做着做着，发现自己在做 Agent

前两天周末我又给 YuAI Tools 新增了好几个功能，备忘录、定时器等。

其中最重要最牛的一个功能，是我在 AI 语音输入法的基础上做的，叫语音指令。就是通过语音控制 YuAI Tools 里所有功能。

比如语音记录待办、语音记录备忘录、语音设置定时器或闹钟等。

加完之后，我坐在那儿测试，突然愣了一下。

我意识到一件事：这不就是一个 Agent 吗？

说话就能控制电脑，我还以为这只是个工具

YuAI Tools 是我自己做的一个 macOS 效率工具，最开始的动机很简单——Alfred 太不思进取了，自从买了终身会员后感觉它就没怎么更新过，所以我想还是自己写一个吧。

后来慢慢加功能，加了全局搜索、进程管理、剪贴板历史、书签搜索，又加了语音输入……每次加功能，我都觉得这只是在"把工具做完整"。

直到加了语音指令。

按下 Ctrl+Alt+J，说一句"倒计时 20 分钟"，计时器就启动了。

说"记一下明天带雨伞 标签生活"，备忘录里就多了一条。

说"关掉 Chrome"，进程就被 kill 了。

感觉很酷。但我测试着测试着，有个声音冒出来：这玩意儿背后的逻辑，不就是 Agent 的逻辑吗？

我以为我在写 switch-case，结果写了个 ReAct

现在程序的处理流程是这样的：

说话 → 语音转文字 → LLM 识别意图 → 执行对应 Tool → 返回结果

这不就是标准的 ReAct 循环？

只不过我现在的 Tool 都是手写死的，LLM 只负责"选哪个 Tool + 提取参数"，执行逻辑全是我自己写的 switch-case。

表面上看，这是一个"工具"。

但本质上，它已经有了 Agent 的骨架：用自然语言表达意图，AI 来理解，然后调用工具完成。

差的，只是"工具"还是我定义的，不是 AI 自己找的。

工具和 Agent 差在哪里

我想了半天，觉得区别就一句话：

工具是你告诉它能做什么，Agent 是它自己知道能做什么。

现在我说"倒计时 20 分钟"，它只会触发 timer_start，仅此一个。

但如果是真正的 Agent，我说"提醒我在会议开始前 10 分钟关掉音乐"，它应该能自己拆：创建一个闹钟，到时间后自动执行 kill 音乐进程的动作。

我现在做不到这个。

因为所有的 Tool 都是我一个个手写进去的。LLM 的自由度，仅限于"从 26 个选项里选一个"。

这和真正的 Agent 能力，差了很大一截。

但也有的工具用语音指令显得那么多余

测完 26 个语音指令之后，我有个有点尴尬的发现：

有些指令，确实很好用。比如上面说的设置定时器、记备忘录、创建待办，说一句就能搞定，比打开界面操作快多了。

但有些，也真的有点多余。

比如"打开书签"、"锁屏"——这几个，有说话那点功夫，我直接用键盘也就完成了。

为什么会这样？

因为现在这些工具，本质上还是"单步操作"。一句话，一个动作，完事。单步的事情，语音不一定比键盘快。

语音指令真正的价值，应该是处理那些"需要多步协作"的复合任务。而那个，才是 Agent 的领域。

那接下来呢

说实话，我不确定 YuAI Tools 要往哪儿走，还没太认真思考，可能有两个方向吧。

方向一，把它改造成一个 Agent。难度很大，虽然有框架可以用，但我没研究过，做起来不会轻松。

方向二，接入现有的 Agent，把 YuAI Tools 变成一个工具层，提供 MCP 接口给 Agent，然后让 Agent 调我的这些接口，完成更复杂的任务。

方向三，把它做成 Agent 上层的调度工具，通过语音控制和可视化的界面降低一些 cli Agent 的使用门槛。或者封装成组合多 Agent 完成复杂任务的工具层，即解决 Token 合理分配的问题，也让这个过程更直观的被看到。

当然，现在想这些还有点早。26 个指令，已经覆盖了我大部分高频场景，目前够用了。

但那个"发现自己在做 Agent"的瞬间，让我觉得——很震惊，很多时候你可能不是在做你以为自己在做的东西，在做的构成中可能就发现或走向了一个新的方向，重要的还是得先开始。

慢慢走，慢慢看吧。

YuAI Tools 下载地址和文档，见 https://yuai.life/yuai-tools

祝好。