智能体范式总论 / The Agent Paradigm: Definitions, Taxonomy, and Historical Evolution

第 1 章 智能体范式总论 / The Agent Paradigm: Definitions, Taxonomy, and Historical Evolution

在 LLM 时代，"智能体（Agent）"一词的语义边界在产业界与学术界之间已经显著模糊。从面向消费者的对话问答，到企业内部的自动化工作流，从嵌入式 Copilot 到能够自主拆解与执行任务的系统，几乎所有强调"AI 驱动"的产品都被冠以"Agent"之名。然而，对于构建后续章节所需的工程基线而言，缺少形式化定义将使我们对架构选择、评估指标与失败模式的讨论失去共同语言。本章的核心任务是：在 LLM 已经重新定义智能体能力上限的当下，重新校准智能体的形式化定义，澄清它与传统软件、检索增强生成（Retrieval-Augmented Generation, RAG）系统、Copilot 助手的本质边界，并通过四代范式的历史回溯，建立一个面向工程实践的智能体分类法（taxonomy）。本章末尾，我们将以一个最小可运行的智能体伪代码作为全书工程锚点（engineering anchor）。

1.1 智能体的形式化定义：感知—决策—行动三元组与世界模型

智能体（agent）的概念在人工智能（Artificial Intelligence, AI）领域并非始终清晰。早期的研究者在"agent"与"intelligent system"之间不作严格区分，直到 Marvin Minsky 与 John McCarthy 分别从认知科学和逻辑学的角度奠定基础概念后，才逐步形成独立的研究范式。在形式化层面，智能体可以被建模为一个与环境持续交互的计算实体。

Russell 与 Norvig 在《Artificial Intelligence: A Modern Approach》第三版中将智能体定义为"任何能够通过传感器（sensors）感知其所处环境，并通过执行器（actuators）作用于该环境的实体"。这一经典定义强调了感知与行动的双向耦合，但并未直接回答"何为智能"。更严谨的形式化框架由 Wooldridge 与 Jennings 在多智能体系统（Multi-Agent Systems, MAS）研究中提出，他们将智能体定义为封装了状态（state）、决策逻辑（decision logic）以及与其他智能体或环境交互接口的软件或硬件实体。其形式化表达如下：

$$ \text{Agent} : S \times A^* \rightarrow A $$

$$ \text{Environment} : S \times A \rightarrow S \times R $$

其中，$S$ 表示环境状态空间，$A$ 表示行为空间，$R$ 表示反馈信号。在每一个时间步 $t$，智能体根据当前状态 $s_t \in S$ 与历史行为序列 $A^*$ 选择一个行为 $a_t \in A$，环境则根据状态—行为对 $(s_t, a_t)$ 转移到新状态 $s_{t+1}$ 并产生反馈 $r_t \in R$。这一闭环即所谓感知—决策—行动三元组（Sense-Decide-Act triad, SDA），构成所有智能体范式的最底层抽象。

然而，仅有 SDA 三元组尚不足以刻画 LLM 时代智能体的核心能力。在现代架构中，智能体必须维护一个世界模型（world model）——即关于环境状态、自身状态以及二者之间因果关系的内部表征。世界模型并非简单的事实存储，而是支持反事实推理（counterfactual reasoning）的概率或符号结构。Sutton 与 Silver 在 2024 年提出的"经验时代"假说中进一步指出，智能体区别于其他信息系统的本质在于它能够利用世界模型进行规划（planning），并通过与环境的交互不断修正模型本身。

从工程视角看，LLM 智能体的世界模型通常由三部分组成：（1）参数化记忆（parametric memory），即模型权重中编码的事实与能力；（2）工作记忆（working memory），即当前任务的上下文窗口；（3）外部记忆（external memory），即通过工具调用（tool use）所访问的检索系统、向量数据库或文件系统。三者的协同——而非其中任何单一组件——构成了智能体对世界的"理解"。这一多层记忆结构也是区分智能体与单一 LLM 推理的根本边界，这一点我们将在 1.5 节进一步形式化。

1.2 智能体的核心属性：自主性、反应性、前摄性、社会能力

Wooldridge 在其综述中归纳了智能体区别于一般软件系统的四个核心属性，这一属性集已经成为 MAS 领域的事实标准。下面对每一属性进行精确的形式化界定与工程判定。

自主性（Autonomy） 是指智能体在无人直接干预的情况下运行，并对自身行为与内部状态拥有某种程度的控制。形式上，自主性可以表达为决策函数 $\pi$ 对外部指令的依赖度之补：

$$ \text{Autonomy} = 1 - \frac{\partial \pi}{\partial \text{external command}} $$

工程上，自主性的判定标准包括三层：（1）智能体能否在没有用户逐步输入的情况下完成既定目标；（2）智能体在执行过程中遇到歧义时能否独立作出选择；（3）智能体是否拥有独立的停止条件（stopping criterion）。满足 (1) 是必要条件，满足全部三层则进入"强自主性"区间。

反应性（Reactivity） 描述智能体感知环境并及时响应的能力。反应性区别于"快速响应"的工程含义在于：智能体必须能够将感知事件映射到目标保持行为（goal-preserving behavior），而非简单的 I/O 处理。在 LLM 智能体中，反应性通过 tool-use 接口、观察（observation）解析与异常分支处理实现。反应性的缺失典型表现为智能体在工具调用失败后无限重试而无法恢复——这是 1.6 节失败模式清单中"工具死循环"的根源。

前摄性（Proactivity） 是智能体主动发起行为以达成目标的能力，区别于仅对刺激作出反应。形式上，前摄性意味着智能体拥有内部目标生成机制（goal generation mechanism），能够在没有外部触发的情况下启动行动。LLM 智能体的前摄性来源于模型在 Chain-of-Thought（CoT）或 ReAct 风格的规划步骤中所显式产生的子目标（subgoal）。值得注意的是，前摄性与自主性并不等价：一个自主但反应迟钝的智能体可能在前摄性上同样不足。

社会能力（Social Ability） 指智能体通过某种通信语言（agent communication language, ACL）与其他智能体或人类进行交互的能力。在 LLM 时代，这一属性通常以结构化消息（如 JSON Message、Function Call Schema）或多智能体对话的形式实现。FIPA-ACL 与 KQML 是早期符号智能体的代表性协议；现代 LLM 智能体则普遍使用 JSON Schema 或 OpenAPI 风格的工具描述作为通信契约。

四个属性并非二值标记，而是连续变量。一套典型的自动化脚本（script）可能具备较高的反应性（触发即执行）但几乎没有自主性与前摄性；一个对话式 Copilot 则可能具备较高的社会能力但缺乏持续自主性。我们将这一四维属性向量称为智能体的能力坐标（agent capability coordinate），它在后文的边界澄清中将再次发挥作用。

1.3 历史演进谱系：符号→反应→强化学习→LLM 驱动

智能体的研究并非线性进步，而是四种范式在四十余年间的反复叠加与回响。理解这一谱系的意义不在于怀旧，而在于认识到 LLM 智能体并非凭空出现——它的方法论、评估指标乃至失败模式，都沉淀自前几代范式的经验与教训。

第一代：符号智能体（Symbolic Agents, 1956—1990）。以 Newell 与 Simon 的 Logic Theorist（1956）、General Problem Solver（1959）、Winograd 的 SHRDLU（1968）以及斯坦福研究院的 Shakey 机器人为代表。这一代智能体的核心假设是物理符号系统假设（Physical Symbol System Hypothesis, PSSH），即智能可以通过对符号结构的操作来实现。规划是其主要推理机制，最具代表性的工程成果是 STRIPS（Stanford Research Institute Problem Solver）规划器，它将世界建模为原子事实集合，并通过动作前提与效果的字符串操作推导规划。然而，符号范式的脆弱性很快在框架问题（frame problem）和组合爆炸（combinatorial explosion）上暴露出来：当环境不能被完全枚举时，符号推理的可计算性迅速崩塌。Shakey 项目的内部报告（1972）已经指出，"维护真实环境的世界模型所需的手工编码工作随任务规模超线性增长"——这一论断在四十年后仍然成立。

第二代：反应式智能体（Reactive Agents, 1985—2000）。Rodney Brooks 在其 1986 年发表的《Elephants Don't Play Chess》中提出包容架构（Subsumption Architecture），从根本上挑战了符号范式，主张智能源于"感知—行动"的直接耦合，无需显式世界模型。这一代智能体放弃了全局规划，强调多行为层（behavior layers）的并行仲裁。代表性应用包括 MIT AI Lab 的 Herbert 机器人与 Allen 的 Roomba 系列。其优势是鲁棒性与实时性，代价是无法完成需要长时间跨度的目标导向任务。Brooks 的工作同时也催化了行为机器人学（behavior-based robotics）这一独立子领域。

第三代：强化学习智能体（RL Agents, 1990—2020）。在 Sutton 与 Barto 奠定的理论基础之上，强化学习将智能体—环境交互建模为马尔可夫决策过程（Markov Decision Process, MDP），并通过价值函数（value function）或策略梯度（policy gradient）求解最优策略。DQN（2015）通过经验回放（experience replay）解决了训练稳定性问题，AlphaGo（2016）与 AlphaGo Zero（2017）将这一范式推至工程顶点：AlphaGo Zero 完全通过自我对弈（self-play）学习，无须任何人类棋谱数据便达到超越人类水平。这一代范式确立了"通过试错学习最优行为"的核心思想，但其局限在于对样本效率、奖励工程（reward engineering）和状态空间表示的强依赖——稀疏奖励下的探索困难至今仍是 RL 智能体部署的主要障碍。

第四代：LLM 驱动智能体（LLM-driven Agents, 2022—）。以 ReAct（2022）、AutoGPT（2023）、BabyAGI（2023）与 AgentBench（2023）为代表。第四代并非前三代中任何一代的直接延续，而是一种范式整合（paradigm integration）：它将符号范式的可解释性、反应范式的工具调用、强化学习的反馈学习与 LLM 的零样本泛化能力融合在统一的架构中。LLM 智能体的本质特征是利用预训练语言模型作为"通用推理引擎"，并通过提示工程（prompt engineering）、记忆机制与工具使用来扩展其行为空间。

```mermaid flowchart LR A["Symbolic Era<br/>1956-1990<br/>STRIPS, Shakey"] B["Reactive Era<br/>1985-2000<br/>Subsumption, Brooks"] C["RL Era<br/>1990-2020<br/>DQN, AlphaGo"] D["LLM Era<br/>2022-Present<br/>ReAct, AutoGPT"]

A --> B B --> C C --> D ```

每一次范式跃迁都伴随着认知能力的根本性跃迁：从封闭世界假设（closed-world assumption）的穷尽枚举，到开放世界（open-world）的概率推理；从单一行为层的反应，到多步规划；从人工设计的特征工程，到端到端的表征学习；从离散奖励驱动的策略学习，到自然语言作为通用接口的工具调用。LLM 时代的智能体站在四十年争论的肩膀之上，其方法论的真正新颖之处，是将语言作为通用接口（lingua franca），使智能体得以在无须重新训练的情况下调用工具、阅读文档、与人类对话——这是前三代范式都未曾具备的元能力。但与此同时，LLM 智能体也继承了符号范式的可解释性需求与反应范式的鲁棒性挑战，这两者的解决方案将分别在第 6 章与第 9 章展开。

1.4 现代智能体分类法：单智能体与多智能体、反应式与审慎式

随着 LLM 智能体在工业实践中的快速部署，一套针对现代系统的分类法正在浮现。我们在此提出一个三维分类框架，用于在工程语境下快速定位任何具体系统。该框架不追求完备性，而是追求与第 5、6、9 章具体讨论的耦合度。

第一维度：智能体数量——单智能体（single-agent）系统与多智能体系统（multi-agent system, MAS）。单智能体系统在每一时间步由单一决策实体主导，典型代表是 ReAct 风格的 LLM Agent；多智能体系统则由多个具备独立状态与决策函数的智能体组成，典型如 AutoGen（Microsoft, 2023）、CrewAI（2023）与 MetaGPT（2023）等框架。在多智能体系统中，通信协议（communication protocol）、角色分工（role specialization）与冲突解决机制（conflict resolution）成为核心架构问题。需要警惕的是，多智能体并非总是优于单智能体——在任务可单点收敛时，多智能体引入的协调开销反而会降低性能。

第二维度：任务覆盖——任务专用智能体（task-specific agent）与通用智能体（general-purpose agent）。任务专用智能体针对特定领域进行微调或提示工程，如编码助手（Coding Copilot, GitHub Copilot）、数据分析 Agent（Code Interpreter, ChatGPT Advanced Analytics）；通用智能体则尝试覆盖广泛的任务类别，通常依赖于基础模型（foundation model）的零样本泛化能力。两者在评估指标上存在显著差异：前者可以使用任务特定的基准（如 HumanEval、SWE-bench、WebArena），后者则需要更广泛的跨域评估（如 AgentBench、MINT、GAIA）。

第三维度：推理时序——反应式智能体（reactive agent）与审慎式智能体（deliberative agent）。反应式智能体在每一时间步仅基于当前观察做决策，无内部状态累积或长程规划；审慎式智能体则维护内部状态、构建规划树或思维链（chain-of-thought, CoT），并通过反思（reflection）修正早期决策。现代 LLM Agent 大多采用"反应式外壳 + 审慎式内核"的混合架构：外层循环（outer loop）对每一次环境变化作出响应，内层循环（inner loop）则在响应之前完成规划与反思。AutoGPT 是这一混合架构的典型代表——其外层循环是任务列表的线性推进，内层循环则是每个任务内部的 ReAct 推理。

这三个维度并非互斥，而是共同构成智能体系统的一个定位空间。我们可以用三元组 $\langle N, T, R \rangle$ 来标注任何具体系统：

• $\langle \text{single}, \text{general-purpose}, \text{deliberative} \rangle$：AutoGPT、BabyAGI；
• $\langle \text{multi}, \text{general-purpose}, \text{deliberative} \rangle$：AutoGen、CrewAI、MetaGPT；
• $\langle \text{single}, \text{task-specific}, \text{reactive} \rangle$：DeepResearch 检索代理、Claude Computer Use；
• $\langle \text{multi}, \text{task-specific}, \text{deliberative} \rangle$：多角色代码审查流水线。

这一三元组框架在本书后续章节讨论编排（orchestration）、评估（evaluation）与失败模式（failure modes）时将被反复引用。具体而言，第 5 章在多智能体编排（multi-agent orchestration）上将三维度的第三列展开为"协调拓扑（coordination topology）"，第 9 章在失败模式分析上则将第一维度展开为"级联失败（cascading failure）"。

1.5 智能体边界的精确澄清：智能体 vs 软件 vs RAG vs Copilot

在工程实践中，"智能体"标签被滥用的情况极为普遍。本节给出三组精确判据，用以区分四个常被混淆的概念。

判据一：智能体 vs 传统软件。传统软件（traditional software）的本质是可执行规范（executable specification）：给定输入，输出由代码逻辑唯一确定。即便现代软件工程引入了大量异步、分布式与概率组件，其决策边界仍然由开发者预定义。智能体则具备超出预定义规则的决策能力——它在某一情境下可以采取开发者没有显式编码的行为。判定标准：是否存在由环境驱动而非由代码预定义的决策分支？在 LLM 智能体中，这表现为是否存在 Prompt/Response 回路而非确定性函数调用。一个反例是传统规则引擎（Drools, CLIPS）——它虽然具备"决策"概念，但其决策边界完全由开发者的业务规则定义，因此仍属于传统软件范畴。

判据二：智能体 vs RAG 系统。RAG 通过检索增强 LLM 的事实性（factuality），但其检索行为通常是单次或有限次迭代，且决策空间局限于"检索—生成"两步。智能体则将检索视为多个可用工具之一，并在多步决策中决定是否调用、何时调用、如何组合调用。