智能体概述：从工具型AI到自主系统的演进 / Introduction to AI Agents: From Tool-Based AI to Autonomous Systems

第 1 章 智能体概述：从工具型AI到自主系统的演进

Chapter 1: Introduction to AI Agents — From Tool-Based AI to Autonomous Systems

> 本章核心问题 (Core Question) > > 什么是 AI 智能体 (AI Agent)？它在自主性 (autonomy) 维度上与传统工具型 AI（如聊天机器人、问答系统、推荐引擎）究竟有什么本质区别？我们如何判断一个 AI 系统是否真正具备"智能体"属性，又该用什么尺度衡量它的自主程度？

在 2024 年初的一个编程马拉松现场，一位参赛者对 GitHub Copilot 说出："帮我把当前项目里所有超过 200 行的 Python 文件，加上 type hint。"如果是 2021 年版本的 Copilot，它会礼貌地把示例代码贴在右侧，等待用户复制。它是一把计算器——被动、即时、需要人在回路中持续下达指令。三年后，同一段话被抛给 Copilot Agent（以及同类工具如 Devin、Cursor Agent），系统沉默了三十秒，其间它扫描了整个仓库的目录结构、定位目标文件、读取 Python AST、判断类型推断策略、修改代码、运行 mypy 验证、发现错误、回滚两处有问题的改动、再次提交。屏幕上最终弹出一份"已完成修改的文件清单"以及简短报告。这个系统不再是一把计算器，它更像一个初级软件工程师实习生——能接收一个目标，在没有每一步明确指令的情况下自行决定"该做什么、怎么做、做到什么程度可以停下来"。

这一对比并非炫技，而是折射出 AI 系统的范式分水岭：从被动响应的工具，到目标驱动的自主系统。本章的全部内容，都围绕这条分水岭展开。我们会先给出智能体的形式化定义，接着建立"能力分级模型"帮助你把任何 AI 应用放到恰当的层级上，然后梳理其五十余年的技术演进脉络，最后通过两个对比案例让你直观感受到"自主性差异"如何决定应用形态的天壤之别。学完本章，你应该能够回答三个问题：什么是智能体、它不是智能体、它处于哪一级智能体。

---

1.1 智能体的形式化定义：一个会做事的程序

1.1.1 为什么"会说话"不等于"是智能体"

市面上 AI 智能体 (AI Agent) 一词被滥用得令人困扰——任何能聊天的程序都曾被冠以"智能体"之名。我们必须先建立一个可操作的、形式上严格的定义，再决定哪些系统配得上这个称号。

中文"智能体"与英文 Agent 一词在人工智能语境中均指同一个概念：驻留于某一环境之中、通过传感器感知环境、通过执行器作用于环境，并能自主地朝着目标 (goal) 行动的实体。这一定义源自经典人工智能教科书（如 Russell & Norvig《Artificial Intelligence: A Modern Approach》）中关于理性智能体 (rational agent) 的描述。一个常见的混淆是：大语言模型 (LLM) 本身并不是智能体，它是大脑；只有当它被装配上感知、记忆、规划、工具调用与执行能力之后，构成的整体才算智能体。这一区别将在 1.2 节展开。

要判断 X 是否是智能体，请自检以下三个问题： 1. 是否有目标？ 系统是否被赋予了一个需要自行判断如何达成的状态（而不是被给定具体步骤）？ 2. 是否能感知？ 系统能否获取关于环境的某种信号——用户的最新输入、文件系统状态、API 返回值、网页内容？ 3. 是否能行动？ 系统能否在环境中造成可观察的变化——输出文本、写入文件、调用外部工具、触发一个事件？

三个问题的答案如果都是"是"，X 至少是一个候选智能体；任何一个是"否"，那它就是工具、数据库、或者单纯的内容生成器，不是智能体。

1.1.2 感知–思考–行动循环：智能体的心跳

智能体最简洁的形式化模型是 感知–思考–行动循环 (Perception–Reasoning–Action Loop, PRA Loop)。在每一轮迭代 $t$，智能体依次执行三个动作：

$$ \text{Step 1: } o_t = \text{Perceive}(E_t) \\ \text{Step 2: } a_t = \text{Reason}(o_t, M_t, G) \\ \text{Step 3: } E_{t+1} = \text{Apply}(a_t, E_t), \quad M_{t+1} = \text{Update}(M_t, o_t, a_t, o_{t+1}) $$

其中 $E_t$ 是当前环境状态，$o_t$ 是感知到的观察信号，$M_t$ 是智能体内部记忆 (memory)，$G$ 是目标函数，$a_t$ 是选中的行动，$E_{t+1}$ 是执行后的新环境状态。循环持续进行，直到满足终止条件 (goal achieved / max steps / error)。

下面用一个智能恒温器 (smart thermostat) 例子来具象化：

• **感知**：温度传感器读到 18°C，用户之前设定"维持 22°C"。
• **思考**：当前低于目标，是否在白天、有无人在家（参考日历与定位信号）？决定开启暖气。
• **行动**：向锅炉发送"启动加热至 22°C"指令。
• **观察下一轮**：温度上升到 21.5°C，决定维持。
• **观察下一轮**：温度达到 22°C，决定关闭。

这个恒温器虽然简单，却是教科书意义上完全合格的智能体。它有目标（22°C）、能感知（温度/时间/位置）、能行动（控制锅炉），并且能在没有人为逐步下达指令的情况下自主调节环境。再来对比一个普通空调遥控器：它是被动执行器 (passive executor)——没有内置目标，需要人按下"升温"键才会改变输出；它没有内部"思考"，没有"目标未达成则继续"的回路。它不是智能体，是执行器。

1.1.3 智能体的四大本质特征

学术界普遍认为 (Wooldridge & Jennings, 1995; Franklin & Graesser, 1996) 一个真正的智能体应同时具备以下四大核心特征：

(1) 自主性 (Autonomy)：智能体在没有人类或他者直接干预下，能够对自身行为与内部状态行使控制权。自主性不等同于"独立"——智能体可以接收人的指令，但关键决策由它自身依据内部模型做出。

(2) 反应性 (Reactivity)：智能体能够及时感知环境变化，并作出恰当响应。一个完全预先编排好动作序列的程序，不具备反应性——如果环境在它执行过程中发生意料之外的变化，它不会调整。

(3) 目标性 (Pro-activeness / Goal-directedness)：智能体不仅响应环境，还能主动发起行动以达成既定目标。一个仅在被问时才说话的聊天机器人，具备反应性但不一定有目标性；一个会主动提醒你"你下周要交报告"的助手，具备目标性。

(4) 社会性 (Social ability)：智能体能通过某种通信语言 (agent communication language, ACL) 与其他智能体或人交互协作。这一特征在多智能体系统 (multi-agent system, MAS) 中至关重要——一组智能体通过协商、契约、博弈共同完成单个智能体难以完成的复杂任务。

值得强调的是，只有当四个特征同时被满足时，才算智能体的充分条件。仅有反应性而没有目标性的是反射器 (reactive system)；仅有目标性而不能感知的，是规划算法；既有目标又能感知但不行动的，是咨询系统。一个 ChatGPT 直接交互版本：它有反应性、有目标性（按用户要求生成文本），但不能行动（不直接影响外部环境，除非被嵌入到一个调用它的程序中），所以 ChatGPT 本身是 LLM，不是智能体；而 OpenAI 在 2024 年推出的 ChatGPT Operator（能在浏览器里执行点击、填表、截图等动作）才跨越到智能体行列。

---

1.2 智能体 vs 工具型 AI：六大根本差异

1.2.1 为什么需要严格区分

把 ChatGPT 直接称作"AI 智能体"在过去两年甚嚣尘上，部分原因在于商业宣传的便利——"智能体"是新热词，似乎越早贴上标签越能赢得市场。但作为严肃的工程师、研究者、产品经理，我们必须建立清晰的边界，否则两个层次的设计决策会混为一谈，导致系统评估失真、风险预估失败、能力建设错位。

我们可以把传统意义上的 AI 系统（搜索、推荐、问答、文本生成、图像识别等）统称为工具型 AI (Tool-Based AI)，与之对照的是智能体型 AI (Agent-Based AI)。它们的差异并非简单的"更强 vs 更弱"，而是架构哲学的根本差异。下面从六个维度展开。

1.2.2 目标驱动 vs 指令驱动

工具型 AI是指令驱动 (instruction-driven) 的：你给什么输入，它就给什么输出，输入与输出之间是一对一映射或一对多采样。搜索引擎：你输入关键词，它返回网页列表。翻译系统：你输入句子，它返回译文。它没有跨调用的"任务"概念——上一次调用与下一次调用完全独立。

智能体型 AI是目标驱动 (goal-driven) 的：你给一个目标，它自主决定动作序列。GitHub Copilot Agent：你给"修复登录模块的内存泄漏"，它在没有每步指令的情况下，自行定位文件、理解依赖、设计修复方案、应用 patch、跑测试、报告结果。这要求系统维护一个持久化任务状态 (persistent task state)——任务从开始到完成跨越多个内部步骤，不会因外部输入变化而中断。

差别关键点：工具型 AI 把"如何达成"留给人类；智能体型 AI 把"如何达成"内化为自身推理过程。

1.2.3 持续环境交互 vs 单次请求响应

工具型 AI 倾向于请求–响应 (request–response) 模式：客户端发请求，服务端返回响应，会话结束。环境在它眼中是"传入的消息字符串"，仅此而已。

智能体则需要持续环境交互 (sustained environment interaction)。智能体的"环境"是真实的文件系统、数据库、外部 API、GUI、甚至物理世界。它的每一个行动都会改变环境，环境反馈决定下一步动作。这种闭环 (closed-loop) 反馈系统，意味着智能体必须能处理部分可观察 (partially observable)、不确定 (stochastic)、动态 (dynamic) 的环境——下一节我们还会回到这一点。

这带来架构上的根本区别：工具型 AI 通常是无状态服务 (stateless service)，可以水平扩展、负载均衡；智能体则有显著的状态化特征 (stateful)，需要会话粘性、状态持久化、回滚机制。

1.2.4 显式状态管理 vs 隐式上下文

工具型 AI 的"状态"几乎完全可以由调用方掌控——客户端维护对话历史，每次调用时把历史塞进 prompt。服务端不保留任何东西。

智能体则需要显式的内部状态管理 (explicit state management)，通常包括以下几类：

• **工作记忆 (working memory)**：当前任务的变量、变量类型、当前步骤索引、待办列表。
• **长期记忆 (long-term memory)**：跨会话的关键事实、用户偏好、过去成功/失败的尝试。
• **世界模型 (world model)**：智能体对外部环境状态的估计——文件树、API 状态、网络可达性等。
• **元状态 (meta state)**：智能体对自己"在做什么、做到哪一步、还差多少"的自反思信息。

工程上，这意味着智能体往往需要：向量数据库 (vector store, 用于长期记忆)、键值存储 (用于结构化工作记忆)、文件系统或外部对象存储 (用于世界模型)、甚至一个独立的状态监控进程用于异常恢复。

1.2.5 多步规划 vs 一次性输出

工具型 AI 一般执行一次性推理 (one-shot inference)：给定输入 $x$，输出 $y$。可以是单步也可以是"思维链 (chain-of-thought)"——但即便使用了 chain-of-thought，最终仍然是一次性返回完整结果。

智能体常常需要多步规划 (multi-step planning)： 1. 把目标分解为子目标 (subgoal decomposition)。 2. 决定下一步先做哪个子目标 (prioritization)。 3. 评估当前进度是否仍指向最终目标 (progress estimation)。 4. 在必要时重新规划 (replan)——遇到工具失败、信息缺失、目标冲突时。

规划能力让智能体可以应对长视野 (long-horizon) 任务——任务时长为数十分钟、数小时甚至数天的连续工作。这是工具型 AI 完全做不到的尺度。

1.2.6 工具使用 vs 内置能力

工具型 AI 的能力边界几乎完全等同于其内置模型的能力。ChatGPT 不能直接查天气，因为它内部并不连接气象 API；它只能告诉用户"我无法访问实时数据"。它对外部世界的所有影响只能通过输出文本这一通道，间接地经由用户手动执行。

智能体则把工具使用 (tool use / function calling) 当作第一公民 (first-class capability)。它不仅能"输出文本描述要做什么"，更能实际调用 Python 解释器、数据库客户端、HTTP API、浏览器、文件系统、命令行、外设。LLM 在其中扮演决策中枢：决定何时调用哪个工具、如何解析返回、错误如何处理、是否继续调用还是任务已完成。

工具使用让智能体的能力可扩展 (extensible)：你不必重新训练模型，只需给它注册新工具。这是过去三年最具颠覆性的能力扩展机制。

1.2.7 自主恢复 vs 中止报错

最后一条差异最容易被忽视：工具型 AI 在遇到错误时倾向于中止并报错 (fail-and-abort)。你给翻译系统一段包含不常见术语的句子，它要么猜一个、要么返回错误码。

智能体追求自主恢复 (autonomous recovery)：失败时尝试备选方案、回滚错误修改、重新提问澄清、切换工具、降级到人工干预。一个成熟的智能体系统在执行复杂任务时，失败是常态——外部 API 限流、文件权限不足、网络中断、断言失败、JSON 解析错误等。它必须能优雅地、有限度地处理这些失败，而不至于陷入死循环或任务级崩溃。

为便于回顾，下表总结六大差异：

| 维度 | 工具型 AI | 智能体型 AI | |---|---|---| | 驱动模式 | 指令驱动 | 目标驱动 | | 环境交互 | 单次请求–响应 | 持续闭环交互 | | 状态管理 | 隐式/无状态 | 显式多层次状态 | | 推理模式 | 一次性输出 | 多步规划与重规划 | | 能力扩展 | 依赖模型本身 | 工具调用优先 | | 错误处理 | 中止报错 | 自主恢复或优雅降级 |

---

1.3 智能体能力分级模型：从 L0 被动响应到 L5 完全自主

1.3.1 为什么需要分级

建立严格的形式化定义是必要的第一步，但工程实践中我们更需要一把可操作的尺子——当我们审查一个 AI 项目、把它放到等级表上时，能立刻判断它的自主程度、能力上限、风险水平。这就是智能体能力分级模型 (Agent Capability Grading Model, ACGM)。

参考自动驾驶 SAE L0–L5 分级、工业机器人 ISO 10218 分级，我们把 AI 系统按自主性 (autonomy) 与通用性 (generality) 分为六级 L0–L5。每一级对应明确的能力边界、应用形态与可被指派的最高风险等级。

下面这张分级图是本章最重要的视觉概览，建议你重点理解：

```mermaid flowchart TD L0[L0 被动响应器<br/>Passive Responder<br/>无自主性, 仅按指令生成内容] L1[L1 指令执行器<br/>Instruction Executor<br/>按规则执行预定义动作] L2[L2 目标型助手<br/>Goal Assistant<br/>单目标单工具, 固定流程] L3[L3 任务型智能体<br/>Task Agent<br/>多步规划 + 工具调用 + 自主恢复] L4[L4 自主型智能体<br/>Autonomous Agent<br/>跨会话记忆 + 多目标 + 主动决策] L5[L5 通用超级智能体<br/>General Super-Agent<br/>完全自主 + 自我改进 + 跨域通用] L0 --> L1 --> L2 --> L3 --> L4 --> L5 ```

1.3.2 L0 被动响应器

特征：系统对每一条输入产生即时输出，不保留任何任务级状态，不调用任何外部工具，不做任何规划。 典型例子：

• 早期 GPT-3 直接调用（无函数调用）
• 简单聊天机器人（ELIZA, 1966）
• 一个无对话历史的翻译 API

自主程度：0%。所有行为均由人显式触发，每次都是独立动作。 风险等级：极低。无任何持续影响外部世界的能力。

1.3.3 L1 指令执行器

特征：能在明确指令下执行预定义规则或工作流。仍以一次性输出为主，但具备条件分支和简单工具调用。 典型例子：

• IFTTT / Zapier 自动化流程（"如果 A 发生，则触发 B 动作"）
• 客服系统中的关键词匹配+表单填写
• 早期 Alexa Skills

自主程度：~10%。仍遵循人设定的工作流，仅在分支点做选择。 风险等级：低。可预判所有可能的执行路径，便于审计。

1.3.4 L2 目标型助手

特征：能接收一个相对模糊的目标，但必须限制在单一领域、单一工具集内。"智能代码补全"是典型例子：用户输入"写一个 LRU 缓存"，模型在单一编辑器环境内、调用单一工具（代码生成与插入），产出结果。它不会不能跨工具、跨文件、跨子任务自主编排。 典型例子：

• GitHub Copilot