智能系统的设计之道（四）
看见与看懂：Agent 感知世界的三个模式
摘要
前三篇，我们聊过设计模式的黄昏、范式迁移的地基，以及 Agent 这个新物种的心智循环。循环的起点是感知——但感知远不是“接收信息”那么简单：上下文窗口有限，每一次计算都有成本，噪声与信号混杂在一起。它怎么“看”，决定了它怎么想、怎么做。本文用三个问题拆解 Agent 的感知层：看什么（注意力聚焦的认知漏斗）、怎么看（多模态融合的统一语义场）、去哪儿看（主动感知的信息觅食）。
看什么：注意力聚焦的认知漏斗
传统程序对输入来者不拒——数据进了系统，就一路处理到底。Agent 做不到，也不应该这样做。它的推理能力是宝贵的，上下文空间是稀缺的，如果让无关信息挤占认知资源，真正的关键信息反而会被淹没。
注意力聚焦模式，本质上是一只认知漏斗：层层过滤、逐级压缩，把海量信息收窄成一小撮高价值的上下文，再交给推理。工程上的手段并不神秘——摘要、检索、去重、按优先级排序，都是漏斗的壁面。它追求的目标很朴素却很难：用最低的成本，换最高的上下文质量。而这背后是一条容易被忽视的哲学：主动“忽视”。成熟的感知不是看见一切，而是知道什么值得看、什么可以放心地无视。对 Agent 来说，选择不看什么，往往比看什么更重要。
怎么看：多模态融合的统一语义场
现实世界的信息从来不是单一形态的：文字、图像、语音、表格、传感器读数，同时涌来。如果一个 Agent 只能处理文本，它看见一张图表就“瞎”了；如果它把每种模态分开处理，又无法理解“这张图配这段文字”的整体含义。
多模态融合模式给出的方案是统一语义场——把不同模态的信息映射到同一个语义空间里，让它们可以互相参照、彼此印证。看见一张产品的照片，同时理解它的文字描述和价格数据，才是完整的感知。这个模式的设计哲学有一个漂亮的递进：从“看”到“在”。看到像素，不等于理解场景；只有当 Agent 把信息组织进上下文、把自己“放进”场景里，它才不是在旁观世界，而是身处世界之中。
去哪儿看：主动感知的信息觅食
前两个模式解决的是“眼前的信息怎么处理”，但还有一个更根本的问题：信息不会自己送上门。用户的提问、预设的输入，只是世界的一小片。真正的任务往往需要 Agent 主动去把信息找出来——查数据库、抓网页、调用工具、追问环境，像觅食的动物一样循着线索前进。
这就是主动感知模式：信息觅食环。它把 Agent 从“被动的答题者”变成“主动的调查员”——不是等题目送到面前，而是自己去找答案的线索。好奇心驱动探索，但探索也要算账：每一次查询都有时间与成本，Agent 需要在“多找一点”和“够用就好”之间做权衡。它的哲学是从“全知”到“求知”：Agent 不必无所不知，但必须知道去哪里求知，并且愿意去。
结语：感知决定智能的天花板
三个模式不是孤立的，而是一条协同的感知流水线：先决定去哪儿看，主动出击寻找信息；再决定看什么，用注意力漏斗筛出高价值的上下文；最后把不同模态的信息整合进统一语义场，形成对场景的完整理解。
感知是系统与世界的接口层，也是智能的天花板。因为推理再强，也只能基于感知到的世界来思考——你无法思考一个从未看见过的问题。所以，考察一个 Agent 是否聪明，或许应该先问一句：它真的“看见”世界了吗？