Agent 101：从聊天机器人到自主智能体 / Agent 101: From Chatbots to Autonomous Agents
一、范式演进：六十年的钟摆，从 ELIZA 到 Claude Computer Use
如果要理解"Agent 究竟是什么"，最简洁的方式不是给它下一个抽象定义，而是沿着时间线把"会说话的程序"摆一排：1966 年的 ELIZA、2011 年的 Siri、2023 年的 AutoGPT、2024 年的 Claude Computer Use。这四件东西看起来都"能对话"，但它们在底层范式上的差异，比 iPhone 14 和诺基亚 3310 之间的差异还要大。把它们排成一条线，我们才看得清 Agent 这条主线到底从哪儿分叉出来。
1.1 符号主义时代：会说话的规则引擎
1966 年，MIT 的 Joseph Weizenbaum 写出了 ELIZA。它通过极简的模式匹配（pattern matching）和替换规则，模拟一位罗杰斯学派心理治疗师。你说"I am sad"，它回"Why do you say you are sad?"；你说"My mother hates me"，它回"Who else in your family hates you?"。ELIZA 没有任何世界知识，没有任何推理能力，没有任何记忆。它唯一做的事情，是把输入句子里的人称代词做几次替换，然后套用一个模板。这是反应式范式（Reactive Paradigm）的原型——输入 → 规则 → 输出，没有循环，没有状态，没有目标。
注意 ELIZA 的局限：它甚至不知道自己在和谁说话，也不知道自己刚才说过什么。每一次回复都是一次"无状态函数调用"。但讽刺的是，正是这种"无意义但拟人"的对话模式，让最早的图灵测试拥趸们兴奋不已——这也提醒我们，对"智能"的判断从来都不是纯技术问题。
时间跳到 1970–1990 年代，AI 主流进入符号主义 GOFAI（Good Old-Fashioned AI）的鼎盛期，研究者们打造了一批审慎式智能体（Deliberative Agent）：STRIPS 规划器、SOAR 认知架构、BDI（Belief-Desire-Intention）模型。这些系统的共同点是：内部维护一个显式的世界模型（world model），通过逻辑推理或搜索算法生成动作序列。它们是"深思熟虑型"的智能体——先想清楚再动手，能下国际象棋、能规划机器人路径、能证明数学定理。但它们的问题同样致命：知识获取瓶颈（knowledge acquisition bottleneck）。人类专家要把所有规则手写出来，而真实世界的规则数量是无限的。
1.2 连接主义的退潮与 LLM 的拐点
1990 年代后期到 2010 年代，统计学习与深度学习兴起，智能体研究反而沉寂了。原因很简单：神经网络是黑盒，没法显式表示信念和意图；强化学习虽然能训练游戏智能体（Atari、AlphaGo），但样本效率和泛化能力都很差。这段时间的"智能体"主要活在游戏 AI 和机器人控制里，对话系统则变成了另一条独立的技术线——Siri、Alexa、Google Assistant。
Siri 是 2011 年随 iPhone 4S 发布的语音助手。它的架构是典型的混合范式（Hybrid Paradigm）：底层是语音识别（ASR）+ 自然语言理解（NLU），中间是意图分类与槽位填充（slot filling），顶层是一个手写的"技能路由器"，把请求分发到对应的 API（设闹钟、发短信、查天气）。它能完成"有限的、有明确 API 的"任务，但跨不出预设的边界。你问 Siri"帮我写一首关于秋天的七律"，它要么拒绝，要么给你一个搜索引擎结果列表。Siri 没有真正的"理解"，它是一个高度工程化的意图路由器。
2017 年 Transformer 架构出现，2020 年 GPT-3 诞生，2022 年 ChatGPT 引爆公众认知。到 2023 年 4 月，Significant Gravitas 发布了 AutoGPT——这是 Agent 概念第一次大规模进入公众视野。AutoGPT 的核心理念极其简单：让 GPT-4 自己做规划、自己调用工具、自己迭代，直到任务完成。它本质上是一个循环：LLM 思考 → 输出动作 → 执行动作（搜索、写文件、运行代码）→ 把结果喂回 LLM → 继续。这个循环就是我们在本章要反复强调的"Agent 本质"。
但 AutoGPT 也暴露了 LLM 驱动 Agent 的所有毛病：幻觉、目标漂移（goal drift）、循环死锁、成本爆炸（一次任务可能烧掉几十美元 API 费）。它在 2023 年火了一阵，又迅速被诟病为"演示惊艳、实战拉胯"。然而它的历史地位不可动摇——它把"Agent = LLM + 循环 + 工具"这套范式写进了大众的肌肉记忆。
2024 年 10 月，Anthropic 发布了 Claude Computer Use，让模型直接控制桌面操作系统的截图与键鼠。这个范式把"工具调用"推到了极致：不再依赖预设 API，而是让模型像人一样看屏幕、点鼠标、敲键盘。它属于认知范式（Cognitive Paradigm）的成熟形态——感知（截图）→ 推理（要做什么）→ 行动（点击/输入）→ 观察（下一帧截图）→ 循环。紧随其后，OpenAI 的 Operator、Google 的 Project Mariner、阿里云的 Qwen-Agent-Computer 都沿着这条路线跟进。智能体研究从"调用 API"正式升级为"操作环境"。
1.3 四种范式横向对比
为了把上面的演进压缩成一个可对比的框架，我们用一张表来归纳。这里采用学术界常用的分类法，将智能体范式分为四类：
| 范式 (Paradigm) | 代表系统 | 决策机制 | 记忆 | 典型任务 | 主要缺陷 | |----------------|---------|----------|------|----------|----------| | 反应式 Reactive | ELIZA、Brooks subsumption | 刺激-响应规则 | 无 | 闲聊、简单 Q&A | 没有目标、没有规划 | | 审慎式 Deliberative | STRIPS、SOAR、BDI | 符号推理 + 搜索 | 显式世界模型 | 规划、下棋、定理证明 | 知识获取瓶颈、脆弱性 | | 混合式 Hybrid | Siri、Alexa、智能客服 | 意图分类 + 路由 + 规则 | 短上下文 + 槽位 | 语音助手、客服机器人 | 跨不出预设 API | | 认知式 Cognitive | AutoGPT、Claude Computer Use、Devin | LLM 推理 + 工具调用循环 | 长上下文 + 向量记忆 | 开放任务、自主研究 | 幻觉、成本、可靠性 |
这张表是后续所有讨论的锚点。我们要讨论的"现代 Agent"，特指第四类——认知范式。前三类依然重要（尤其是工业界的 Hybrid 范式仍是主流），但它们不属于本书核心。
下面这张 Mermaid 图展示了认知 Agent 的核心数据结构流向，同时也对比了传统 Chatbot 的单次请求-响应：
```mermaid flowchart LR subgraph Chatbot U1[User Input] --> L1[LLM] L1 --> R1[Response] end subgraph Agent P[Perception] --> T[Thinking / LLM] T --> A[Action / Tool Call] A --> O[Observation] O --> T O --> Done{Task Done?} Done -- No --> T Done -- Yes --> Out[Final Answer] end ```
这张图的关键信息只有一个：Chatbot 是单向流（User → LLM → Response），Agent 是循环流（Perception ↔ Thinking ↔ Action ↔ Observation）。循环是 Agent 与 Chatbot 的分水岭，不是模型大小，不是提示词技巧，不是工具数量。后面的章节我们会反复回到这个循环，并逐步把它拆成可工程化的组件。
---
二、Agent 的精确定义：三个判据与一个光谱
"Agent"这个词已经被滥用得面目全非。市场人员说"我们的 ChatBot 是 AI Agent"；产品经理说"RAG 增强的搜索是 Agent"；投资人则把任何用了 LLM 的东西都叫 Agent。我们必须先收紧定义，否则后续讨论全是空中楼阁。
2.1 三个判据：目标、循环、环境
一个系统要被称作 Agent，必须同时满足以下三个判据：
判据一：目标导向（Goal-Oriented） 系统被赋予一个明确或不明确的目标，它的所有行为都应当朝着该目标收敛。传统程序也是目标导向的（"读文件→处理→写文件"），但程序的目标是被硬编码的，而 Agent 的目标通常以自然语言或半结构化形式给出，且由系统自身去拆解和解释。"帮我调研一下 2024 年 LLM 推理优化的最新进展"——这是一个典型的开放式目标，Agent 需要自行判断什么叫"最新进展"、调研到什么程度算完成、如何决定输出格式。
判据二：循环决策（Loop-Based Decision Making） 系统不是一次性输出结果，而是通过多次感知-思考-行动循环逐步逼近目标。这一条是 Agent 与 Chatbot 的核心区别。Chatbot 是 $f: \text{input} \mapsto \text{output}$ 的一次性映射；Agent 是 $\text{state}_{t+1} = g(\text{state}_t, \text{observation}_t)$ 的迭代过程。注意，这里的"循环"并不一定要显式地用 `while` 实现，它可以是隐式的——只要模型在生成过程中实际进行了多轮推理（例如 Chain-of-Thought），它就具备了循环的精神。但只有当循环跨越了工具调用边界，把外部世界的反馈拉回来，这个循环才真正变成 Agent 循环，而不是仅仅是 Chain-of-Thought。
判据三：环境交互（Environment Interaction） 系统能够通过工具或动作改变环境状态，并从环境中获得反馈。这个反馈可以是搜索引擎的查询结果、文件系统的读写结果、API 的返回值、屏幕截图的变化、物理机器人的传感器数据。没有环境交互的 Agent 不存在——即便是一个"自我对话"的 Agent，它的环境至少也是它自己的上下文窗口。
把这三个判据合起来，我们得到一个工作定义：
> Agent 是一种具备目标导向、循环决策、环境交互能力的计算系统，它通过感知环境、推理规划、调用工具的反复迭代，自主地完成任务。
这个定义排除了什么？它排除了"用 prompt 包装的 ChatGPT"——单轮对话，没有循环，没有工具调用。它也排除了"传统软件程序"——程序有目标但没有自主推理。它还排除了"纯 RAG 系统"——RAG 是检索增强的单轮问答，没有循环决策（除非你把它塞进一个循环框架里）。
2.2 自主性光谱：从 Copilot 到 Fully Autonomous
"自主"（autonomous）这个词同样被严重稀释。在严谨的学术语境里，自主性是一个连续光谱，不是二元开关。我们用一个简单的分级体系来定位不同的 Agent 系统：
- **L0 - 纯 LLM**：用户输入，模型单次输出。无工具，无记忆。
- **L1 - Copilot**：人类主导，模型辅助。模型可以补全代码、改写句子、回答问题，但每一步都需要人类触发。GitHub Copilot 的代码补全模式是典型代表。
- **L2 - Task Agent**：给定一个明确任务，Agent 自主完成，但每一步可能要求人类确认。Devin、Cursor Agent 处于这一级。
- **L3 - Autonomous Agent**：给定一个高层目标，Agent 自主规划、分解、执行、纠错，中间不需要人类介入。AutoGPT 的设想是这一级，但实际表现远未达标。
- **L4 - Multi-Agent System**：多个 Agent 协同，各自承担不同角色，互相通信、互相校验。ChatDev、CrewAI、AutoGen 框架尝试实现这一形态。
- **L5 - AGI Agent**：具备通用任务能力、长期规划能力、自我改进能力。这是研究愿景，不是工程现实。
绝大多数今天被称为"Agent"的产品实际处于 L1 到 L3 之间。AutoGPT 名义上是 L3，但因为可靠性问题，实际只能算 L2 的不稳定版本。Claude Computer Use 在某些基准上接近 L3，但成本和延迟让大规模部署受限。
这个光谱的意义在于：它提醒我们讨论"Agent 能力"时必须先问"在哪个自主性层级"。一个 L1 Copilot 和 L4 Multi-Agent 系统的工程挑战、技术栈、风险模型完全不同，混在一起讨论只会让对话失效。
2.3 与 LLM 应用的关键边界
让我们把最容易混淆的四种 LLM 系统摆在一起，做一次精确切分：
| 系统类型 | 是否有循环 | 是否调用工具 | 是否修改环境 | 例子 | |----------|------------|--------------|--------------|------| | 基础 LLM Chat | ❌ | ❌ | ❌ | ChatGPT 网页版 | | RAG 系统 | ❌ | ✅（仅检索） | ❌ | 文档问答、客服知识库 | | Workflow + LLM | ⚠️（预定义） | ✅ | ✅ | LangChain LCEL 流水线 | | Agent | ✅（动态生成） | ✅ | ✅ | AutoGPT、Claude Computer Use、Manus |
注意第三行和第四行的区别——它们都有工具调用、都可能修改环境，关键区别是循环是否由 LLM 自主生成。Workflow 是开发者用代码写死的步骤序列，LLM 只是其中一个节点；Agent 是 LLM 在每一步决定"下一步该做什么"，循环本身是动态的、可适应的。这一条边界，是判断一个系统是否"真正的 Agent"的最终判据。
---
三、核心能力图谱：感知、推理、行动、记忆
把 Agent 的"能力"拆开看，本质上就是四个动词：感知（Perceive）、推理（Reason）、行动（Act）、记忆（Remember）。所有复杂的 Agent 行为，都是这四个能力在不同尺度上的组合。我们逐一拆解。
3.1 四大能力的语义边界
感知（Perception）：Agent 从环境中获取信息的能力。在文本 Agent 里，感知就是读用户的输入、读工具的返回值；在多模态 Agent 里，感知扩展为图像识别（截图、摄像头）、语音识别（麦克风）、传感器数据（机器人）。感知的关键不是"能不能读"，而是"读了之后能不能结构化"。一个只会把原始文本塞进上下文的系统，感知能力是弱的；一个能识别"这段文字包含一个 URL、一个数字、一个时间戳"的系统，感知能力是强的。
推理（Reasoning）：基于感知到的信息和记忆中的知识，生成下一步计划的能力。这是 LLM 发挥核心作用的地方，也是 Agent 智能的真正载体。推理能力包括：任务分解（把"调研 LLM 推理优化"拆成"读论文 → 总结 → 对比 → 写报告"）、工具选择（在当前状态下应该调用哪个工具）、参数推断（调用搜索时该用什么 query）、结果评估（工具返回的结果是否回答了子问题）。这里有一个反直觉的洞察：推理能力的强弱，比模型参数量的多少，更能决定 Agent 的表现。一个用 GPT-4 但 prompt 写得很烂的 Agent，会被一个用 GPT-4o-mini 但 prompt 精心设计的 Agent 完爆。
行动（Action）：把推理结果转化为对环境的实际操作。最常见的行动形式是工具调用（Tool Calling）：调用搜索 API、读写文件、执行 shell 命令、调用其他 LLM、发送 HTTP 请求。Claude Computer Use 把"行动"推到了物理操作的层面——移动鼠标、敲键盘、点击按钮。行动的关键约束是可观测性：每个行动都必须能被追踪、被回滚、被审计。这是 Agent 系统工程化最复杂的一块，也是出错最多的地方。
记忆（Memory）：跨越时间步保留和检索信息的能力。记忆分为几层：短期记忆（当前对话上下文，受限于 context window）、工作记忆（当前任务的中间状态，比如"我已经搜过 A、B、C，下一步该搜 D"）、长期记忆（向量数据库存储的历史经验、用户偏好、过往案例）、情景记忆（特定事件的时间序列）。一个没有记忆的 Agent 就是金鱼——七秒之后又重新发现同样的问题。一个有完善记忆的 Agent，能从过去的失败中学习，能跨会话保留用户的偏好。
3.2 五件套组件：Brain、Memory、Tools、Planner、Loop
把上面的能力图谱落到工程实现，我们得到 Agent 的五件套组件：
1. Brain（大脑）：通常是 LLM，负责推理和决策。是 Agent 智能的主要来源，但绝不是唯一来源。 2. Memory（记忆）：短期 = 上下文窗口，长期 = 向量数据库 + 知识图谱。负责跨时间步保留信息。 3. Tools（工具）：Agent 可调用的外部能力集合。每个工具必须有清晰的 schema（输入参数、输出格式、调用方式）。 4. Planner（规划器）：负责任务分解和策略选择。在简单 Agent 里，Planner 与 Brain 是同一个 LLM；在复杂 Agent 里，Planner 可以是独立的模型或算法（如蒙特卡洛树搜索、PDDL 规划器）。 5. Loop（循环控制器）：负责驱动感知-推理-行动的迭代循环，决定何时停止、何时调用人类、何时切换子任务。
这五件套的边界不是绝对的。在 LangChain、AutoGen、CrewAI 这些框架里，同样的功能可能被拆成不同的模块。但任何严肃的 Agent 架构讨论，最终都会回到这五个概念的某种组合。