智能体的崛起：从自动化到自主化的范式转变

智能体的崛起：从自动化到自主化的范式转变

2024年3月，一家名为Cognition的初创公司发布了一段演示视频：一个名叫Devin的AI系统被赋予"在旧金山寻找一处三居室公寓"这样的任务后，自主完成了从筛选房源、联系房东、撰写邮件到评估社区环境的全套操作。同年，国内发布的Manus智能体在公测阶段帮助用户完成了股票分析报告撰写、长视频内容摘要、企业官网搭建等复杂任务。从最早的AutoGPT概念验证，到Devin、Manus走向实用，AI智能体（AI Agent）正以前所未有的速度从研究原型走向生产力工具。

但在演示背后，一个根本性的问题尚未得到充分的回答：究竟什么是AI智能体？它与我们每天使用的传统软件、与ChatGPT这样的对话系统、与已经流行多年的机器人流程自动化（RPA）有什么本质区别？为什么偏偏是大语言模型的出现催生了这一波智能体热潮，而不是更早的强化学习或专家系统？要回答这些问题，需要回到智能体这一概念的技术源流，回顾七十年来人类对"赋予机器自主行动能力"这一命题的反复尝试与挫折；接着剖析大语言模型为智能体带来的关键技术突破；然后在此基础上，提炼智能体的形式化定义与四个核心特征；最后通过与传统软件、聊天机器人、RPA等概念的系统对比，建立起清晰的区分边界。这一分析框架将贯穿本书始终，作为讨论智能体架构设计的基础坐标。

1.1 智能体概念的历史演进：从图灵测试到BDI模型

"智能体"（agent）并非一个全新造物。在人工智能诞生的早期，学者们就怀揣着一个朴素的设想：制造能够像人一样感知环境、做出决策并采取行动的机器。这一设想的核心并不在于能否解决某个具体的数学题，而在于能否形成一种"目标驱动的自主行为模式"。围绕这一设想，七十年的研究形成了若干条清晰的技术脉络，理解这些脉络有助于我们看清当下LLM驱动智能体的技术坐标。

1.1.1 图灵时代与早期智能体雏形

1950年，艾伦·图灵在《计算机器与智能》一文中提出了"模仿游戏"，即后世所称的图灵测试。图灵测试的核心思想并不要求机器证明自己的数学能力或逻辑推理能力，而是要求它在对话中表现得"像人"。这一思想隐含了一个后来成为智能体研究核心的命题：智能的本质或许不在于求解单个问题的能力，而在于在开放环境中持续做出合理行为的能力。

1956年的达特茅斯会议正式确立了"人工智能"这一学科，与会者所构想的AI其实已经带有了"智能体"的影子。艾伦·纽厄尔和赫伯特·西蒙开发的"逻辑理论家"程序不仅能证明数学定理，还能在证明失败时尝试不同的推理路径；他们的"通用问题求解器"（General Problem Solver, GPS）则更进一步，将"目标—手段分析"作为通用的求解范式，将求解过程视为智能体在问题空间中寻找路径的过程。1966年到1972年间，斯坦福研究所研制的SHAKEY机器人第一次在物理世界中让"智能体"这一概念落地。这台小车能够通过摄像头和碰撞传感器感知周围环境，借助STRIPS规划系统自主决定行动序列，并真实地推开房门、移动物体。研究人员在为SHAKEY撰写的报告中多次使用了"agent"一词，他们已经清晰地意识到，他们正在研究的并非一个"问题求解器"，而是一个具有自主行动能力的实体。但SHAKEY所处的时代，硬件的计算能力极为有限，计算机视觉与自然语言理解技术远未成熟。1973年莱特希尔报告对AI研究的进展做出了悲观评估，导致了此后近十年被称为"AI寒冬"的低潮时期。然而，正是在这段冷静期，智能体研究的另一条主线悄然展开。

1.1.2 专家系统与知识工程的兴衰

1970年代到1980年代中后期，专家系统（Expert System）成为AI研究的主导范式。斯坦福大学开发的MYCIN系统能够辅助诊断细菌感染并推荐抗生素治疗方案，DENDRAL系统则能从质谱数据推断有机化合物的分子结构。这些系统在特定垂直领域内展现了令人瞩目的能力，并成功走出实验室，进入商业应用。

不过，专家系统与真正意义上的"智能体"之间存在一道深刻的鸿沟。专家系统的行为完全由预设的规则驱动：当输入的事实匹配某个规则的前件时，输出相应的结论。它不会主动探索环境，不会根据反馈调整目标，更不会与其它系统进行有意义的协作。在智能体的属性光谱上，专家系统可以被视为"反应性"维度上的极强、"自主性"和"主动性"维度上的极弱的系统——本质上，它是一种被精心封装的知识库，而不具备目标的自主性。这一根本局限决定了专家系统无法应对开放、动态、跨领域的真实任务。

1.1.3 反应式架构与行为机器人学的崛起

1986年，麻省理工学院人工智能实验室的罗德尼·布鲁克斯发表了论文《大象不下棋》（Elephants Don't Play Chess），对传统AI"先建立完整世界模型、再规划、再行动"的范式提出尖锐批评，主张用自底向上、由简单行为模块逐层堆叠的"包容架构"（subsumption architecture）来构建能够在真实世界中稳健运行的机器人。这一思想催生了行为机器人学这一重要分支。

布鲁克斯的核心洞见是：在面对真实环境的复杂性时，详尽的符号推理不仅效率低下，而且常常不可靠。一个能在走廊中稳健行走的机器人，其行为或许不需要任何符号化的世界模型，只需要"避障""趋向目标""穿越门口"等若干底层行为的协同。这种思想可视为智能体"反应性"特征的早期理论奠基——感知与行动之间的紧密耦合，比任何深思熟虑都更加重要。布鲁克斯的视角后来不仅影响了机器人领域，也深刻影响了后来的智能体架构设计——许多LLM驱动智能体所采用的分层结构，都能看到包容架构的影子。

1.1.4 BDI认知模型与理性智能体

1991年，迈克尔·布拉特曼在《意向、计划与理性：行动的计算模型》一书中提出了关于人类理性行为的哲学模型：信念—愿望—意图（Belief-Desire-Intention, BDI）。这一模型后来被阿斯温·拉奥和迈克尔·乔治夫形式化，成为人工智能领域最具影响力的智能体认知架构之一。

BDI模型将智能体的内部状态分解为三个核心成分：信念代表智能体对世界状态的认识，愿望代表智能体希望达成的目标，意图代表智能体已经承诺执行的具体计划。这一分解带来了一个关键洞见：智能体并非简单地"看见什么做什么"，而是需要在一组竞争性的愿望中进行筛选，形成稳定的意图，并基于意图持续行动。这一区分对于后来智能体研究中"目标管理""意图重审"等问题具有深远的指导意义。在BDI模型的基础上，学者们开发了多个具有实用价值的智能体开发框架，如dMARS、AgentSpeak系列语言，以及后来广泛使用的JADEX、PandoraB等。这些框架将智能体视为具有心智状态（mental state）的理性决策者，并在多智能体协商、电子商务、自动化谈判等场景下进行了卓有成效的试验。

1.1.5 多智能体系统与社会智能体

1990年代中期到2000年代中期，多智能体系统（Multi-Agent System, MAS）成为分布式人工智能研究的核心方向。MAS研究的核心问题是如何让多个智能体在共享环境中通过通信、协作或竞争完成单个智能体无法完成的任务。这一阶段的研究催生了两项具有持久影响力的成果：KQML和FIPA-ACL等智能体通信语言，以及合同网协议（Contract Net Protocol）等经典协商机制。

值得一提的是，本书关注的"社交性"维度正是在MAS研究中被充分讨论过的。MAS学者很早就意识到，纯粹的孤立智能体难以应对复杂的现实任务，必须让多个智能体能够交换信息、协商角色、达成共识。这一思想甚至比当下LLM驱动智能体的"工具调用"概念早了三十年。当我们今天讨论多智能体协作时，回顾这一历史脉络会发现，许多思想在三十年前就已经形成雏形，缺乏的只是能够将其工程化的大语言模型这一"粘合剂"。

1.1.6 软件智能体与互联网时代的低谷

1990年代后期到2010年代初，互联网的兴起催生了"软件智能体"（software agent）的概念。研究者设想让智能体代替用户在网络上自动检索信息、过滤邮件、安排日程。Yahoo!的智能搜索代理、MIT的Letizia推荐系统等都是这一时期的代表。然而，受限于当时的技术水平，这些软件智能体难以处理真实世界中的语义模糊与对抗性输入，最终在用户体验上输给了直接由人来操作的传统搜索和邮件系统。

与此同时，深度学习的崛起让研究者的注意力更多地转向模式识别和预测任务。从AlexNet到GPT-2，深度学习模型在单一能力维度上不断刷新纪录，但在"自主行动"这一维度上始终没有突破——它们更像是一个"特长生"而非一个"通才"。

1.1.7 大语言模型驱动的智能体复兴

2022年末ChatGPT的发布是这一叙事的转折点。研究者发现，大语言模型不仅能生成流畅的文本，还表现出一定的推理、规划甚至反思能力。2023年3月，Significant Gravitas公司发布的AutoGPT首次展示了将一个大语言模型"包装"成能够自主拆解目标、调用工具、迭代执行的智能体的可能性。随后的BabyAGI、AgentGPT、Microsoft的AutoGen等项目在短短几个月内相继涌现，将"LLM智能体"从一个研究原型推进到了大众视野的中央位置。

从图灵测试到SHAKEY，从专家系统到BDI模型，再到今天的AutoGPT，我们可以看到一条清晰的主线：人类对智能体的探索从未停止，但每一次浪潮都需要一项关键技术的成熟才能走向实用。这一次站在潮头的，正是大语言模型。

1.2 大语言模型作为智能体"大脑"的革命性意义

为什么大语言模型的出现会带来智能体的复兴？这一波浪潮与之前的研究相比，本质性的技术突破是什么？要回答这一问题，需要从大语言模型的三个核心能力维度——推理、生成、泛化——逐一剖析，并讨论它们如何共同解决了智能体走向实用化的几个长期难题。

1.2.1 推理能力的涌现

智能体区别于简单自动化系统的关键，在于它需要将一个高层目标分解为一系列可执行的子步骤。在BDI模型盛行的年代，这一规划任务依赖专门设计的推理引擎（如STRIPS、JSHOP2），它们需要完整的领域模型才能工作。一旦任务复杂到难以枚举所有可能状态，规划系统就会陷入"组合爆炸"。

大语言模型带来了一种全新的"软推理"模式：通过提示工程引导模型在内部进行链式思考（Chain-of-Thought, CoT）。所谓链式思考，是指在提示中显式要求模型"一步一步地思考"，模型便会将复杂的任务分解为一系列中间推理步骤。例如，面对"将100美元分配到不同的账户以最大化收益"这样的目标，传统规划系统需要预先定义金融领域的全部可能操作及其效果，而一个大语言模型则可以基于其在训练中接触到的金融常识，给出"先评估各账户的风险等级，再结合用户的风险偏好进行分配"这样的高层规划。

更令人印象深刻的是，研究者在2023年发现，当模型的规模超过某个临界点时，许多原本只能通过专门训练才能获得的能力会"涌现"（emergent）。例如，多位数算术、复杂指令遵循、形式逻辑证明等能力在小型模型上几乎完全缺失，而在百亿参数以上的模型上突然变得可用。这一涌现现象意味着，大语言模型不仅在记忆和检索层面变得更强，更在抽象推理层面跨越了某种质变门槛。

此后，研究者又陆续提出了思维树（Tree of Thoughts）、思维图（Graph of Thoughts）、ReAct（Reason + Act）等更复杂的推理范式。它们的核心思想都是让模型在面对复杂任务时不仅产生单一推理链条，还能以某种搜索策略在多条候选路径中择优。ReAct范式尤其重要，因为它将"推理"与"行动"显式地交织在一起，为后续智能体框架的标准化奠定了基础。

1.2.2 生成能力的飞跃

如果说推理能力让智能体能够"想清楚做什么"，那么生成能力则让智能体能够"清晰地表达自己要做什么"。智能体在执行任务时，常常需要输出结构化的指令——例如调用某个API、生成某个查询语句、撰写某段代码。这些输出的格式通常要求严格，传统自然语言处理技术难以胜任。

大语言模型的生成能力在这里发挥了双重作用：一是语义层面的精确性，二是格式层面的可控性。以工具调用为例，开发者可以设计一个JSON Schema，规定智能体需要输出的工具调用参数。模型经过指令微调后，能够以极高的准确率生成符合Schema的JSON，从而与外部工具无缝对接。这一能力催生了OpenAI的Function Calling、Anthropic的Tool Use、各类开源框架的插件协议等关键技术。

代码生成能力是大语言模型在智能体场景下尤为重要的一项能力。智能体常常需要编写脚本、操作命令行、处理数据格式，这些都需要生成可执行代码的能力。GPT-4的代码生成水平已经达到了能够处理大部分日常编程任务的程度，这使得构建"软件工程师智能体"成为可能——Devin就是基于这种能力构建的代表产品。当代码生成能力与工具调用能力结合，智能体便能形成完整的"写代码—运行代码—根据运行结果修改代码"的迭代回路。

1.2.3 泛化能力的突破

智能体走向实用化的另一大障碍是任务的开放性。真实世界中的目标几乎不可能被预定义为有限状态空间中的某个目标状态，传统规划系统对此束手无策。

大语言模型展示出令人瞩目的零样本和小样本泛化能力：一个训练时未见过的工具，模型只需要看到其说明文档就能尝试调用；一种新的任务类型，模型只需要几个示例就能模仿处理。这种泛化能力来自于训练语料中蕴含的"元知识"——关于世界如何运作、人类如何解决问题、API如何设计的大量隐式模式。

正是这种泛化能力，使得智能体框架具备了跨任务、跨领域的可扩展性。开发者不再需要为每一个垂直场景单独训练一个模型，而只需要设计合适的提示词和工具集，让通用大语言模型在其中发挥作用。这一架构上的根本转变，是LLM驱动智能体与早期专用智能体最深刻的差异。在某种意义上，大语言模型的泛化能力承担了传统专家系统中"知识获取"的全部负担——只不过前者通过自动学习完成，后者依赖工程师手工编码。

1.2.4 工具使用与记忆机制

仅有推理、生成和泛化三项能力，还不足以让大语言模型成为完整的智能体。智能体还必须能够与环境进行实质性的交互，这涉及两项关键能力——工具使用与记忆。

工具使用能力使智能体能够突破语言模型的纯文本边界，进入真实世界。例如，通过调用搜索引擎API，智能体可以获取训练数据之外的新信息；通过调用代码执行环境，智能体可以完成复杂计算；通过调用邮件API，智能体可以真正发送一封信件。在主流的大模型平台上，工具使用已经通过Function Calling等机制标准化，智能体框架（如LangChain、LangGraph、AutoGen）则提供了更高层的抽象。

记忆能力则解决了大语言模型自身的有限上下文问题。短期记忆可以通过会话内的对话历史实现；长期记忆则需要外挂向量数据库或键值存储，让智能体能够"记住"之前发生的关键事件。例如，一个帮助用户管理日程的智能体需要记住用户过去的偏好；一个长期运行的软件工程智能体需要记住项目的代码结构和历史决策。本书后续章节将深入讨论智能体记忆系统的设计与权衡。

综上所述，推理、生成、泛化三项基础能力，加上工具使用与记忆两项扩展能力，共同构成了大语言模型作为智能体"大脑"的能力组合。这一组合在历史上第一次让"通用目的的自主智能体"从概念走向可行。

1.3 智能体的四要素与形式化定义

1.3.1 经典定义回顾

在智能体研究领域，影响最为广泛的形式化定义来自斯图尔特·拉塞尔和彼得·诺维格的经典教材《人工智能：一种现代的方法》。他们将智能体定义为"任何能够通过传感器感知其环境，并通过执行器对环境采取行动的实体"。这一定义的最大优点是它的普适性——无论是人类、机器人、还是一段自动交易程序，都可以被视为智能体。

然而，正因为过于普适，这一框架也带来了一些分析上的困难。迈克尔·伍尔德里奇在2002年出版的《多智能体系统引论》中进一步提出了一种更适合工程语境的智能体定义，强调了智能体应具备的若干高级属性。后来学界普遍将这些属性归纳为四个核心要素：自主性、反应性、主动性、社交性。这四个要素构成了本书分析智能体行为的基本维度。

1.3.2 自主性（Autonomy）

自主性指智能体能够在没有人类或其它系统直接干预的情况下运行，并对自身行为和内部状态拥有一定程度的控制权。这一要素要求智能体至少具备两个机制：一是目标管理机制，能够在没有外部指令的情况下，根据高层目标自主规划和执行子任务；二是自我调节机制，能够在执行过程中根据反馈调整策略，而不是僵化地遵循预设脚本。

自主性与"自动化"（automation）的关键区别在于后者通常指代"按预设规则重复执行某个流程"，而前者强调"在没有完整预设的情况下自主决策"。一个装配流水线上的机械臂是高度自动化的，但它不具备自主性；而一个能够在未知环境中导航并自主决定行动路线的移动机器人则具备较强的自主性。在LLM驱动智能体中，自主性常常以"在没有人类逐步干预下完成多步骤任务"的形式呈现，但其程度在不同产品间差异巨大。

1.3.3 反应性（Reactivity）

反应性指智能体能够及时感知环境的变化，并相应地调整自身行为。这要求智能体的感知通道与执行通道形成紧密闭环。布鲁克斯的包容架构之所以在机器人领域具有持久影响力，正是因为它将反应性放在了首位——机器人在每一时刻都能对环境刺激产生直接的行为响应。

在LLM驱动智能体中，反应性常常通过"ReAct"循环实现：智能体首先观察当前环境状态，然后基于推理结果采取行动，之后再次观察环境变化。这种循环让智能体能够应对真实世界中层出不穷的异常情况。需要注意的是，反应性并不意味着鲁莽——一个设计良好的智能体应当在反应的同时保持对长期目标的承诺。

1.3.4 主动性（Proactivity）

主动性指智能体不仅对环境刺激做出反应，还能够主动发起行动以实现其目标。这一要素将智能体与纯粹的"反应式系统"区分开来。在BDI模型中，主动性表现为智能体根据其"愿望"主动生成"意图"的过程——智能体并非只在外部触发时才行动，而是在目标导向下主动推进任务的进展。

在LLM驱动智能体中，主动性通常表现为"在没有人类输入下一步指令的情况下，自主决定下一步该做什么"。AutoGPT之所以被视为智能体时代的标志性产品，正是因为它能够自主地从"找到最佳的人工智能创业机会"这样的高层目标出发，主动拆解出研究市场、分析案例、撰写报告等子任务，并按照自己规划的顺序依次执行。这种自驱的"目标—行动—评估"循环，是主动性维度上最直观的体现。

1.3.5 社交性（Social Ability）

社交性指智能体能够与其它智能体（包括人类或其它AI）通过某种通信语言进行交互，以完成协作、协商或竞争。这一要素在多智能体系统中被讨论得最多，但在单智能体场景下也有意义——LLM智能体与人类的交互、与工具的交互本质上都属于社交行为的范畴。

社交性的一个重要表现是协议遵循能力。智能体需要理解并遵循某种通信协议，才能与