智能体范式总论：从规则系统到自主认知

第 1 章 智能体范式总论：从规则系统到自主认知

1.1 引言：从确定性机器到自主认知体

计算机科学诞生至今不过八十余年，但其核心范式已经历三次根本性跃迁。第一次跃迁发生在 1936 年图灵（Turing）以图灵机（Turing Machine）将"可计算性"形式化为一条抽象的磁带与一个读写头之间的状态转移过程；第二次跃迁发生在 1980 年代专家系统（Expert System）与知识工程（Knowledge Engineering）的兴起，软件开始具备符号推理能力；第三次跃迁正发生在我们所处的当下——以大语言模型（Large Language Model, LLM）为推理引擎的自主智能体（Autonomous Agent）使得软件第一次具备了"在开放环境中自主决策"的能力。本章要回答的核心问题是：什么是自主智能体，它与传统软件有何本质区别？其能力边界在哪里，又应当如何被形式化建模？

要回答这个问题，必须先澄清一个常见的混淆：在工业语境中，"Agent"一词被严重泛化——从简单的 if-else 规则链，到 Retrieval-Augmented Generation（RAG）系统，再到 AutoGPT 式的任务循环，都被冠以"智能体"之名。然而，从软件工程的形式化视角看，真正的自主智能体必须同时具备四个不可省略的子系统：感知（Perception）、推理（Reasoning）、行动（Action） 与 记忆（Memory）。这四个子系统构成了 Wooldridge 与 Jennings 在 1995 年提出的经典 Agent 定义（参见 Wooldridge, *An Introduction to MultiAgent Systems*, 2009）的现代延伸。本章将以这一定义为骨架，回溯四十年技术演进，建立智能体能力成熟度模型（Agent Maturity Model, AMM），并最终给出读者可以用来定位自身目标系统的"范式坐标"。

值得注意的是，自主智能体的崛起并不意味着传统软件范式被淘汰。恰恰相反——从编译器到数据库引擎，从操作系统到分布式消息队列，所有这些确定性系统依然是数字世界的基石。智能体的真正革命性在于，它把"在不确定性中做出合理决策"这一过去只能由人类完成的任务，部分地、可验证地、可审计地交给了软件系统。这是一种"能力的横向扩张"，而非"垂直替代"。理解这一点，对于本书后续章节将要讨论的架构设计、规划算法与多智能体编排至关重要。

1.2 智能体的形式化定义与 PEAS 框架

1.2.1 形式化定义：感知、推理、行动、记忆的四元组

在 Russell 与 Norvig 的经典教材 *Artificial Intelligence: A Modern Approach*（第 4 版，2021）中，Agent 被定义为"任何能够通过传感器感知其环境（environment），并通过执行器（actuator）作用于该环境的实体"。这一定义虽简洁，却无法区分"恒温器（thermostat）"与"AlphaGo"——二者形式上都符合该定义。区分二者的关键在于 Agent 内部是否具备推理子系统与记忆子系统。

因此，本书采用如下工作定义（working definition）：

$$\text{Agent} = \langle P, R, A, M \rangle$$

其中：

• **P（Perception，感知）**：将环境原始信号（文本、图像、音频、API 返回值、日志流）转化为结构化表示的子系统。在 LLM 时代，感知通常表现为 Prompt 构造、Tool Schema 解析或多模态 Encoder。
• **R（Reasoning，推理）**：基于当前感知状态、记忆内容和可用工具，进行决策的子系统。其内部实现可以是符号推理引擎、概率图模型、强化学习策略或 LLM 自身的 Chain-of-Thought（CoT）。
• **A（Action，行动）**：将推理结果转化为对环境的实际作用的子系统。在软件 Agent 中，行动表现为函数调用、API 请求、SQL 执行、消息发送；在具身 Agent 中，则表现为机械臂动作或轮式底盘速度指令。
• **M（Memory，记忆）**：跨越时间步（time step）保留信息的子系统。可进一步细分为**短期记忆**（当前上下文窗口）、**长期记忆**（向量数据库或知识图谱）与**情节记忆**（episodic memory，记录"何时何地做过什么"）。

四元组的任一子系统缺失，都会导致 Agent 退化为较低级的范式。例如：

• 若 M 为空，则 Agent 退化为**反应式系统（Reactive System）**，无法从历史中学习。
• 若 R 仅由规则构成且无状态，则 Agent 退化为**专家系统**的规则引擎。
• 若 A 仅为文本生成且不作用于环境，则 Agent 退化为**对话系统（Chatbot）**或**纯 LLM 调用**。

这一定义的张力在于：形式上的四元组完整，不等于工程上的有效 Agent。一个具备 P/R/A/M 但其 R 推理质量极低、其 M 检索精度极差的系统，依然无法胜任真实任务。这就引出了 PEAS 框架。

1.2.2 PEAS 框架：性能、环境、执行器、传感器

PEAS（Performance, Environment, Actuators, Sensors）是 Russell 与 Norvig 提出的 Agent 设计描述框架，其作用如同软件工程中的"需求规格说明书"。一个完整的 PEAS 描述应当回答以下四个问题：

P — Performance Measure（性能度量）：如何衡量 Agent 的成功？这一度量必须是可计算的且与任务目标对齐的。例如，对于一个客服 Agent，性能度量可以是"用户问题首次解决率（First Contact Resolution, FCR）"；对于一个交易 Agent，可以是"夏普比率（Sharpe Ratio）"；对于一个 DevOps Agent，可以是"MTTR（Mean Time To Recovery）"。错误定义性能度量是 Agent 项目失败的最常见原因——一个性能度量偏离真实目标的 Agent，会以惊人的速度在错误方向上自我优化（Goodhart's Law）。

E — Environment（环境）：Agent 运行所处的世界。环境可按多个维度分类：

• **可观测性（Observability）**：完全可观测 / 部分可观测 / 不可观测。
• **确定性（Determinism）**：确定性 / 随机性 / 策略性对手。
• **动态性（Dynamics）**：静态 / 准动态 / 动态。
• **离散性（Discreteness）**：离散 / 连续。
• **智能体数量**：单智能体 / 多智能体。

LLM Agent 的典型环境是部分可观测、动态、离散（文本空间）、单/多智能体的混合空间，这与围棋环境（全可观测、确定性、静态、离散、双人博弈）有本质区别。

A — Actuators（执行器）：Agent 可用的输出通道。在 LLM Agent 中，执行器包括：文本生成通道、Tool Call 通道、Code Execution Sandbox、消息推送通道、文件系统写入通道等。执行器的设计直接决定了 Agent 的"行动半径（action radius）"——半径越大，潜在价值越高，但风险也越大。

S — Sensors（传感器）：Agent 可用的输入通道。Sensors 决定了 Agent 的"感知半径（perception radius）"。现代 LLM Agent 的 Sensors 已从纯文本扩展到多模态：图像（GPT-4V、Claude 3.5 Sonnet）、音频（Whisper）、视频帧、屏幕截图、结构化数据库查询、HTTP API 响应等。

PEAS 的真正价值在于其对齐校验能力：当 P（性能度量）、S（传感器）、A（执行器）三者之间出现不匹配时，Agent 必然失败。例如，若 P 是"股票收益最大化"而 S 只能看到历史价格（无实时新闻流），则 Agent 必然被信息劣势所限制；若 P 是"代码 Bug 修复率"而 A 仅有"在评论区留言"通道（无 PR 提交权限），则 Agent 必然无法闭合任务回路。

1.2.3 一个具体案例：研究助手 Agent 的 PEAS 描述

为将上述抽象框架落地，本节构造一个完整的 PEAS 案例。考虑一个面向学术研究者的"文献综述助手 Agent"：

```yaml P_performance:

• metric: "引用准确率（Citation Accuracy）"

definition: "生成综述中所引论文确实存在且主张与原文一致的比例" target: ">= 95%"

• metric: "覆盖度（Coverage）"

definition: "对查询主题的核心论文召回率" target: ">= 80%"

• metric: "用户接受率（Acceptance Rate）"

definition: "用户未做大幅修改直接采纳的比例" target: ">= 60%"

E_environment: observability: "部分可观测（仅可访问公开数据库与用户上传 PDF）" determinism: "随机性（数据库返回受网络与权限影响）" dynamics: "动态（新论文持续发布）" discreteness: "离散（文本与元数据）" agents: "单 Agent 运行，但环境中有其他用户与系统进程"

A_actuators:

• name: "search_arxiv"

description: "调用 arXiv API 检索论文"

• name: "read_pdf"

description: "解析 PDF 并提取结构化文本"

• name: "write_markdown"

description: "向用户工作区写入综述草稿"

• name: "ask_clarification"

description: "向用户发起澄清性问题"

S_sensors:

• name: "user_query"

description: "用户输入的研究问题与约束"

• name: "arxiv_search_response"

description: "arXiv API 返回的元数据"

• name: "pdf_content"

description: "PDF 解析后的章节文本"

• name: "user_feedback"

description: "用户对草稿的修改痕迹" ```

该 PEAS 描述的价值在于：第一，它明确了性能度量是可量化的（引用准确率、覆盖度、接受率三者互补，避免单一指标的盲区）；第二，它明确划定了环境的可观测边界（公开数据库 + 用户上传 PDF，不含付费墙后内容）；第三，它枚举了执行器与传感器的完整清单，这在工程上等价于"工具目录（tool catalog）"，可直接转化为 LLM 的 function calling schema；第四，所有四个 PEAS 维度之间形成闭环——用户反馈既是 Sensor 也是性能度量的输入源。

1.3 四十年技术演进：符号主义、连接主义、行为主义的交汇

1.3.1 三个流派的分立与对抗

智能体思想的演进可以追溯至人工智能学科诞生的第一天。1956 年达特茅斯会议（Dartmouth Conference）后不久，三条相互竞争的研究路径开始成形：

符号主义路线（Symbolic AI） 以 Newell 与 Simon 的"物理符号系统假说（Physical Symbol System Hypothesis）"为核心命题，认为智能的本质是符号操作。该路线在 1970-1990 年代催生了专家系统（DENDRAL、MYCIN、XCON）、规划系统（STRIPS、PDDL）、以及本章稍后将详细讨论的 BDI（Belief-Desire-Intention）架构。符号主义的优势在于可解释性强、形式化严谨；其致命缺陷是知识获取瓶颈（knowledge acquisition bottleneck）——专家系统的规则库难以扩展，且对噪声与不确定性极其脆弱。

连接主义路线（Connectionist AI） 以人工神经网络为载体，强调智能源于大量简单单元的并行交互。该路线在 1986 年 Rumelhart 等人重新发现反向传播算法后迎来第一波热潮，又在 1990 年代因计算能力不足而陷入低谷，最终在 2012 年 ImageNet 竞赛（Krizhevsky 等人的 AlexNet）后迎来深度学习的全面复兴，并在 2022 年后以 Transformer 与 LLM 的形式达到新的高度。连接主义的优势在于模式识别能力强、对噪声鲁棒；其缺陷是黑箱性、推理链不可追溯。

行为主义路线（Behaviorist AI / Embodied AI） 以 Brooks 的"包容架构（Subsumption Architecture）"为代表，强调智能源于环境与身体的实时交互，无需内部表征。该路线催生了强化学习（Reinforcement Learning, RL），从 2013 年 DeepMind 的 Deep Q-Network（DQN）玩 Atari 游戏，到 2016 年 AlphaGo 击败李世石，再到 2019 年 AlphaStar 在星际争霸 II 达到 Grandmaster 水平，行为主义路线在"与环境交互学习"这一维度上取得了压倒性优势。其缺陷是样本效率极低、对奖励函数设计极其敏感。

这三条路线在长达四十年的时间里几乎各自为政，互相视对方为异端。但 LLM Agent 的兴起，正在迫使它们走向融合——这一点将在 1.4 节详细讨论。

1.3.2 关键里程碑：从图灵机到 LLM Agent

为帮助读者建立历史坐标，本节按时间顺序梳理智能体思想的关键里程碑。下表列举了从 1936 年至 2024 年的代表性事件，每一项都对后续范式产生了深远影响：

| 年份 | 里程碑 | 范式贡献 | 关键人物/机构 | |------|--------|----------|--------------| | 1936 | 图灵机形式化 | 可计算性理论 | Alan Turing | | 1956 | 达特茅斯会议 | AI 学科诞生 | McCarthy, Minsky, Rochester, Shannon | | 1958 | LISP 语言 | 符号处理基础设施 | John McCarthy | | 1966 | ELIZA | 早期对话系统 | Joseph Weizenbaum | | 1969 | STRIPS 规划器 | 经典规划形式化 | Richard Fikes, Nils Nilsson | | 1972 | 产生式系统（Production System） | 规则引擎范式 | Allen Newell | | 1979 | MYCIN 专家系统 | 不确定性推理 | Shortliffe | | 1986 | 反向传播算法复兴 | 连接主义第一波 | Rumelhart, Hinton, Williams | | 1987 | BDI 架构提出 | 意图级 Agent 建模 | Rao, Georgeff | | 1991 | 包容架构 | 行为主义崛起 | Rodney Brooks | | 1995 | Wooldridge 多 Agent 形式化 | Agent 理论体系化 | Wooldridge, Jennings | | 1997 | Deep Blue 击败卡斯帕罗夫 | 符号搜索巅峰 | IBM | | 2005 | Inductive Logic Programming 复兴 | 符号-统计融合早期 | Muggleton | | 2012 | AlexNet 夺冠 ImageNet | 深度学习时代开启 | Krizhevsky, Hinton | | 2013 | DQN 玩 Atari | 深度强化学习开端 | DeepMind (Mnih et al.) | | 2014 | Seq2Seq 模型 | 神经机器翻译 | Sutskever, Vinyals, Le | | 2015 | AlphaGo 击败樊麾 | 强化学习+深度学习 | DeepMind (Silver et al.) | | 2017 | Transformer 架构提出 | 现代 LLM 基础 | Vaswani et al. (Google) | | 2018 | BERT / GPT-1 诞生 | 预训练范式确立 | Google / OpenAI | | 2020 | GPT-3 展示 In-context Learning | 少样本泛化能力 | OpenAI (Brown et al.) | | 2021 | Codex / Copilot | 代码 LLM Agent 雏形 | OpenAI / GitHub | | 2022 | ChatGPT 引发公众热潮 | 对话式 LLM 普及 | OpenAI | | 2022 | ReAct 框架提出 | LLM Agent 推理+行动范式 | Yao et al. (Princeton) | | 2022 | AutoGPT 开源 | 自主任务循环范式 | Significant Gravitas | | 2023 | GPT-4 / Tool Use | 通用 Agent 推理引擎 | OpenAI / Anthropic | | 2024 | Reflexion / AutoGen / CrewAI | 反思机制与多 Agent 编排 | 多机构并行 |

这张时间表揭示了一个重要规律：智能体范式的真正突破，往往发生在两条或多条路线交汇的节点。ReAct（Reasoning + Acting）正是符号推理与连接主义 LLM 的交汇；AlphaGo 既是连接主义（深度网络评估局面）又是行为主义（自我对弈学习）；Tool Use 既是符号主义（结构化函数调用）又是连接主义（LLM 决策何时调用）。理解"融合"这一关键词，是把握未来 Agent 演进方向的核心。

1.3