智能体时代的黎明：从规则系统到大模型驱动的自主代理

智能体时代的黎明：从规则系统到大模型驱动的自主代理

1.1 一个必须回答的开篇问题：什么是真正的智能体

如果让你用一段代码回答"北京今天适合穿什么衣服"，传统程序会这么做：

```python def what_to_wear(city): weather = query_weather_api(city) if weather.temp > 25: return "短袖" elif weather.temp > 15: return "长袖"

... 几十个 if-else 分支

```

这个程序按部就班地执行：拉取数据、比较数值、返回结果。它没有"理解"什么是"穿衣服"，没有判断用户是不是要去户外、是不是过敏体质、是不是需要出席正式场合。它只是把数字映射成字符串。

而一个真正的智能体面对同一个问题，会做完全不同的事：它会先理解用户的意图（出门还是居家？），会主动推断或询问缺失的信息（季节、所在城市、室内还是室外），会在不同方案之间权衡（"今天有雨，建议带伞"），会用自然语言解释它的决策（"考虑到北京今天 28 度且有 3 级风，建议穿短袖加薄外套"）。它感知环境、形成目标、规划步骤、执行动作——而这一切都不是被逐行写死的。

这种区别看似微妙，实则划出了一道分水岭：前者是工具（Tool），后者是代理（Agent）。工具被动响应调用，执行明确指令；代理主动理解目标，在不确定环境中自主规划与执行。

从软件工程的视角，我们可以给出一个更精确的定义：智能体是一个能够在数字或物理环境中，通过感知输入、形成内部状态、做出决策、调用工具或执行动作，以追求预设或涌现目标的计算系统。这个定义里有三个不可省略的核心要素：

1. 感知（Perception）：能够从环境中获取有意义的信息。在LLM驱动的智能体中，"环境"通常是人类对话、API响应、文档内容、屏幕截图等非结构化数据。 2. 决策（Decision）：基于感知信息、记忆和目标，选择下一步动作。这要求系统具备推理、规划甚至反思的能力。 3. 行动（Action）：能够对环境产生作用。在数字世界里，行动可以是调用函数、读写文件、发送HTTP请求；在物理世界里，则是控制机械臂、移动机器人。

三个要素构成一个感知-决策-行动循环（Perception-Reasoning-Action Loop，简称PRA Loop）。循环不停转动，智能体就在环境中持续演化其行为。这个循环是后文所有讨论的基元——AutoGPT、BabyAGI、LangChain的AgentExecutor，内核都是这个循环的不同实现。

> 关键判断：判断一个系统是不是Agent，不在于它使用了多深的神经网络，而在于它是否形成了"感知→决策→行动"的闭环。一个if-else链即使很复杂也不是Agent；一个简单的LLM循环，只要能感知-决策-行动，就是Agent。

接下来的几节，我们会沿着历史的时间线，看看这个循环在不同时代被如何实现，以及为什么LLM的崛起让Agent的可能性发生了质变。

1.2 智能体四代演进史：从符号推理到语言驱动

把智能体放进历史坐标系里看，可以清晰地看到四次范式跃迁。每一代都不是简单的技术升级，而是对"智能"这个概念本身理解的更新。

第一代：符号主义与GOFAI时代（1960s–1980s）

Good Old-Fashioned AI（GOFAI） 是人工智能的第一波浪潮，其核心信念是：智能的本质是符号操作与逻辑推理。在Agent领域，最具代表性的成就是1968–1970年间Terry Winograd的SHRDLU系统——一个能在"积木世界"里理解自然语言指令并执行动作的程序。用户可以输入"把红色方块放在绿色锥体上"，SHRDLU会真的去操作虚拟积木。

紧随其后的是专家系统（Expert Systems） 的黄金年代。MYCIN（1976）能根据患者症状诊断细菌感染并推荐抗生素，DENDRAL（1965）能根据质谱数据推断有机化合物结构。这些系统的Agent架构通常包括三部分：

• **知识库（Knowledge Base）**：人类专家手工编码的规则，如 `IF 体温 > 39℃ AND 白细胞 > 12000 THEN 考虑细菌感染`。
• **推理引擎（Inference Engine）**：基于规则的演绎系统，常用前向链或后向链。
• **工作内存（Working Memory）**：保存当前推理状态。

这类Agent的优势是可解释性强——每一步推理都能追溯到具体规则。但它的致命弱点是知识获取瓶颈（Knowledge Acquisition Bottleneck）：人类专家的经验很难完整编码为规则，规则之间还会相互矛盾。Feigenbaum后来称之为"知识工程悖论"——专家系统的智能完全取决于规则库的丰富度，而构建规则库本身需要消耗等同于培养专家的成本。

第二代：行为主义与反应式架构（1990s）

到了80年代末，AI研究者开始反思：智能真的需要"思考"吗？机器人学家Rodney Brooks在1991年的著名论文《Intelligence Without Representation》中提出包容架构（Subsumption Architecture）——把Agent分解为多个层次的行为模块（"避障"、"漫游"、"探索"），低层模块优先响应，高层模块在低层不冲突时才介入。

这种反应式Agent（Reactive Agent） 不维护复杂的内部世界模型，而是直接"感知-动作"。它的代表作品有MIT的Genghis（一种能跨越不平地形的六足机器人）。反应式架构的优势是鲁棒性极强、响应迅速，缺点是没有长期规划能力——它能避开眼前的障碍，却不知道怎么从客厅走到厨房。

这一代留给后世的真正遗产，是"智能体不一定需要显式的世界模型"这一思想解放。它为后来的强化学习Agent铺平了道路。

第三代：深度强化学习Agent（2013–2021）

2013年DeepMind的DQN在Atari游戏上超越人类水平，2016年AlphaGo击败李世石，2018年OpenAI Five击败Dota 2世界冠军——这是深度强化学习（Deep Reinforcement Learning, DRL）Agent 的高光时刻。

DRL Agent的工作方式是：通过与环境反复交互，学习一个策略网络 $\pi(a|s)$，给定状态 $s$ 输出动作 $a$ 的概率分布。它的核心架构通常是：

• **策略网络（Policy Network）**：决定当前状态下的动作。
• **价值网络（Value Network）**：估计当前状态或动作的长期收益（AlphaGo）。
• **经验回放（Experience Replay）**：保存过去的 $(s, a, r, s')$ 元组用于训练。
• **奖励函数（Reward Function）**：定义什么是"好"的行为。

DRL Agent在封闭环境、有明确奖励信号的任务中表现惊人，但它的局限同样突出：

1. 样本效率极低：OpenAI Five消耗了相当于人类玩家几万年的游戏时长。 2. 泛化能力差：训练下Dota 2的模型无法下星际争霸。 3. 无法处理语言：奖励函数必须用数学表达，无法处理"帮我写一首诗"这种开放任务。 4. 缺乏可解释性：策略网络是黑盒，调试困难。

这些局限让DRL Agent始终停留在"窄AI"领域。它很强，但也很"笨"——只会做被训练过的事，对世界没有常识性理解。

第四代：LLM驱动的Agent（2022–至今）

2022年底，ChatGPT引爆全球。2023年初，AutoGPT、BabyAGI等项目让"Agent"一词重回科技主流视野。但这一代Agent的本质，不是又一种新算法，而是认知基底的根本切换：DRL Agent的"大脑"是策略网络，LLM Agent的"大脑"是大语言模型。

LLM驱动的Agent有三件前代Agent做不到的事：

1. 听懂人话：用户可以用自然语言表达目标，无需转换为奖励函数。 2. 看懂世界：通过预训练，LLM压缩了海量人类知识，相当于内置了一部百科全书。 3. 会用工具：通过prompt或function calling，LLM可以学会调用任何被描述为函数的工具。

这三点共同把Agent从"任务专用"推向"通用"。当一个Agent既能理解"帮我策划一次日本旅行"，又能调用机票API、地图服务、翻译工具时，它就具备了前所未有的灵活度。

下表对比了四代Agent的核心特征：

| 维度 | 符号Agent | 反应式Agent | DRL Agent | LLM Agent | |---|---|---|---|---| | 知识来源 | 人工编码 | 行为模块 | 训练交互 | 预训练语料 | | 推理方式 | 逻辑演绎 | 无显式推理 | 隐式策略 | 自然语言推理 | | 泛化能力 | 弱 | 中等 | 弱 | 强 | | 工具使用 | 受限 | 无 | 无 | 灵活 | | 解释性 | 强 | 中等 | 弱 | 中等 | | 典型代表 | MYCIN | Genghis | AlphaGo | AutoGPT, Claude Code |

历史不是线性的——这四代技术今天依然并存于工业系统中。规则引擎仍在金融风控中服役，DRL仍在游戏AI和机器人控制中扮演主角，而LLM Agent正在迅速占领需要自然语言交互和复杂规划的领域。理解这段历史，有助于我们看清当前Agent技术的能力边界究竟在哪里。

1.3 LLM 为什么能成为 Agent 的"大脑"：三大核心优势

从DRL Agent切换到LLM Agent，表面上是换了个底层模型，实际上是整个Agent设计哲学的转向。本节深入剖析LLM作为Agent大脑的三大根本优势。

优势一：世界知识的压缩

GPT-4、Claude、DeepSeek等模型在万亿token的语料上预训练，这意味着它们"读过"人类文明积累的大部分文本——维基百科、GitHub代码、学术论文、新闻、小说、对话记录。这些知识被压缩进数千亿参数中，形成一个稠密的世界知识库。

这有什么实际意义？考虑一个任务：用户让Agent"帮我查一下拜登总统最近一次访华的时间"。一个没有世界知识的Agent需要：

1. 调用搜索引擎 2. 解析结果 3. 提取日期 4. 回答

而一个有世界知识的LLM Agent可能直接回答"拜登任期内未访问过中国"，因为它的训练数据已经包含这一事实。这个区别决定了Agent的反应速度和常识判断力。没有世界知识，Agent就是一台"只会查询的机器"；有了世界知识，Agent才能像人一样做判断。

更重要的是，世界知识让Agent能处理长尾问题。在工业场景中，80%的请求是高频常见问题（剩余电量、订单状态），LLM可以直接回答；20%是长尾罕见问题（"如何给我的旧版Kindle刷机"），LLM虽然不能保证100%准确，但能给出比搜索引擎结果更可读的整合答复。

优势二：自然语言推理能力

推理（Reasoning）是Agent与工具最本质的区别。工具调用工具，Agent要在多个工具调用之间形成连贯的逻辑链。LLM的Chain-of-Thought（CoT）能力让它能把一个复杂问题分解成多个子步骤：

> 用户：策划一次东京五日游，预算1万元。 > > LLM内心推理链： > 1. 用户没说出发地，需要询问或推断（假设北京） > 2. 北京-东京机票往返约3000元 > 3. 五日酒店按中档估算约2500元 > 4. 餐饮+交通+门票约4500元 > 5. 总计约10000元，预算刚好 > 6. 行程需平衡经典景点（浅草寺、东京塔）和深度体验（筑地市场、新宿御苑）

这种推理能力在GPT-3.5时代还比较弱，到GPT-4、Claude 3、DeepSeek-R1时代已经显著增强。Reasoning能力的提升直接决定了Agent能处理多复杂的任务——一个无法进行3步推理的LLM，撑不起任何真正的Agent系统。

一个衡量推理能力的直观指标是"思维链深度"：给定一个多步任务，模型能可靠地把推理链延伸到多少步仍不出错。当前主流LLM在精心设计的prompt下，可靠的推理深度大约在5-10步；超出这个范围，错误率会显著上升。这也是为什么复杂的Agent系统需要外部记忆和规划机制来辅助LLM。

优势三：零样本工具使用直觉

这是LLM最具革命性的能力。在预训练阶段，模型见过大量代码和API文档，因此它"直觉上"知道一个工具的输入输出应该长什么样。例如，给LLM一个天气查询工具的schema：

```json { "name": "get_weather", "description": "查询指定城市的天气", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名"}, "date": {"type": "string", "description": "日期，格式 YYYY-MM-DD 或 '今天'/'明天'"} }, "required": ["city", "date"] } } ```

LLM几乎不需要任何示例就能正确调用——它知道"city"应该填北京还是Beijing、"date"应该填"今天"还是"2024-10-15"。这就是零样本工具使用（Zero-shot Tool Use）。

这种能力的来源是LLM在预训练中见过海量的"调用API"的代码模式。每一个API调用都是"自然语言意图→参数填充→调用"的范式，LLM已经学会了这种映射。配合OpenAI在2023年6月推出的Function Calling能力，LLM的工具使用从"猜"变成了"确定性输出"——模型直接输出结构化JSON，不再依赖脆弱的自然语言解析。

三大优势如何协同

单独看这三条优势都不算新——传统NLP有知识图谱，传统AI有逻辑推理，传统软件有API调用。但没有任何前代技术能同时拥有这三条。LLM是历史上第一个把这三条能力统一在一个模型中的技术，这正是它能成为Agent大脑的根本原因。

更进一步，三大优势之间还能相互增强：世界知识为推理提供常识基础（推理需要前提），推理让工具调用具备逻辑链条（不只调用单个工具），工具调用又把LLM的能力延伸到实时世界（弥补训练数据的时效性）。三者合一，才让"通用Agent"这个概念从口号变为现实。

> 设计启示：当你设计一个Agent系统时，要时刻思考这三条优势是否被充分利用。如果你的Agent只是一个"调用LLM翻译文本"的工具，那你只用了优势三，浪费了优势一和二；如果你让LLM回答完用户问题后还要自行规划"下一步做什么"，那你就是在构建真正的Agent。

1.4 能力边界与典型失效模式

LLM驱动的Agent虽然强大，但绝非万能。理解它的边界和失效模式，是构建可靠Agent系统的前提。本节梳理当前Agent系统的四大典型失效模式。

失效模式一：幻觉（Hallucination）

幻觉指LLM生成看似合理但实际错误的输出。在Agent语境下，幻觉有几种典型形态：

1. 事实幻觉：声称"拜登在2021年访问过中国"，事实并非如此。 2. 工具幻觉：调用了不存在的工具，或填充了错误的参数（如把日期格式填错）。 3. 推理幻觉：在多步推理中，某个中间步骤错误，导致结论偏差。 4. 引用幻觉：编造文档中不存在的段落作为引用来源。

应对策略：

• **RAG（Retrieval-Augmented Generation）**：把外部知识源作为约束，让LLM基于真实文档回答，而非依赖记忆。
• **工具结果验证**：Agent调用工具后，对结果做合理性检查（如日期格式、数值范围）。
• **自我一致性（Self-Consistency）**：对同一问题多次采样取多数投票，过滤偶然错误。
• **引用追溯**：要求LLM在生成回答时附带信息来源，便于事后审查。

失效模式二：规划崩溃（Planning Collapse）

这是Agent特有且最严重的失效模式。Agent的核心能力是规划——把一个目标分解为子任务。但LLM的规划能力并不稳定。

典型场景：用户让Agent"删除我上周创建的所有临时文件"。一个合格的Agent应该： 1. 列出"上周"对应的日期范围 2. 找出"上周"创建的文件 3. 删除"临时文件"（按扩展名过滤） 4. 输出删除摘要

但LLM可能在第二步就出错——它可能用"今天往前推7天"得到错误范围，或者把"临时文件"理解为 `/tmp` 目录而不是按扩展名过滤。一旦规划路径错误，后续每一步都在错上加错，这就是规划崩溃。

规划崩溃在2023年AutoGPT热潮中被广泛观察到：很多Agent在执行多步任务时，会陷入重复操作、跳过关键步骤、或在错误的子目标上无限循环。这本质上就是LLM的规划能力无法支撑复杂任务所致。

应对策略：

• **ReAct框架**：把推理和行动显式分开，每一步都先"想"再"做"，并强制记录推理过程。
• **Plan-and-Execute**：先让LLM输出完整计划，再逐步执行，每步可回滚。
• **外部规划器**：用经典AI规划器（如PDDL求解器）替代LLM的部分规划功能。
• **规划自检**：执行前让LLM自己评估计划的合理性。

失效模式三：长上下文遗忘（Lost-in-the-Middle）

GPT-4 Turbo支持128K上下文，Claude支持200K。但研究发现，LLM对长上下文中首尾位置的信息记忆最好，中间位置的信息最容易被忽略。这就是Lost-in-the-Middle现象。

在Agent系统中，这意味着：当前是第10步，前面9步的中间信息可能被遗忘。Agent可能重复执行已经做过的步骤，或忽略之前的错误教训。一个典型的表现是：Agent在前3步表现得很好，到第6步开始混乱，到第10步可能已经完全"忘了"最初的约束条件。

应对策略：

• **短期记忆摘要**：每N步对历史做一次摘要，保留核心信息。
• **关键节点记忆**：用向量数据库保存关键事实，需要时检索。
• **结构化上下文管理**：把上下文组织成"目标→已完成→待办→注意事项"的结构化字段，