第一章 智能体的本质：从语言模型到自主行动者 / Chapter 1: The Nature of Agents — From LLMs to Autonomous Actors

第一章 智能体的本质：从语言模型到自主行动者

Chapter 1: The Nature of Agents — From LLMs to Autonomous Actors

如果把 ChatGPT 称为"智能体"，那么一个接入搜索 API 的脚本是否也算？AutoGPT 与客服机器人的边界究竟在哪里？RPA 工程师能否通过一句 prompt 把流程改写成"智能体"？这些问题在 2023 年以来被反复争论，却始终缺少一个工程上可操作的判定框架。本章的目的，就是为后续 14 章的架构讨论打下这个判定框架。我们将沿着历史脉络回到智能体的形式化定义，再用一张差异矩阵把常见概念分开，最后落到一个 50 行代码的最小可运行智能体，让你能够亲手"摸到"智能体的最小边界。

The central question of this chapter: *In the LLM era, what is the precise definition of an AI agent, and how does it fundamentally differ from traditional software, chatbots, and RPA scripts? What formal conditions must a system satisfy to be called an "agent" rather than merely a "program"?*

---

1.1 智能体的四阶段历史演进 / The Four Paradigms of Agent History

智能体（Agent）并非 2023 年才出现的新事物。它经历了四个范式跃迁，每一次跃迁都对应着"自主性来源"的根本改变。理解这条线索，才能理解为什么 LLM 智能体被视为新一代范式，而不仅仅是更好的聊天机器人。

1.1.1 符号主义时代（1956–1989）：逻辑即智能

1956 年达特茅斯会议之后，AI 的主流假设是 Newell 与 Simon 提出的"物理符号系统假说"（Physical Symbol System Hypothesis）：任何能够进行通用智能的信息处理系统，其核心都是对离散符号的操控。这一时期最具代表性的智能体原型是 SRI 的 Shakey 机器人（1969），它把摄像头采集的画面转化为符号表示，再用 STRIPS 规划器推导行动序列，最终通过轮子执行。Shakey 因此被普遍视为"第一个完整的感知-推理-行动智能体"。

同时期的自然语言代表是 Winograd 的 SHRDLU（1970），它在一个积木世界中实现了近乎神奇的语言理解——用户可以用英语指令移动积木，系统能跟踪上下文、解析指代、规划动作。但 SHRDLU 的智能完全依赖人工编写的语义规则，一旦走出积木世界便立刻失效。这一致命缺陷揭示了符号主义范式的根本问题：知识获取瓶颈（knowledge acquisition bottleneck）——人类专家无法把世界知识全部写成规则。

> 判断：符号主义智能体的"自主性"完全来自设计者。它在结构化环境中表现优异，但缺乏跨场景迁移能力，更像是被精心编排的逻辑引擎，而非真正的行动者。

1.1.2 专家系统时代（1970s–1990s）：知识的工业化

为了绕开知识获取瓶颈，研究者转向与领域专家协作，把专家经验编码为"IF-THEN"规则。这催生了第二次范式跃迁：专家系统。代表系统包括医学诊断的 MYCIN（1976）、配置 VAX 电脑的 XCON（1980）和化学分析的 DENDRAL。这些系统在垂直领域达到了专家水平，并首次让 AI 进入商业生产环境。

专家系统的核心贡献是引入了"知识库—推理机"分离架构：知识库可独立维护，推理机负责正向/反向链式推理。这种架构在今天仍有深远影响——RAG（Retrieval-Augmented Generation）系统可以被视为专家系统的现代回声：把"知识"从规则文件迁移到向量数据库，把"推理机"从 Prolog 引擎迁移到 LLM。

但专家系统的衰落同样具有启发性。维护成本随规则数量指数上升，系统脆弱、缺乏常识、无法处理规则未覆盖的输入，最终在 1980 年代末引发 AI 寒冬。

> 判断：专家系统的自主性受限于"规则覆盖率"。它们没有学习能力，不能从经验中改进，本质上是"被冻结的知识"。

1.1.3 强化学习时代（1990s–2022）：从交互中学习

第三次范式跃迁是 强化学习（Reinforcement Learning, RL）。智能体不再依赖显式知识，而是通过与环境交互、依据奖励信号调整策略。Sutton 与 Barto 在 1998 年的经典教材中给出了这一范式的完整数学框架。1992 年 Tesauro 的 TD-Gammon 在双陆棋上达到世界级水平，2016 年 DeepMind 的 AlphaGo 击败李世石，标志着 RL 智能体在封闭环境中的成熟。

RL 智能体的"自主性来源"是奖励函数和值函数逼近。它在游戏、机器人控制、推荐系统等领域取得突破，但也暴露三个根本限制：

1. 奖励工程困难（reward shaping problem）——错误的目标函数会导致智能体"钻空子"。 2. 样本效率低——AlphaZero 需要数百万局自我对弈才能超越人类。 3. 泛化能力弱——训练于围棋的智能体无法直接迁移到象棋。

> 判断：RL 智能体拥有真正的"学习自主性"，但其自主性被严格限制在能够定义奖励函数的环境中。它不适用于开放式、缺乏明确反馈的任务，而开放式任务恰恰是人类工作的主战场。

1.1.4 LLM 驱动的智能体（2022–）：预训练的常识引擎

2022 年底 ChatGPT 发布，2023 年 3 月 AutoGPT、4 月 BabyAGI 出现，LLM Agent 迅速成为产业焦点。这一次跃迁的本质是：LLM 提供了 RL 与符号主义都未能提供的"通用推理基质"（general-purpose reasoning substrate）。

LLM 在预训练阶段已经隐式建模了世界知识、常识推理、工具使用模式。当我们把它放入"感知-推理-行动"循环时，它能：

• 理解从未见过的自然语言任务描述；
• 把高层目标分解为子目标；
• 选择并调用合适的工具；
• 从失败中反思并重试；
• 在长程任务中维持上下文一致性。

ReAct 框架（Yao et al., 2022）、Reflexion（Shinn et al., 2023）、Toolformer（Schick et al., 2023）等论文为这一范式奠定了理论基础。到 2024 年，单智能体的工具使用、规划、记忆三大能力已经被系统化工程化，2025 年起多智能体协作（Multi-Agent Collaboration）开始走向生产。

> 判断：LLM 智能体的自主性来自预训练中蕴含的"隐式世界模型"与推理时涌现的目标分解能力。这是前三次范式都不具备的新维度——它首次让通用智能体在开放环境中成为可能。

```mermaid flowchart LR P1[Symbolism\n1956-1989] -->|knowledge bottleneck| P2[Expert Systems\n1970s-1990s] P2 -->|AI winter| P3[RL Agents\n1990s-2022] P3 -->|reward limits| P4[LLM Agents\n2022+] P4 -->|open challenges| P5[Multi-Agent\n2024+] ```

Figure 1.1 Four paradigms of agent research. Each transition was driven by a fundamental limitation of the prior paradigm.

| Paradigm | 自主性来源 Source of Autonomy | 关键限制 Key Limit | 代表系统 Representative System | |---|---|---|---| | Symbolism | 人工编码的逻辑规则 | Knowledge acquisition bottleneck | Shakey, SHRDLU | | Expert Systems | 专家规则库 | Brittleness, maintenance cost | MYCIN, XCON | | RL Agents | 奖励函数驱动的策略学习 | Sample efficiency, reward shaping | AlphaGo, TD-Gammon | | LLM Agents | 预训练的隐式世界模型 | Hallucination, context limits | AutoGPT, ReAct, Devin |

---

1.2 智能体的形式化定义 / Formal Definition of an Agent

历史叙事解释了智能体的"从哪里来"，但工程实践需要的是"是什么"。本节给出三个层层递进的形式化定义，并最终统一到"感知-推理-行动循环"（Perception-Reasoning-Action Loop, PRA Loop）。

1.2.1 Russell & Norvig 的经典定义

Stuart Russell 与 Peter Norvig 在《Artificial Intelligence: A Modern Approach》（AIMA, 1995; 4th ed. 2020）中给出被引用最广的定义：

> *An agent is anything that can be viewed as perceiving its environment through sensors and acting upon that environment through actuators.*

智能体通过传感器感知环境，通过执行器作用于环境。其行为由智能体函数 $f: \mathcal{P}^* \rightarrow \mathcal{A}$ 描述，$\mathcal{P}^*$ 是历史感知序列，$\mathcal{A}$ 是动作集合。智能体程序则是该函数的具体实现。

这一抽象的力量在于它对实现技术中立——智能体函数既可以是一张查找表（简单反射），也可以是神经网络（深度 RL），也可以是 LLM 推理循环。在 LLM 时代，"智能体函数"由 LLM 在每一步隐式计算，"智能体程序"则是编排 LLM 调用的代码框架。

1.2.2 PEAS 框架：从抽象到具体

要把 Russell & Norvig 的抽象定义落到工程上，需要PEAS 描述：Performance（性能度量）、Environment（环境）、Actuators（执行器）、Sensors（传感器）。

以一个"代码审查智能体"为例：

| PEAS 维度 | 设定 | |---|---| | Performance | 审查准确率、误报率、响应延迟、token 成本 | | Environment | Git 仓库、CI 系统、issue tracker、Slack 频道 | | Actuators | `git diff` 调用、评论发布 API、PR 创建、CI 触发 | | Sensors | PR webhook、commit message、CI 日志、review 评论 |

PEAS 的价值在于显式化设计选择。它强迫架构师在动手前回答四个根本问题：这个智能体的成功如何衡量？它面对什么环境？它能调动什么工具？它从哪些信号获取信息？没有 PEAS 描述的智能体项目，几乎都会在工程化阶段遇到"目标模糊"或"环境假设错误"导致的返工。

1.2.3 Wooldridge 的强弱智能体与多智能体视角

Michael Wooldridge 在 *An Introduction to MultiAgent Systems*（2002）中进一步区分了弱定义（weak notion）与强定义（strong notion）：

• **弱定义**：一个具备自主性、社会性、反应性、主动性的系统即可称为智能体。
• **强定义**：智能体还需要具备心智状态（mental attitudes），如信念（Beliefs）、愿望（Desires）、意图（Intentions）。

弱定义覆盖范围广，几乎任何具备 API 调用的脚本都可声称是智能体；强定义要求更严格，但也更难验证。在 LLM 时代，主流实践采用的是弱定义，因为"信念-愿望-意图"在 LLM 中既不可观察也难以外化检验。但 Wooldridge 的多智能体视角（MAS）对今天的 Multi-Agent 框架（如 CrewAI、AutoGen）依然有指导意义：他强调社会性（sociability）——智能体之间需要通信协议、协调机制、冲突解决策略。

1.2.4 BDI 架构：心智状态的工程化

Rao 与 Georgeff（1991, 1995）把 Wooldridge 的强定义落地为可计算的 BDI 架构：

• **Beliefs**：智能体对世界的认知。在 LLM 智能体中，B 通常通过 prompt + 检索增强（外部知识）+ 上下文窗口维护。
• **Desires**：智能体可能追求的状态集合。在 LLM 智能体中，D 通常来自用户的高层目标，可被 LLM 自动分解为子目标。
• **Intentions**：智能体承诺执行的当前计划。在 LLM 智能体中，I 体现为 chain-of-thought、ReAct 轨迹或显式的 plan 列表。

BDI 的关键洞见是意图的承诺性——一旦形成意图，智能体不会轻易放弃，从而避免反复横跳。在今天的 LLM Agent 设计中，我们可以看到 BDI 的影子：Planner 模块产生"意图"，Executor 维护"意图栈"，直到子目标完成才弹出。

1.2.5 感知-推理-行动循环（PRA Loop）

将上述抽象统一到一张可工程化的图，就是 PRA 循环：

```mermaid flowchart LR Env[Environment] -->|percepts| Per[Perception] Per --> Rea[Reasoning] Rea --> Act[Action] Act -->|actuators| Env Mem[(Memory)] -.-> Rea Goa[Goals / Intentions] --> Rea Rea -. update .-> Mem ```

Figure 1.2 The Perception–Reasoning–Action (PRA) loop, the canonical structure of an LLM-driven agent. Memory and goals persistently influence each reasoning step; the loop closes through the environment's response.

这个循环的精确含义如下：

1. 感知（Perception）：智能体通过传感器（文本、API 返回、文件内容、多模态输入）接收关于环境的观察 $o_t$。LLM Agent 的"感知"通常由提示工程将多源信号格式化为可被 LLM 消费的 token 序列。

2. 推理（Reasoning）：基于当前观察 $o_t$、记忆 $\mathcal{M}_{t-1}$、目标 $\mathcal{G}$，LLM 计算下一步动作 $a_t = \pi_\theta(o_t, \mathcal{M}_{t-1}, \mathcal{G})$。$\pi_\theta$ 是 LLM 本身。推理可以是一次直接输出，也可以是 chain-of-thought、ReAct、Tree-of-Thought 等结构化推理。

3. 行动（Action）：执行器把 $a_t$ 转化为对环境的实际影响。LLM Agent 的行动可以是文本回复、函数调用、代码执行、API 请求。

4. 反馈（Feedback）：环境状态从 $s_t$ 转移到 $s_{t+1}$，智能体在新状态下继续感知。

5. 记忆更新：感知与推理的中间结果被写入 $\mathcal{M}_t$。记忆可以是 LLM 的上下文窗口，也可以是外部向量库、结构化数据库或文件系统。

PRA 循环的形式化意义在于：任何符合 PRA 循环的系统，无论实现技术如何，都可以被称为智能体。这个定义兼容了 Russell & Norvig 的智能体函数、Wooldridge 的多智能体视角、BDI 架构的强定义。

---

1.3 本质差异矩阵：LLM Agent vs Chatbot vs RPA vs 传统软件 / The Essential Difference Matrix

工程师最常问的问题不是"什么是智能体"，而是"我手头的这个东西算不算智能体"。本节用七个判定维度，给出一张可操作的差异矩阵。

1.3.1 七个判定维度

D1. 目标持续性（Goal Persistence）：系统是否维护一个跨越多轮交互的目标？客服 Chatbot 通常只回答单轮问题；RPA 脚本完成一次任务后即终止；LLM Agent 在 AutoGPT 模式下可能持续迭代数十轮。

D2. 工具调用能力（Tool Use）：系统是否能动态选择并调用外部工具？Chatbot 多数无工具；RPA 通过 UI 自动化间接"调用"；LLM Agent 通过函数调用（Function Calling）或 MCP（Model Context Protocol）直接调用。

D3. 规划能力（Planning）：系统是否能将高层目标分解为子目标序列？这是 LLM Agent 与 Chatbot 最关键的分水岭——Chatbot 只做"输入→输出"映射，Agent 做"目标→计划→执行"。

D4. 反思与重试（Reflection & Retry）：系统在动作失败后是否能诊断原因并重试？RPA 在脚本失败时直