AI Agent（智能体）

什么是 AI Agent？

AI Agent（智能体） 是一个能够自主感知环境、推理观察结果、规划多步骤动作、通过工具执行动作，并从反馈中学习的智能软件系统。其核心目标是：以最少的人类干预完成特定任务。

学术上，一个 AI Agent 可以形式化为五元组：

一句话总结：AI Agent = LLM + 记忆 + 规划 + 工具 + 反思。

与普通 AI 模型的本质区别

一个普通 LLM 可以回答"如何订机票"，而一个 AI Agent 可以真正帮你搜索航班、比较价格、填写信息、完成支付——它不只是"说"，而是"做"。

关键概念辨析

核心区分：Agent 与 Chatbot 的根本区别在于前者能采取行动。Chatbot 的终点是生成文本，Agent 的终点是改变外部世界状态。

自主性

自主性是 Agent 区别于传统程序的根本特征。Agent 能够在给定高层目标后，自主决定采用什么策略、调用哪些工具、如何处理失败、何时请求人类干预。

Google 与腾讯研究机构提出的 Agent 成熟度模型（L0-L5） 清晰地刻画了自主性的梯度：

2025 年大多数企业级部署处于 L2-L3 级别。

工具使用

工具使用是 Agent 连接数字世界与现实世界的桥梁。常见的工具类型包括：

• Function Calling：通过结构化的 JSON Schema 调用 API
• 代码执行器：沙箱化环境中运行 Python/JavaScript/Bash 代码
• 网页浏览与搜索：实时信息检索
• 数据库与 API 网关：企业系统交互
• MCP（Model Context Protocol）：Anthropic 提出的 LLM 与工具之间的标准化协议，被比喻为"AI 的 USB-C"
• 文件系统操作：读写文件、管理项目结构

工具设计四原则：语义清晰（description 是"写给 AI 看的微提示词"）、原子性与单一职责、无状态（只封装技术逻辑）、最小权限（只授予必需的最小能力）。

规划能力

规划是 Agent 将复杂目标分解为可执行步骤的过程。主流规划方案如下：

记忆系统

记忆赋予 Agent 持续性和个性化。一个成熟 Agent 的记忆架构通常是分层的：

┌─────────────────────────────────┐
│  短期记忆（Session Buffer）       │  ← 当前会话上下文，滑动窗口管理
├─────────────────────────────────┤
│  工作记忆（Working Memory）       │  ← 当前任务状态、中间变量
├─────────────────────────────────┤
│  长期语义记忆（Vector Store）     │  ← 用户偏好、历史经验、领域知识
├─────────────────────────────────┤
│  外部记忆（External Knowledge）   │  ← 知识图谱、数据库、文档系统
└─────────────────────────────────┘

关键优化策略：上下文压缩、向量检索加速（HNSW 索引）、记忆加权检索（新近度/相关性/重要性排序）、元记忆机制（自动评估记忆质量）。

多步推理与反思

Agent 不只是执行单步操作，而是在多步推理链条中前进。这要求 Agent 具备回溯能力（失败时调整策略）、自我批评（评估自身输出质量）、验证闭环（每步执行后验证结果）和动态重规划（根据执行结果修正后续计划）。

核心执行循环

无论是单 Agent 还是多 Agent 系统，其底层都遵循一个核心执行循环：

迭代 t:
  1. 观察（Observe）：获取环境输入 oₜ
  2. 检索（Retrieve）：调取相关记忆 mₜ
  3. 提议（Propose）：通过 LLM 生成候选动作 aₜ
  4. 验证（Validate）：根据工具 Schema 和护栏检查动作
  5. 执行（Execute）：调用工具，更新环境和记忆

ReAct（Reasoning + Acting）

ReAct 是当今最广泛使用的 Agent 范式。它的核心理念是将推理与行动交错进行：

Thought: 我需要知道今天北京的天气，才能建议穿什么衣服。
Action: search_weather("北京")
Observation: 北京今天晴，15-25°C
Thought: 天气温暖，建议穿薄外套或长袖。
Action: respond("建议穿薄外套或长袖衬衫。")

ReAct 的优势在于其简单直观、易于实现和调试。大多数 Agent 框架的默认模式都是 ReAct 或其变体。

Plan-and-Execute（先规划后执行）

与 ReAct 的逐步推理不同，此模式先由 Planner 生成完整计划，再由 Executor 逐步执行。Devin（首个 AI 软件工程师）就采用了类似的规划-执行分离设计。

Multi-Agent（多智能体协作）

复杂任务往往需要多个 Agent 分工协作：

四种架构范式对比

参考技术栈（企业级）

┌──────────────────────────────────────────┐
│         认知层（COGNITIVE LAYER）          │
│   LLM 核心（GPT/Claude/Llama/Gemini）      │
│   + 规划引擎（CoT, ToT, ReAct, Reflexion） │
├──────────────────────────────────────────┤
│         记忆层（MEMORY LAYER）             │
│   短期上下文 + 事件轨迹 + 语义向量库        │
├──────────────────────────────────────────┤
│       工具调用层（TOOL INVOCATION LAYER）   │
│   Function Calling | Web Browsing         │
│   Code Execution | API Gateway | MCP      │
├──────────────────────────────────────────┤
│       编排层（ORCHESTRATION LAYER）         │
│   LangGraph | AutoGen | CrewAI            │
├──────────────────────────────────────────┤
│     控制、策略与治理（GOVERNANCE）          │
│   护栏（Guardrails）| HITL | 可观测性       │
└──────────────────────────────────────────┘

关键设计取舍

从 1950 年代图灵测试到 2025 年 MCP+A2A 协议标准化，AI Agent 经历了五个阶段的演进：

驱动 Agent 演进的四条主线

软件开发

这是 Agent 最成熟、最广泛落地的场景。AI Agent 已从代码补全进化为自主协作的"同事"：

代表项目：Devin, GitHub Copilot, Cursor, Claude Code, Cline

客户服务

数据分析与商业智能

Agent 自动连接数据源，编写 SQL/Python 查询，生成可视化报告——从"分析师花 3 天出报告"到"Agent 10 分钟完成初稿，分析师审核修正"。

科学研究

文献检索与综述自动化、实验方案设计与设备控制、跨学科知识交叉发现。代表工作：ChemCrow（化学 Agent）, Coscientist（自主实验室 Agent）。

具身智能与自动驾驶

网络安全

Agent 自主监控日志、检测异常、隔离威胁、生成事件报告。安全运维从"告警疲劳"到"Agent 初筛 + 专家决策"。

人力资源与行政

简历筛选 Agent 自动匹配 JD 与简历；入职 Agent 自动配置账号、发送欢迎邮件；差旅报销从邮件提取发票信息、自动填写报销单。

开发框架

两大开放协议

选型建议

从单 Agent 到多 Agent 协作

2025 年正在发生的最大趋势：从"一个万能 Agent"到"多个专业 Agent 协作"。Gartner 预测到 2028 年，70% 的 AI 应用将由多 Agent 系统驱动。多 Agent 的本质是软件工程的关注点分离原则——每个 Agent 只做一件事，通过协议连接。

协议标准化（MCP + A2A）

MCP 和 A2A 正在成为 Agent 互联网的 TCP/IP 和 HTTP。这两个协议的标准化将带来互操作性（不同厂商 Agent 可以互相通信）、工具市场（类似 App Store 的 Agent 工具/技能市场）和Agent 发现（通过 AgentCard 自动发现和调用其他 Agent 的能力）。

Agentic RAG

传统 RAG 是被动的——"用户提问 → 检索 → 生成"。Agentic RAG 让 Agent 自主决定是否需要检索、检索哪个知识库、如何拆分查询、检索结果是否足够。

推理时扩展（Inference-Time Scaling）

OpenAI o1/o3 和 DeepSeek-R1 开辟了新方向：不训练更大的模型，而是让模型在推理时"思考"更久。关键创新包括强化学习驱动的推理能力涌现（GRPO 算法）、模型学会自我验证和错误修正、推理与行动的深度耦合。

Agent Skills 与渐进式揭示

Anthropic 的 Agent Skills 机制代表了 Agent 能力管理的新思路——非一次性加载所有能力，而是按需发现和加载。这种"渐进式揭示"使得 Agent 可以在不膨胀上下文的情况下管理数百种专业能力。

AgentOps（Agent 运维）

Agent 从原型走向生产的必要条件，涵盖可观测性（OpenTelemetry 追踪）、评估体系（LLM-as-Judge）、安全治理（护栏、权限控制）和持续优化（反馈循环、A/B 测试）。

具身智能

从数字世界走向物理世界。2026-2030 年，Agent 将与机器人深度融合——特斯拉 Optimus、波士顿动力 Atlas 等通用机器人平台，家用 Agent "帮我打扫房间、做饭、遛狗"，工业 Agent 自主生产线调度。

经济影响预测

五大核心原则

原则一：从简单开始，渐进式扩展

Step 1: 单个 LLM + 一个工具 → 验证可行性
Step 2: 加入 Memory → 验证持续性
Step 3: 加入 Planning → 验证多步推理
Step 4: 加入 Reflection → 验证容错能力
Step 5: 引入多 Agent → 验证复杂任务协作

不要一开始就设计完美的架构——先跑通最小闭环，再逐步叠加。

原则二：职责分离（Separation of Concerns）

编排 Agent 只负责全局规划和任务分发，工具权限应狭窄；子 Agent 每个只负责一个明确的任务（写测试、调 API、做审查）；管道式 对于确定性流程，用管道而非自主 Agent。

最稳定的 Agent 遵循一个简单规则——给每个子 Agent 分配一个职责，让编排者协调。

原则三：最小权限

基线拒绝一切权限按需开启；敏感操作要求显式确认（git push、基础设施变更）；危险命令直接阻止（rm -rf、sudo）；密钥管理通过安全环境变量注入短期 token，绝不将密钥放入 Agent 可见上下文。

原则四：先测试，再执行

1. 测试 Agent 写测试 → 确认测试失败
2. 实现 Agent 让测试通过（不修改测试）
3. 审查 Agent 检查代码质量和安全性
4. 人类审查门控：合并/部署前的必要环节

原则五：可观测性优先

自主性越高，可观测性越重要——捕获 OpenTelemetry 全链路追踪、记录每一次 Prompt/工具调用/token 消耗、在子 Agent 间传递关联 ID、建立异常告警和回滚机制。

技术选型建议

关键工程实践

上下文管理

使用 CLAUDE.md 或类似文件定义项目规范；定期裁剪/重置上下文，用总结替代历史日志；子 Agent 间严格上下文隔离。

工具设计

{
  "name": "search_flights",
  "description": "搜索指定日期和城市的航班。返回航班号、价格和时间。",
  "parameters": {
    "origin": {"type": "string", "description": "出发城市三字代码，如 PEK"},
    "destination": {"type": "string", "description": "到达城市三字代码，如 SHA"},
    "date": {"type": "string", "description": "出发日期，格式 YYYY-MM-DD"}
  }
}

关键：description 的质量决定了 Agent 是否能正确使用你的工具——这是"写给 AI 的文档"。

护栏设计

评估体系

Agent 的评估比传统 ML 模型复杂得多——它涉及非确定性和长周期信用分配。建议采用：

建议工具：WebArena, SWE-bench, GAIA, ToolBench 等 Agent 专用基准测试。

核心论文

重要项目与平台

推荐阅读

• Building effective agents — Anthropic 工程团队的 Agent 构建指南
• Effective harnesses for long-running agents — 长运行时间 Agent 的工程实践
• Equipping agents for the real world with Agent Skills — Agent Skills 渐进式揭示机制
• 从 Prompt 到上下文工程构建 AI Agent — 万字长文系统性指南

基准测试