智能体范式与认知基础 / Agent Paradigms and Cognitive Foundations

智能体范式与认知基础

> Agent Paradigms and Cognitive Foundations

"什么是 Agent？" 这个看似简单的问题，在 2023 年之后的 AI 工程社区里被反复提出，却始终没有形成统一答案。问题的根源在于：Agent 是一个跨越哲学、认知科学、计算机科学与软件工程四个学科的概念，每个学科都从自己的视角给出过定义。当 LLM（Large Language Model，大语言模型）把 Agent 重新推上技术风口时，理解这些定义之间的历史脉络与差异，就成为搭建生产级智能体系统的前提。本章给出的回答不是又一份新的术语清单，而是一个可操作的统一抽象：Agent = Planner + Memory + Toolset + Executor。沿着这条主线，你可以用一句话定义 Agent，并用四元组模型描述任意已知 Agent 系统。

1.1 从哲学到认知科学：Agent 概念的源头

智能体并非工程领域的发明，而是有着清晰的学术血脉。理解这条血脉，能帮助我们在 LLM 时代更准确地把握 Agent 的本质，而不只是停留在"会调用 API 的 LLM"这种功能层面的描述。

第一条源头是哲学中的意向性（intentionality）理论。 19 世纪心理学家弗朗兹·布伦塔诺（Franz Brentano）指出，心理现象的独特之处在于它们总是"关于某物的"——当我们思考、怀疑、相信时，总是在思考、怀疑、相信某个对象。这种"关于性"被命名为意向性。1987 年，哲学家丹尼尔·丹尼特（Daniel Dennett）在《意向立场》（*The Intentional Stance*）中进一步提出：当一个系统的行为可以通过赋予它信念、欲望和理性来可靠地预测时，我们就有理由把它视为意向系统。这一立场后来成为人工智能研究者讨论"Agent 性"（agenthood）时的隐含基准——一个能根据目标选择行动、并对环境变化做出反应的系统，就具备了意向性的工程含义。

第二条源头是认知科学中的物理符号系统假设（Physical Symbol System Hypothesis, PSSH）。 1976 年，Allen Newell 和 Herbert A. Simon 在论文 *Computer Science as Empirical Inquiry: Symbols and Search* 中提出：物理符号系统具备产生智能行为的充分必要条件。这一假设催生了早期 AI 的整个符号主义范式，也为 Agent 设计提供了第一个工程模板：知识被表示为符号，推理被实现为符号操作，行动被实现为符号触发的外部效应。

第三条源头是 AI 工程中的"智能体"形式化定义。 1995 年，Michael Wooldridge 和 Nicholas Jennings 在 *Intelligent Agents: Theory and Practice* 中给出被广泛引用的工作定义：智能体是处于特定环境之中、能够自主行动以实现设计目标的计算机系统。这一定义剥离了哲学上的"意向性"含义，把 Agent 落实为环境（environment）、自主性（autonomy）、反应性（reactivity）、主动性（pro-activeness）四个属性。后续的 Agent 研究几乎都建立在这四个属性之上。

第四条源头是行为主义路径。 1986 年，Rodney Brooks 在论文 *Intelligence Without Representation* 中提出包容架构（subsumption architecture），主张智能不必依赖中心化的符号推理，而是通过分层的行为模块与环境的直接耦合涌现出来。这条路径虽然与符号主义对立，但它提示了一种重要设计哲学：Agent 的复杂度应该分配在环境交互中，而不是集中在内部推理器里。

沿着这四条源头，AI 工程史上出现了一系列标志性系统。1966 年的 ELIZA 用极少的规则模仿心理治疗师对话，是 Agent 思想的早期演示。1968 年的 SHRDLU（Terry Winograd）证明：受限领域内的语言理解与行动规划可以同时实现。1972 年的 SHAKEY 机器人（Stanford Research Institute）首次把感知、规划、动作三个环节整合到同一系统中——它已经隐约呈现出我们今天所说的四元组结构。1983 年，John Laird 启动 SOAR（State, Operator, And Result）项目，把 Newell 的人类认知架构思想落地为可运行的智能体框架；1976 年由 John Anderson 提出的 ACT-R（Adaptive Control of Thought—Rational）则从人类记忆模型出发，强调陈述性记忆与程序性记忆的分离。这两个认知架构至今仍是学术界研究 Agent 推理的标准参照系。

理解这段历史的关键在于：LLM 之前的 Agent 之所以难以规模化，根本原因是知识必须被手工编码为符号或规则，系统的认知能力上限取决于工程师的工作量。SOAR 在虚拟任务中表现出色，但每迁移到一个新领域就要重写大量产生式规则；ACT-R 模拟人类记忆精准，但在工程实用性上进展缓慢。这些系统的失败不是理论失败，而是"知识供给"瓶颈。

1.2 LLM 时代的范式转移：从规则驱动到能力驱动

LLM 的出现改变了 Agent 的实现路径，但并未改变 Agent 的目标结构。我们仍然需要能够感知环境、自主决策、调用工具、完成任务的系统——这部分定义自 1995 年以来基本稳定。真正改变的是 Agent 内部组件的实现方式：从硬编码的规则与符号，变成了从大规模文本中涌现出的能力。

第一个转变是知识表征的转变。 GPT-4、Claude、Gemini 等模型把世界知识、常识推理、工具使用说明乃至代码生成能力压缩到几百 GB 的参数中。Agent 不再需要维护一个由工程师手工维护的知识库，模型本身就承担了大部分"知道什么"的责任。

第二个转变是规划与推理能力的获得。 Chain-of-Thought（Wei et al., 2022）、ReAct（Yao et al., 2022）、Tree of Thoughts（Yao et al., 2023）等提示策略的涌现证明：仅仅通过提示结构的变化，LLM 就能展现出多步推理、回溯与分支搜索能力。这些能力过去需要 SOAR 这种专门的认知架构才能实现，现在变成了一次推理调用。

第三个转变是工具接口的标准化。 OpenAI 在 2023 年 6 月推出的 function calling、Anthropic 推出的 tool use、2024 年由 Anthropic 发起的 MCP（Model Context Protocol）协议，逐步把"模型如何与外部世界对话"统一为一种类似 API 调用的标准接口。这让 Agent 的工具集不再需要为每个模型单独适配。

第四个转变是自然语言作为通用协议。 过去 Agent 各模块之间需要结构化消息传递；现在，自然语言本身充当了组件间的通信媒介——Planner 用自然语言写出子目标，Executor 用自然语言描述工具调用结果，Memory 用自然语言检索相关上下文。

但范式转移并不等同于术语统一。2024-2025 年间，主要参与者对"Agentic AI"的定义仍存在显著差异：

• **Anthropic** 在 *Building Effective Agents*（2024）中区分了"workflow"（使用 LLM 但路径固定的系统）和"agent"（能自主决定路径的系统），强调真正的 Agent 必须能在执行中调整策略。
• **OpenAI** 在 *A Practical Guide to Building Agents*（2025）中把 Agent 定义为"用 LLM 替代固定控制流"的系统，重点强调 LLM 作为决策中枢。
• **DeepMind** 的研究更偏向强化学习语境，把 Agent 视为在环境中通过试错学习策略的目标导向系统。
• **学术界**（Princeton, Stanford 等）则倾向从"具备信念-欲望-意图（BDI）结构"的认知架构视角定义 Agent。

这些定义并非互斥，而是各自强调了不同属性。本书的立场是：工程上的 Agent 不需要哲学意义上的意向性，但需要可观察的自主决策能力——即在没有人为预先指定每一步动作的前提下，根据环境反馈动态决定下一步行动。这一定义避开了"是否有意识"这类无法验证的争论，聚焦于可验证的行为特征。

1.3 四元组抽象：Agent = Planner + Memory + Toolset + Executor

为了把上述讨论落到工程层面，本书提出一个统一的四元组抽象。任何 Agent 系统都可以被分解为四个核心组件：

``` Agent = ⟨ P, M, T, E ⟩ = Planner + Memory + Toolset + Executor ```

四者通过"感知-行动闭环"与环境交互。下面这张图刻画了闭环结构：

```mermaid flowchart LR subgraph Agent["Agent 智能体"] direction TB P["Planner 规划器<br/>目标分解 / 路径选择 / 重规划"] M["Memory 记忆<br/>短期上下文 / 长期检索 / 工作记忆"] E["Executor 执行器<br/>动作调度 / 异常恢复"] end T["Toolset 工具集<br/>函数 / API / MCP / 浏览器"] Env["External<br/>Environment<br/>外部环境"]

Env -->|"Observation 感知信号"| P P <-->|"Read / Write 读写"| M P -->|"Plan Step 计划步"| E E -->|"Tool Call 调用"| T T -->|"Side Effect 副作用"| Env E -->|"Result Trace 结果追踪"| M ```

下面逐个组件展开。

Planner（规划器）是 Agent 的"理性中枢"。 它负责把高层目标分解为可执行子目标，并在执行过程中根据反馈调整路径。规划能力可以以多种形式出现：最朴素的形式是 LLM 直接生成步骤列表（CoT），进阶形式是 ReAct 风格的"思考-行动"循环，更复杂的形式是 Tree of Thoughts 式的多分支搜索，或者基于蒙特卡洛树搜索（MCTS）的 LATS（Language Agent Tree Search）。在生产系统中，Planner 通常不是单一组件，而是由"目标解析器 + 步骤生成器 + 重规划触发器"组成的子系统。重规划（replanning）是衡量 Planner 成熟度的关键——它决定了 Agent 在工具失败、信息不足、目标冲突等异常情况下的恢复能力。

Memory（记忆）决定 Agent 能保留多少上下文。 LLM 本身是无状态的，每一次调用都是独立的。记忆系统的任务是把跨时间的相关信息组织起来。一般把记忆划分为三个层级：

• **短期记忆（Short-Term Memory, STM）**对应 LLM 的上下文窗口，受限于 token 上限。它的管理策略包括滑动窗口、摘要压缩、关键信息提取。
• **长期记忆（Long-Term Memory, LTM）**通常由向量数据库（vector store）、结构化数据库或文件系统实现，通过检索增强生成（RAG）模式按需注入短期记忆。MemGPT（Stanford, 2023）是这一思路的代表性工作，它借鉴操作系统虚拟内存的思想，让 LLM 自主决定哪些信息从 RAM 换出到磁盘。
• **工作记忆（Working Memory）**是当前任务执行过程中的临时状态，例如当前规划的子目标、已完成的步骤、待处理的异常。在实现上，它可以是一个简单的列表、字典或专用数据结构。

成熟的 Agent 不会把全部历史塞进上下文窗口，而是通过记忆分层实现"看似无所不知，实际只读取必要片段"的效果。记忆系统是后续章节的核心议题之一。

Toolset（工具集）扩展 Agent 的物理边界。 LLM 本身只能生成文本，不能查数据库、发邮件、操作浏览器、控制 IDE。工具集把这些外部能力以函数或协议的形式暴露给 Planner 和 Executor。工具的形式有三种：

• **内置函数（function）**：模型直接生成的参数化调用，例如 `search(query)`、`read_file(path)`。
• **远程 API**：通过 HTTP/gRPC 调用的外部服务，往往通过 OpenAPI 规范描述并包装为函数。
• **复合协议**：MCP（Model Context Protocol）这类统一协议允许工具以标准方式跨进程、跨主机暴露能力，2024 年起正在被快速采纳。

工具集的设计哲学直接决定 Agent 的能力边界。一个只有"文本输入输出"的 Agent 实际上只是一个对话系统；一个拥有"数据库查询 + 浏览器操作 + 代码执行 + 文件系统"的 Agent 才具备完成真实任务的能力。但工具越多，Planner 的选择空间越大，错误率也越高——这构成了工具集设计中的"能力-可靠性"张力。

Executor（执行器）是把决策变成现实的桥梁。 它接收 Planner 输出的动作描述，解析参数，调用对应的工具，捕获返回值，并把结果反馈给 Planner 和 Memory。一个设计良好的 Executor 至少要处理以下问题：参数校验（类型、必填项）、超时控制、重试与退避（retry & backoff）、错误语义映射（HTTP 500、网络超时、权限不足分别应该怎么处理）、副作用管理（一个写操作是否可回滚）。在生产环境中，Executor 往往是 Agent 系统中代码量最大、稳定性要求最高的部分。

四者通过感知-行动闭环协同工作：环境给出 Observation，Planner 结合 Memory 中的上下文生成 Plan Step，Executor 调用 Toolset 中的工具产生 Side Effect，结果再次写入 Memory 并触发下一轮规划。这个循环会一直持续，直到 Planner 判定目标完成或系统达到终止条件（最大步数、超时、显式失败）。

需要强调的是：这四个组件并非必须由 LLM 实现。Planner 可以是规则引擎，Memory 可以是 SQL 数据库，Executor 可以是传统程序。但在 LLM 时代，最自然的实现方式是把 Planner 设为 LLM（作为决策中枢），把 Memory 设为向量数据库与 KV 存储的组合，把 Toolset 设为标准化的函数集合，把 Executor 设为带错误处理的胶水代码。这个"LLM-driven"配置是后续 14 章绝大多数讨论的默认假设。

1.4 Agentic 与 Agentless：能力光谱与选型决策

四元组抽象描述了 Agent"是什么"，但工程上更关键的问题是"什么时候需要 Agent"。把 Agent 当成万能解药是 2023-2024 年间最常见的反模式，结果往往是构建了一个脆弱、昂贵、难以调试的系统，却用 95% 的工作量完成了原本 5% 的工作就能完成的脚本。

我们需要建立一个能力光谱（capability spectrum），从最弱的"无 LLM"到最强的"完全自主 Agent"，依次排列：

1. Hardcoded Pipeline：纯代码实现，行为完全确定。适用于业务规则清晰、不容许 LLM 幻觉的场景，例如金融清结算。 2. Single LLM Call：一次 LLM 调用完成分类、抽取、改写、生成等任务。适用于单步转换、无需外部信息的场景，例如邮件摘要。 3. Chained LLM Calls：多个 LLM 调用按固定顺序串联，每一步输出作为下一步输入。适用于结构化流水线，例如"提取需求 → 生成代码 → 静态分析 → 文档化"。 4. RAG Pipeline：在 Chained 基础上加入检索步骤，从知识库动态注入上下文。适用于问答、客服、文档分析。 5. Workflow Agent（带 LLM 的工作流）：LLM 参与决策但路径相对固定。Anthropic 称之为 "workflow"。典型模式是 routing（路由到不同处理分支）、parallelization（并行执行多个子任务后聚合）、orchestrator-workers（编排器-工人模式）。 6. Autonomous Agent（自主 Agent）：LLM 自主决定每一步动作，没有预定义的图结构。Anthropic 称之为 "agent"。典型模式是 ReAct、Reflexion、LATS 等。

在这个光谱里，前三类是 Agentless 的，后三类才是 Agentic 的。一个常见的设计误区是把 Workflow Agent 误当成 Autonomous Agent 来设计——给一个"提取 → 改写 → 分类"的固定流程加上重规划循环，结果既没有获得自主性带来的灵活性，又引入了不必要的复杂度和不确定性。

选型决策可以归纳为以下三个判断问题：

• **环境是否确定？** 如果任务的每一步输入输出都可以被精确建模，用 Pipeline；如果存在未知输入或动态环境，用 Agent。
• **是否需要回溯？** 如果错误可以事先枚举并通过重试解决，用 Pipeline；如果错误类型未知、需要根据上下文调整策略，用 Agent。
• **是否有可验证的成功标准？** 如果目标可以用规则清晰表达（"这段代码必须通过单元测试"），Agent 在这种强反馈信号下表现良好；如果目标模糊（"写一篇有深度的分析"），即使是 Agent 也难以可靠达成。

更直接地说：当一个 LLM 调用 + 后处理脚本就能解决 80% 的问题时，不要构建 Agent。Agent 应该是经过严格论证后剩下的最后手段，而不是默认选项。这一观点贯穿本书后续章节。

1.5 2023-2025 代表系统横评：用四元组看真实 Agent

抽象定义需要落到具体系统上才能被验证。本节用四元组模型横评五个具有代表性的 Agent 系统，揭示每个系统在 Planner / Memory / Toolset / Executor 四个维度上的实现选择，以及这些