。 连接 文档 / 表格 / PDF / 文件夹 让输入输出成为可交付的工作成果 器官 06 / 08 FILES 让成果可以被保存 点击安装 →

INSTALLED / 07 支付 PAYMENT 付款意味着 Agent 的动作开始产生真实成本。 它必须和确认、额度、身份、审计一起出现。 连接 账户 / 订单 / 支付确认 完成交易闭环，但绝不能无限授权 器官 07 / 08 PAYMENT 最敏感的一只器官 点击安装 →

INSTALLED / 08 空间感 MAPS 地点、路线、距离、营业时间和现实约束， 让 Agent 的计划终于能落到地面。 连接 定位 / 路线 / POI / 时间 把抽象任务翻译成现实世界行动 器官 08 / 08 MAPS 知道世界在哪里 点击安装 →

03 / 器官之间，不是并排关系 它们组成一条 会循环的软件供应链 感知 眼睛 · 耳朵 理解 模型 · 上下文 计划 记忆 · 路由 行动 手 · 浏览器 · 文件 落地 支付 · 地图

SYSTEM ONLINE MODEL → AGENT AI 它不再只是回答你。 它开始在世界里完成任务。 八个器官安装完毕 现在，启动它。 START 点击启动完整数字人 MODEL 只是大脑，AGENT 是一个系统。

04 / 器官越多，刹车越重要

Agent 的风险，
来自“能做什么”。

一个会支付、会操作电脑、会读取文件的 AI，不再只是内容生成器。每一只新器官，都应该配一套新的权限边界。

01

最小权限

只开放完成当前任务所必需的工具、文件和账户。

02

关键确认

付款、发送、删除、公开发布之前，必须让人确认。

03

可见过程

让用户知道 Agent 看到了什么、准备做什么。

04

可追溯

保留工具调用、授权、结果和失败记录。

THE BOTTOM LINE 模型，是能力。 Agent，是能力被装进 感知、记忆、工具、权限、环境 和反馈回路之后， 形成的完整行动系统。 Agent 时代真正要设计的， 不是一颗更大的脑，而是一副更可靠的身体。 转发给正在做 Agent 的朋友 ↗

吴怼怼

把 AI 热词，拆成可以看见的系统。

研究与编辑：吴怼怼 · 2026.08