AI Agent基础与开发范式 / Fundamentals of AI Agent and Development Paradigms

2022年末，基于大语言模型（Large Language Model, LLM）的智能体（AI Agent）技术开始进入产业界的视野，到2024年已形成覆盖工具调用、多轮对话、自主规划的完整技术栈，成为继大模型之后人工智能领域最受关注的技术方向之一。与传统聊天机器人（Chatbot）仅能进行封闭域对话不同，AI Agent能够感知动态环境、自主拆解任务、调用外部工具、根据反馈调整策略，最终完成用户指定的复杂目标。本章作为全书的开篇，将系统梳理AI Agent的核心概念、发展脉络、核心架构与主流开发范式，帮助读者建立完整的知识体系，为后续的工程实践打下基础。

<!-- 电子版侧边栏：AI Agent vs 聊天机器人 核心差异 --> | 对比维度 | 传统聊天机器人 | AI Agent | |----------|--------------|----------| | 交互模式 | 封闭域、单轮/多轮对话 | 开放域、环境交互 | | 任务处理 | 仅能响应预定义问题 | 可自主拆解复杂任务 | | 工具能力 | 无外部工具调用能力 | 可调用API、代码、外部系统 | | 记忆能力 | 仅保留当前对话上下文 | 支持短期+长期记忆 | | 自主性 | 完全被动响应 | 可主动规划、调整策略 |

1.1 AI Agent的核心定义与核心特征

AI Agent（人工智能智能体，Artificial Intelligence Agent）是一种能够感知环境、自主决策、执行动作以达成特定目标的智能系统，其核心定义可形式化为：对于任意给定的目标$G$，Agent通过感知模块获取环境状态$S_t$，经规划模块生成动作序列$A_1, A_2, ..., A_n$，通过执行模块作用于环境，最终使环境状态收敛到目标状态$S_g$，即$S_0 \xrightarrow{A_1...A_n} S_g$，其中$S_0$为初始环境状态。

从工程实现角度，AI Agent与传统软件、纯大模型应用的核心差异体现在三个核心特征上： 1. 自主性（Autonomy）：无需人工干预即可自主完成端到端任务，例如用户仅需输入“帮我规划下周北京到上海的5天商务行程，包含高铁、酒店、会议场地预约，预算不超过8000元”，Agent即可自主完成所有子任务，无需用户逐步指导。 2. 反应性（Reactivity）：能够感知环境变化并实时调整策略，例如预订高铁时发现目标车次无票，可自动查询替代车次或调整出行时间，无需用户重新发起请求。 3. 主动性（Proactiveness）：可基于目标主动发起动作，而非仅被动响应用户输入，例如在行程规划过程中，Agent可主动查询北京到上海的天气情况，提醒用户携带雨具。

根据智能体的自主程度，业界通常将AI Agent分为三个层级：反应式Agent（Reactive Agent）仅能对当前环境输入做出响应，无规划能力； deliberative Agent（慎思式Agent）具备内部世界模型和规划能力，可提前模拟动作结果；混合式Agent（Hybrid Agent）同时具备反应式和慎思式能力，是当前工业界的主流实现方案。

1.2 AI Agent的发展历程：从规则引擎到大模型Agent

AI Agent的研究历史可追溯到上世纪50年代的人工智能萌芽阶段，其发展历程与技术范式的演进高度绑定，大致可分为四个阶段：

1.2.1 符号主义Agent阶段（1950s-1980s）：规则引擎与专家系统

1950年，阿兰·图灵（Alan Turing）提出“图灵测试”，首次定义了机器智能的评判标准，成为Agent研究的理论起点。1960s，麻省理工学院（MIT）的约瑟夫·魏泽鲍姆（Joseph Weizenbaum）开发了ELIZA系统，通过简单的关键词匹配规则模拟心理医生与用户对话，是世界上第一个对话式Agent原型。1980s，专家系统（Expert System）成为Agent的主流实现方案，代表系统包括用于细菌感染诊断的MYCIN、用于地质勘探的PROSPECTOR等，这类系统通过预定义的规则库和推理引擎实现特定领域的决策能力。

符号主义Agent的核心优势是决策过程可解释、规则可控，但存在明显的局限性：知识获取瓶颈导致规则库难以覆盖复杂场景，泛化能力极差，仅能在封闭域内工作。根据斯坦福大学2023年发布的《Foundation Agents》报告，传统符号主义Agent在开放域任务上的完成率不足15%，远低于后续的强化学习和大模型Agent方案[^1]。

1.2.2 行为主义Agent阶段（1990s-2010s）：强化学习与机器人Agent

1990s，行为主义人工智能思潮兴起，强调“智能体通过与环境交互学习最优策略”，强化学习（Reinforcement Learning, RL）成为Agent的核心技术。2016年，DeepMind开发的AlphaGo击败人类围棋世界冠军，是强化学习Agent的里程碑事件。该阶段的Agent通常部署在物理机器人或游戏环境中，通过试错学习最优动作策略，典型代表包括波士顿动力的Atlas机器人、OpenAI的Dota 2 AI OpenAI Five等。

强化学习Agent的核心优势是在动态环境中具备自适应能力，但存在样本效率低、训练成本高、难以迁移到新场景的问题。以AlphaGo为例，其训练过程消耗了超过1000万局自我对弈数据，训练成本超过1亿美元，且无法直接迁移到其他棋类游戏任务。

1.2.3 大模型原生Agent阶段（2022年至今）：通用智能体的爆发

2022年11月，OpenAI发布ChatGPT，大语言模型的涌现能力（Emergent Ability）为Agent研究带来了新的范式：基于LLM的Agent无需预定义规则或大量训练数据，即可通过自然语言指令理解任务目标，自主拆解步骤、调用工具、完成复杂任务。2023年，谷歌发布PaLM-E、OpenAI发布GPT-4，均展示了多模态Agent的能力，可同时处理文本、图像、语音输入，完成机器人控制、代码生成、数据分析等复杂任务。

根据斯坦福2023年的评测数据，LLM-based Agent在21个跨领域基准任务上的平均完成率达到68.2%，比传统符号主义Agent高62个百分点，比深度强化学习Agent高47个百分点，且泛化能力远超传统方案。截至2024年，LLM-based Agent已在客户服务、代码开发、科研辅助、工业控制等领域实现规模化落地。

```mermaid graph TD A[环境输入<br/>Environment Input] --> B[感知模块<br/>Perception Module] B --> C[规划模块<br/>Planning Module] C --> D[执行模块<br/>Action Module] D --> E[环境反馈<br/>Environment Feedback] E --> B F[记忆模块<br/>Memory Module] --> C D --> F F --> B style A fill:#f9f,stroke:#333,stroke-width:2px style F fill:#9f9,stroke:#333,stroke-width:2px ``` *图1-1：AI Agent核心架构流程图（Mermaid格式，支持纸书印刷、电子版交互、Markdown结构化解析）*

1.3 AI Agent的核心组成模块

无论采用何种技术范式，现代AI Agent均包含四个核心组成模块：感知模块、规划模块、执行模块、记忆模块，四个模块形成闭环反馈，共同完成端到端任务。

1.3.1 感知模块（Perception Module）

感知模块是Agent的“输入接口”，负责接收、解析、预处理来自环境的多模态输入，将其转化为Agent可理解的结构化数据。感知模块的核心能力包括：

• **多模态输入解析**：支持文本、图像、音频、视频等输入格式的解析，例如多模态客服Agent可同时处理用户的文字咨询、产品截图、语音投诉。
• **意图识别**：从用户输入中提取核心意图和关键实体，例如从“帮我订明天北京到上海的商务舱机票”中提取意图“订机票”、实体“明天”“北京”“上海”“商务舱”。
• **环境状态感知**：对于部署在物理环境或软件系统中的Agent，需实时感知环境状态变化，例如工业巡检Agent需感知设备的温度、振动、运行参数等数据。

感知模块的技术实现通常分为两类：基于规则的解析（如关键词匹配、正则表达式）和基于模型的解析（如微调后的意图识别模型、多模态大模型的视觉解析能力）。工业级Agent通常会结合两类方案，在保证可控性的同时提升泛化能力。

1.3.2 规划模块（Planning Module）

规划模块是Agent的“大脑”，负责根据任务目标和当前环境状态，拆解任务、生成可执行的动作序列，并在执行过程中根据反馈动态调整计划。规划模块的核心能力包括：

• **任务拆解**：将复杂目标拆解为多个可执行的子任务，例如将“规划5天北京到上海的商务行程”拆解为“查询高铁班次”“查询中关村附近酒店”“查询会议场地”“匹配时间与预算”“生成行程表”5个子任务。
• **决策推理**：基于当前状态和子任务目标，选择最优的动作，例如在多个高铁班次中选择时间合适、价格最优的班次。
• **反思与调整**：在执行过程中根据环境反馈调整计划，例如查询到目标酒店已满房时，自动查询同区域其他酒店。

规划模块的复杂度与任务复杂度直接相关：简单任务可采用单步规划或链式规划，复杂多任务场景需采用树状搜索、图状规划等方案。规划的质量直接决定了Agent的任务完成率，是当前Agent研究的核心难点之一。

1.3.3 执行模块（Action Module）

执行模块是Agent的“手脚”，负责将规划模块生成的动作转化为实际的外部操作，并处理执行结果。执行模块的核心能力包括：

• **工具调用**：调用外部API、代码、软件系统完成操作，例如调用订票API完成高铁票预订、调用代码解释器完成数据分析。
• **动作执行**：对于物理Agent，需控制机械臂、移动底盘等硬件完成物理操作。
• **结果处理**：解析执行返回的结果，判断是否达到预期，若失败则触发错误处理或重新规划。

执行模块的可靠性直接决定了Agent的可用性，工业级Agent需要具备重试机制、降级策略、权限控制等能力，避免执行错误导致业务损失。

1.3.4 记忆模块（Memory Module）

记忆模块是Agent的“经验库”，负责存储、检索历史交互和操作经验，支撑Agent的长期决策。记忆模块通常分为两类：

• **短期记忆（Short-term Memory）**：存储当前对话的上下文信息，通常基于大模型的上下文窗口（Context Window）实现，例如GPT-4的上下文窗口为128K tokens，可存储当前对话的所有历史消息。短期记忆的核心挑战是上下文窗口的长度限制和关键信息丢失问题，当对话长度超过窗口上限时，早期的关键信息会被截断。
• **长期记忆（Long-term Memory）**：存储跨对话、跨任务的持久化信息，通常基于向量数据库（Vector Database）实现：将历史交互、用户偏好、操作经验等文本数据通过嵌入模型（Embedding Model）转化为高维向量，存储在向量数据库中，检索时通过余弦相似度计算匹配最相关的历史记忆。长期记忆的检索准确率通常用召回率（Recall）衡量，形式化定义为：

$$Recall = \frac{|\{relevant\_documents\} \cap \{retrieved\_documents\}|}{|\{relevant\_documents\}|}$$

其中$|\{relevant\_documents\} \cap \{retrieved\_documents\}|$表示检索到的相关文档数量，$|\{relevant\_documents\}|$表示所有相关文档的总数量。工业级Agent的长期记忆召回率通常需要达到90%以上，才能保证决策的准确性。

四个核心模块形成闭环反馈：感知模块获取环境输入，规划模块生成动作计划，执行模块执行动作并获取环境反馈，反馈结果一方面用于更新规划，另一方面存储到记忆模块，支撑后续决策。

1.4 主流Agent开发范式对比

Agent开发范式是指Agent的推理与执行逻辑的组织方式，不同范式适用于不同的任务场景，其演进逻辑是随着任务复杂度的提升，从单步推理向多步规划、从线性流程向网状关联演进。当前主流的开发范式包括思维链（Chain of Thought, CoT）、推理-行动（Reasoning-Acting, ReAct）、思维树（Tree of Thoughts, ToT）、思维图（Graph of Thoughts, GoT）等。

1.4.1 思维链（CoT）：单步推理范式

CoT是2022年谷歌提出的大模型推理范式，其核心思想是让大模型在输出最终答案前，先生成中间推理步骤，将复杂问题拆解为多个简单的子问题逐步求解。CoT的形式化流程为： $$Input \rightarrow Chain\_of\_Thought \rightarrow Output$$

CoT的典型应用场景是纯推理类任务，例如数学计算、逻辑推理、代码调试等，其优势是实现简单、推理过程可解释，可显著提升大模型在推理任务上的准确率。根据谷歌2022年的评测数据，CoT可将大模型在GSM8K数学基准上的准确率从17.9%提升到58.1%。

但CoT存在明显的局限性：仅支持内部推理，无法调用外部工具，无法处理需要实时信息或外部操作的复杂任务，因此不适合作为通用Agent的开发范式。

1.4.2 推理-行动（ReAct）：当前主流的Agent范式

ReAct是2023年由普林斯顿大学和谷歌联合提出的Agent开发范式，其核心思想是将推理（Reasoning）和行动（Acting）交替进行，形成“思考-行动-观察”的循环。ReAct的形式化流程为： $$Thought_1 \rightarrow Action_1 \rightarrow Observation_1 \rightarrow Thought_2 \rightarrow Action_2 \rightarrow Observation_2 \rightarrow ... \rightarrow Final\_Answer$$

ReAct的核心优势是将大模型的推理能力与工具调用能力结合，既可以通过推理拆解任务、规划下一步动作，又可以通过调用外部工具获取实时信息、完成实际操作，是当前工业界应用最广泛的Agent范式。例如LangChain、LlamaIndex等主流Agent开发框架的默认Agent实现均为ReAct的变种。

以“查询明天北京是否适合去故宫游玩”任务为例，ReAct的执行流程如下： 1. Thought 1：要判断是否适合游玩，需要知道明天北京的天气和故宫的开放时间，首先查询天气。 2. Action 1：调用天气查询API，参数为“北京 明天”。 3. Observation 1：返回结果“明天北京晴，气温15-25℃，空气质量优”。 4. Thought 2：天气条件良好，接下来需要查询故宫的开放时间。 5. Action 2：调用景点信息查询API，参数为“故宫 开放时间”。 6. Observation 2：返回结果“故宫开放时间为9:00-17:00，周一闭馆”。 7. Thought 3：明天是周二，天气良好，故宫正常开放，适合游玩。 8. Final Answer：明天北京天气晴好，气温适宜，故宫正常开放，非常适合前往游玩。

根据斯坦福2023年的评测数据，基于ReAct范式的Agent在工具调用类任务上的完成率达到72.3%，比纯CoT范式高41个百分点。

1.4.3 思维树（ToT）：复杂规划范式

ToT是2023年由谷歌DeepMind提出的Agent开发范式，其核心思想是将任务规划过程表示为树状搜索结构，每个推理步骤生成多个候选方案，通过评估每个方案的优劣，选择最优路径继续推进，最终得到全局最优解。ToT的形式化流程为： $$Root \rightarrow \{Candidate_1, Candidate_2, ..., Candidate_n\} \rightarrow Evaluate \rightarrow Select\_Best \rightarrow ... \rightarrow Leaf\_Solution$$

ToT的核心优势是适合复杂规划类任务，例如多步骤的行程规划、代码生成、科研问题求解等，可以通过搜索多个候选方案避免局部最优。例如在规划5天旅行行程时，ToT可以同时生成“住市中心方便出行”“住郊区节省预算”“住景点附近节省通勤时间”等多个候选方案，分别评估每个方案的优劣，最终选择最优方案。

但ToT的局限性是计算成本高，随着任务步骤的增加，候选方案的数量呈指数级增长，导致推理成本和延迟大幅上升。根据DeepMind的评测数据，ToT在复杂规划任务上的完成率比ReAct高18个百分点，但推理成本是ReAct的7.2倍。

1.4.4 思维图（GoT）：多任务关联范式

GoT是2024年提出的最新Agent开发范式，其核心思想是将任务规划过程表示为图状结构，不同子任务之间可以自由关联、交叉依赖，突破了ToT的树状结构限制，更适合多任务关联的复杂场景。例如在规划商务行程时，“订机票”和“订酒店”两个子任务存在关联：机票的时间决定了酒店的入住时间，酒店的位置决定了去会议场地的通勤时间，GoT可以将两个子任务关联起来，联合优化。

GoT的核心优势是适合多任务协同、存在交叉依赖的复杂场景，但实现复杂度最高，目前仍处于研究阶段，工业级落地案例较少。

1.4.5 主流范式对比

下表总结了当前主流Agent开发范式的核心差异与适用场景：

| 范式名称 | 核心思想 | 适用场景 | 优势 | 劣势 | 代表实现 | |----------|----------|----------|------|------|----------| | CoT（思维链） | 生成中间推理步骤 | 纯推理任务（数学、逻辑、代码） | 实现简单、可解释性强 | 无法调用工具、不适合复杂任务 | 大模型原生支持 | | ReAct（推理-行动） | 推理与行动交替进行 | 通用Agent、工具调用任务 | 泛化能力强、实现成本低 | 复杂任务容易陷入局部最优 | LangChain Age