AI Agent 元年，于 2025 开启

序言

近年来，AI领域迎来了颠覆性变革，以大语言模型（LLM）为核心的生成式技术正以前所未有的速度重塑人机交互的边界。以ChatGPT的对话式突破到Gemini、Claude的多模态跃迁，LLMs不仅展现出对人类语言的深刻理解，更逐步演化为知识推理与创造性表达工具。然而，这仅是智能革命的起点——当LLMs与智能体（Agent）技术深度融合，AI开始突破“被动应答”的局限，迈向自主感知、决策与行动的“主动智能”新时代。

Agent智能体作为具备目标驱动能力的AI实体，正在通过LLMs获得自然语言交互、逻辑推演与环境适应的关键能力。从AutoGPT的自动化任务分解到GPT-4o的实时多模态交互，从科研Agent加速药物发现到企业级Agent重构工作流程，这一融合正催生“数字员工”、“AI协作者”等新范式。技术进化的背后是LLMs赋予智能体类人的认知泛化力，而Agent智能体则为LLMs搭建起连接虚拟与物理世界的行动桥梁。两者的协同，既在攻克复杂场景的可靠性、可解释性等挑战，也在伦理对齐与安全可控层面引发深层思考。

LLM发展历程

早期萌芽阶段（1950s-1956s）

1. 艾伦·图灵提出图灵测试（1950），定义机器智能的哲学目标，成为AI领域的理论基石；
2. 达特茅斯会议首次提出人工智能概念（1956），规划自然语言处理、机器学习等研究方向，但受限与算力与数据规模，早期AI仅能处理符号逻辑推理等简单任务。

早期探索阶段（1950s–1990s）

1. 规则驱动方法‌
   • 基于Noam Chomsky生成语法理论（1957），构建句法解析系统（如SHRDLU，1970）‌；
   • 依赖人工编写正则表达式，难以处理复杂语言现象‌（如歧义句Time flies like an arrow）。
2. 统计方法革命‌
   • 机器学习兴起（1980），以统计学习和数据驱动为核心，专家系统（如DENDRAL、XCON）在特定领域展现潜力，但泛化能力有限；
   • IBM引入Brown Corpus（1990）与隐马尔可夫模型（HMM）进行词性标注‌；
   • n-gram模型与统计机器翻译（如IBM Model 1-5）成为主流‌；
   • 谷歌早期搜索引擎采用PageRank与TF-IDF统计方法改进检索效果‌。

神经网络与词嵌入阶段（2000s–2010s中期）

1. 神经语言模型奠基‌
   • Bengio团队于2003年提出神经网络语言模型（NNLM），首次引入词嵌入技术‌，解决“维度灾难”问题‌；
   • Word2Vec（2013）通过分布式表征提升语义理解能力‌，通过Skip-Gram和CBOW模型实现高效语义表征（如“国王 - 男人 + 女人 = 女王”）‌。
2. 序列模型发展‌
   • 循环神经网络（RNN）与长短期记忆网络（LSTM）增强序列建模能力‌。LSTM（1997）和GRU（2014）通过门控机制缓解梯度消失，但处理超长文本时效率低下‌。

Transformer深度学习架构突破（2017s–2018s）‌

1. 自注意力机制‌
   • 谷歌提出Transformer架构（2017-06），通过自注意力机制解决长距离依赖问题，提升翻译流畅度（如BLEU分数提升30%+）‌;
   • 基于自注意力机制实现并行化序列建模，彻底革新NLP范式，为LLM奠定技术基础。
2. 预训练范式确立‌
   • OpenAI发布GPT-1（2018-06），参数达1.17亿，采用单向自回归预训练，首次将Transformer与大规模无监督预训练结合，验证语言模型的通用生成能力；GPT的核心原理，是把Transformer解码器拿出来，在没有标号的大量文本数据上训练一个大语言模型，来获得一个预训练模型，之后在子任务上做有监督的微调得到每一个任务所要的分类器（多任务学习，Multitask learning），类似于计算机视觉上的做法——半监督学习（GPT里边叫自监督学习，semi-supervised learning），但微调会有过拟合问题，微调后的泛化效果在实际应用中不一定就很好;
   • 谷歌推出BERT（2018-10），引入双向遮蔽语言模型（MLM）任务，开启预训练语言模型（PLM）时代‌；思想和GPT不一样，它把Transformer编码器拿出来，收集一个更大的数据集用作预训练，效果比GPT-1好很多，BERT有俩模型，分别是BERT-Base、BERT-Large;
   • OpenAI随后推出GPT-2(2019-02)，参数达15亿，相较于GPT-1，GPT-2沿着原来的路线，收集了一个更大的数据集，训练了一个更大的模型，深入挖掘语言模型的潜力，虽然综合效果并没有BERT-Large好，但在新意度方面提出了zero-shot（prompt则是实现zero-shot能力迁移的关键技术手段），相较于Multitask learning，做到下游任务时，不需要下游任务的任何标注数据，也不需要对下游任务训练模型，也就是训练一个模型，在任何地方都能用，让模型理解prompt后输出，GPT-2模型比BERT-Large还要大。

大模型爆发期（2020s–2023s）‌

1. 参数规模跃升‌
   • OpenAI发布GPT-3（2020-05）参数达1750亿，推动LLM从实验室迈向实际应用；GPT-3尝试解决改善GPT-2的效果，回到了GPT一开始的few-shot设定，就像现实生活中人类学习也要从少量样例学习后做拓展一样，只不过人类在样本的有效性上做的比较好，只需要一点样本就好了，但语言模型需要大量样本，few-shot在每个子任务上只补给成本可控的样本，不用太多；因模型太大，GPT-3在子任务训练的时候，并不做梯度更新，不做微调，拼的就是模型的泛化性，不做训练，只做预测。在GPT-3中,meta-learning其实就类似GPT-2里边的Multitask learning，in-context learning其实就类似zero-shot、one-shot或few-shot，只不过是为了和之前GPT模型区分开来才出现的新词而已。GPT-3不更新梯度，定义好任务之后，真正做任务之前，one-shot告诉模型一个例子，模型看到例子对应的整个句子后，能从句子中提取有用的信息来帮助后面的推理，虽然例子是训练样本，但不会对模型做梯度更新，而是在模型做前向推理时，能通过注意力机制处理较长的序列信息，从而从例子中间抽取出有用的信息来帮助下面的推理，这也就是上下文学习的由来。few-shot是对one-shot的拓展，之前就给一个样本，现在给多个样本，例子可以更长，但更长不一定有用，不一定能抽取出长句子的信息，取决于模型处理的序列长度的能力。GPT-3对新任务更友好，不需要调超参，只需要做预测就行了，但坏处就是训练样本就是特别大（比如英语翻译法语任务，可以在网上找到几百上千个样本来帮助翻译），想放到模型里边是很难的事情，模型有可能处理不过来，第二个问题就是有一个效果还不错的训练样本，每一次预测都得给到模型，因为梯度未更新，并没有存到模型。GPT-3比GPT-2数据和模型都大了100倍，效果做出来不出意外地也非常好，实际应用的效果非常惊艳，纯属暴力出奇迹；
   • 开源社区崛起，Meta推出LLaMA系列，降低大模型使用门槛；多模态模型（如GPT-4、Gemini）实现文本、图像、音频的跨模态融合；
   • 后续模型如GPT-4（2023）、LLaMA（2023）突破万亿参数规模‌。
2. 技术优化方向‌
   • 稀疏注意力机制、混合专家系统（MoE）降低计算成本；多模态融合与指令微调增强任务适应性‌。

多模态与专业化升级（2023s-2025s）

1. 垂直领域渗透
   • LLM技术深入行业场景（2023），医疗、金融、教育等领域涌现专业化模型（如DeepSeek-R1、Claude），在医疗诊断辅助、金融风险评估、教育个性化推荐等场景加速落地，模型通过自我进化机制（如数据进化、模型进化）提升复杂推理能力‌，强调推理能力与垂直领域的适配性；
2. 安全与标准建设
   • 国际标准《大语言模型安全测试方法》发布（2024），推动LLM伦理对齐与安全可控；混合专家架构（MoE）、联邦学习等技术优化模型效率与隐私保护；
3. DeepSeek开源（2025年初），加速AGI落地
   • DeepSeek-R1等模型实现低成本高性能训练，结合Agent智能体技术构建自主决策能力，加速AGI技术落地。

LLM技术演进特征

• ‌规模增长‌：从统计模型（百万参数）到LLM（万亿参数），模型规模呈指数级增长‌；
• ‌能力扩展‌：从文本预测扩展至复杂语义理解、跨模态生成及自我优化‌；
• 算法创新：从单一语言理解向多模态交互、自主智能体演进，动态稀疏训练、无监督对齐等技术持续突破算力与数据瓶颈；
• 行业变革：LLM重塑教育、医疗、制造等领域的知识服务模式（如ACLAS的全球化AI教育平台），推动生产力跃迁与全球协作；
• 安全治理：开源生态与标准化建设并行，平衡技术创新与伦理风险，探索人机协作的可持续发展路径；
• 研究焦点‌：当前聚焦于提升推理效率、降低能耗与增强可解释性‌。
• LLM从符号主义时代的理论萌芽，历经深度学习革命与预训练模型爆发，最终演化为多模态、专业化、安全可控的下一代AI基础设施，持续拓展人类认知与机器智能的融合边界。

AI Agent

Agent是什么

定义

AI Agent是一种概念方法论，围绕LLM建设一个生态，形成智能体。它能够‌感知环境、自主决策并执行任务，通过LLM作为核心大脑，结合记忆模块、规划能力和工具调用机制，实现类似人类的目标驱动行为‌。

1. 用prompt来引导LLM进行规划（Reflection、Self-critics、Chain-of-Thoughts、Subgoal-decomposition），进而做出正确的决策，有了一步步的输出。
2. 输出给到tools，去做真正的action，也就是执行。
3. memory在规划中也有很大的作用，通常大模型和外部的交流和接触是通过memory去获取的。

LLM-Agent的两种架构

1. LLM + 记忆 + 规划 + 工具 + 反馈

   AI Agent 架构

2. 生物学角度理解

   AI Agent 架构（生物学角度理解）

Agent为什么出现？

用户输入-LLM模型输出的模式，从功能看起来更像是一个大脑决策（任务规划）的角色，AI Agent是大语言模型能力的外延（LLM+插件+执行流程），大模型能力是有上限的，端到端虽然理想，但是复杂问题很难解决，Agent这种拆解形式，会更加流行。AI Agent让LLM具备目标实现能力，并通过自我激励循环来实现给定的目标。LLM与LangChain等工具相结合，释放了内容生成、编码和分析方面的多种可能性，目前在ChatGPT插件中比较有代表性的插件就是code interpreter。在通往AGI通用人工智能的路上，AI Agent是必经之路。

LLM的缺点

1. 它是基于训练数据的概率统计规律，并非是真实逻辑，会产生幻觉；
2. 结果并不总是真实的；
3. 对时事的了解有限或一无所知；
4. 很难应对复杂的计算；
5. 缺少垂直领域的数据。

Agent的优势

1. 给模型加各种外挂，添加五官和手脚，实现感知和动作，让专业的人做专业的事。
2. 给概率统计规律，连接了真实世界的逻辑，所以更加强大。
3. 直接由LLM端到端实现AGI，当前不太可能，就像聪明的人类会使用工具一样，把LLM作为Agent中心，将复杂任务分解，在每个子步骤实现自主决策和执行。
4. LAM（Large-Agent Models）成为当前主流。
5. 外部工具，比如谷歌搜索（获取最新信息）、Python REPL（执行代码）、Wolfram（进行复杂的计算）、外部API（获取特定信息）等。

Agent的组成

记忆、规划、工具

记忆 Memory

AI Agent Memory

规划 Planning

一项复杂的任务通常涉及许多步骤，Agent必须了解任务是什么并提前进行规划，通常通过Prompt提示词工程来实现。

任务分解

AI Agent Planning 任务分解

自我反省

自我反省，允许Agent通过完善以往行动决策和纠正以往错误来迭代改进。

1. ReAct
   • 将动作空间扩展为一个任务特定的离散动作和语言空间的组合，将推理和动作集成在LLM中，引导LLM如何输出和思考；
   • 融合Reasoning和Acting的一种Prompt范式，仅仅包含thought-action-observation步骤，很容易判断推理的过程的正确性。

   AI Agent Planning ReAct

2. Self-ask
   • 一种follow-up的使用范式，仅仅包含follow-up，immediate answer步骤；
   • Self-ask需要一个/少量Prompt来引导LLM如何回答Prompt问题。整个过程中，会大量的跟搜索引擎或向量知识库交互，不断地自我问答，来提升大语言模型（绿色背景为LLM输出，白色是LLM的输入，下划线为Inference-time）。

   AI Agent Planning Self-ask

工具 Tools

借助外部API工具，补充LLM缺少的行动能力，让专业的人做专业的事。Action，有了工具，就可以执行了。

AI Agent Tools

Agent热门应用

1. 模拟智能体（Simulations Agent）
   • 在模拟器中包括一个或多个Agent相互作用；
   • 主要组成包括长期记忆、模拟环境，多个Agent之间相互作用，离不开对环境的依赖；
   • 比较著名的例子，比如斯坦福“西部世界”（Generative Agent）、Role-Playing框架（CAMEL）等。
2. 自动化智能体（Automatic Agent）
   • 给定一个或多个长期目标，独立执行这些目标；
   • 比如AutoGPT、BabyGPT、AgentGPT。
3. 多模态智能体（Multimodal Agent）
   • 除了NLP信息外，还可以拓展到图像、语音、视频的交互；
   • 比如Visual ChatGPT、AssistGPT、HuggingGPT等。

Agent问题和挑战

1. 目前Agent需要人为设计；
2. 依赖大模型的核心能力，大模型本身够强才行；
3. 链路过长，某一环节出错，前功尽弃；
4. 多次调用大模型，效率不高；
5. 迁移能力弱，换模型需要重新写提示词；
6. 能力强弱，取决于写提示词的水平；
7. 无论是AI技术，还是Agent发展，都处于探索阶段，离AGI还有一段距离，当前可以把它作为一个助手使用，提高效率，并不能完全托管。

结语

AI Agent的崛起标志着AI从‌被动响应‌迈向‌主动创造‌的新纪元。作为LLM的“行动化身”，它正以三种范式重构人机交互。

1. 从工具到伙伴‌：通过自主规划与工具调用，AI Agent突破传统AI的“指令-执行”边界，成为能独立完成复杂任务的智能体（如自主科研实验设计、跨平台商业决策）；
2. 从孤岛到生态‌：多智能体协作系统（Multi-Agent Systems）正在形成动态网络，通过角色分工与博弈机制实现群体智能涌现（如自动驾驶车群协同、供应链博弈优化）；
3. 从感知到创造‌：结合多模态感知与具身智能（Embodied AI），AI Agent开始突破数字世界，在物理空间中操作机器人、调控工业设备，催生“硅基生命”的早期雏形。

这一进程不仅将重塑生产力范式（据Gartner预测，到2027年50%企业流程将由AI Agent主导‌），更在叩击人类文明的核心命题——当机器具备目标拆解、策略迭代和自我进化能力，我们亟需在技术狂飙中构建‌价值锚点‌：如何在效率革命与伦理约束间取得平衡？如何定义人机协作的“可控边界”？这或许才是AI Agent时代留给人类的最大课题。

数字世界的“认知革命”已然启幕，而真正的颠覆，或许才刚刚开始。

2025 Agent元年 于 北京 记