🤖 什么是 AI Agent
📜 Agent 的起源与发展
AI Agent 的概念并非 ChatGPT 之后才出现。早在 20 世纪 50 年代，人工智能研究者就开始构想能够自主感知和行动的智能系统。但在 LLM 能力取得突破之前，Agent 大多停留在规则系统或受限领域的学术探索中。
Siri 时代（2011-2016）：智能助理萌芽
2011 年 Apple Siri 的发布标志着消费级智能助理的开端。随后 Google Assistant、Amazon Alexa、Microsoft Cortana 相继推出。但这一阶段的"Agent"本质上是意图分类 + 模板匹配系统：将用户语音转文本，匹配到预定义的意图槽位，执行固定的 API 调用。无法处理复杂推理或动态任务规划。
LLM 突破（2022-2023）：Agent 成为可能
GPT-3.5/4 的发布彻底改变了 Agent 的技术基础。大语言模型展现出推理、规划、工具使用的能力，使得 Agent 不再需要为每个场景编写规则。2023 年，AutoGPT、BabyAGI、LangChain 等项目将 "LLM + 工具 + 循环" 的模式推向大众，Agent 正式成为一个独立的技术品类。
协议标准化（2024）：MCP 与 A2A
2024 年 Anthropic 发布 MCP（Model Context Protocol），为 Agent 与外部工具/数据源之间的交互提供了统一协议。Google 提出的 A2A（Agent-to-Agent）协议则推动了多 Agent 协作的标准化。工具生态开始形成网络效应。
智能体生态（2025-2026）：生产化与规模化
企业级 Agent 平台（如 Microsoft Copilot Studio、Salesforce Agentforce）将 Agent 能力嵌入业务流程。多 Agent 协作、Agent Swarm 架构在垂直领域开始落地。端侧 Agent（手机、IoT 设备）使智能体无处不在。
🧬 Agent 的核心四要素
🤖 自主性 Autonomy
Agent 能够在没有人类逐步指导下独立做出决策并执行。从理解任务目标 → 分解子任务 → 调用工具 → 评估结果，整个过程由 Agent 自主驱动。自主性越高，Agent 能处理的场景越复杂，但安全和可控性挑战也越大。
👁️ 感知力 Perception
Agent 通过多种输入通道感知环境：自然语言文本、结构化数据（API 响应、数据库查询）、多模态信息（图像、音频），乃至实时流数据。LLM 的语义理解能力使 Agent 能从非结构化输入中提取结构化意图。
🦾 行动力 Action
Agent 不仅"思考"，更能"行动"：调用外部 API、执行代码、操作数据库、发送消息、控制设备等。Function Calling 是行动力的核心机制——Agent 将推理结果映射为具体的函数调用，并通过工具响应获取反馈。
🧠 记忆 Memory
短期记忆（对话上下文窗口）使 Agent 理解当前会话的连贯性。长期记忆（向量数据库、知识图谱、外部存储）使 Agent 跨会话积累知识。记忆系统是 Agent 从"一次性助手"进化为"持续学习助手"的关键。
👤 单 Agent vs 👥 多 Agent
| 维度 | 单 Agent | 多 Agent |
|---|---|---|
| 架构复杂度 | 低，单一推理循环 | 高，需编排、通信、冲突解决 |
| 适用场景 | 明确、边界清晰的单人任务 | 需要角色分工的复杂协作任务 |
| 调试难度 | 相对简单 | 困难，需追踪多 Agent 交互链 |
| 成本 | 较低，单条推理链 | 较高，多条推理链并行/串行 |
| 容错性 | 依赖单点重试 | 可通过其他 Agent 补偿 |
| 典型框架 | LangChain, LlamaIndex | AutoGen, CrewAI, Swarm |
选择原则：从单 Agent 开始。只有当单 Agent 确实无法胜任（任务需要不同专业角色、或并行处理多个独立子任务）时，才引入多 Agent 架构。多 Agent 引入的编排复杂度和调试成本往往被低估。
🧩 Agent 的 LLM 基础
LLM 是 Agent 的"大脑"，提供以下核心能力：
- 推理与规划：将复杂指令分解为可执行的步骤序列（Chain-of-Thought、ReAct）
- 工具选择：根据当前任务状态选择合适的 Function/Tool 并生成准确的调用参数
- 结果评估：判断工具返回结果是否满足任务要求，决定继续还是终止
- 对话理解：理解用户意图、维护多轮对话的一致性
- 知识整合：将检索到的外部知识与模型内化知识进行综合推理
不同 LLM 在推理能力、函数调用准确性、上下文窗口大小、成本等方面差异显著。选择合适的基座模型是 Agent 设计的第一步。详见 架构设计 章节的模型选型部分。
📊 Agent 成熟度等级（L0-L5）
| 等级 | 名称 | 特征描述 | 示例 |
|---|---|---|---|
| L0 | 无 Agent | 纯规则系统，无 LLM 参与 | 传统聊天机器人、if-else 规则引擎 |
| L1 | LLM 增强 | LLM 辅助理解/生成，但不自主决策 | 含 LLM 分类器的工单路由 |
| L2 | 单步工具 | 可调用单个工具，无多步规划 | 自然语言查询数据库的 ChatBot |
| L3 | 多步规划 | 分解复杂任务、多步执行与重试 | 代码生成+运行+调试循环的 Coding Agent |
| L4 | 自主协作 | 多 Agent 分工协作，自主协调 | 多角色配合的软件开发团队 Agent |
| L5 | 完全自主 | 全自主决策，在任意领域完成开放式任务 | AGI（目前仅存在于理论中） |
当前（2025-2026）行业主流处于 L2-L3 阶段，部分前沿团队在探索 L4 多 Agent 协作。L5 完全自主智能体仍是长期目标。
Agent 的核心能力是自主行动：它使用 LLM 进行推理，但最终目标是执行任务——调用 API、操作数据、运行代码、控制设备。Agent 的输出是"行动结果"而非"文本回复"。
一句话区分：ChatBot 和你聊天，Agent 为你做事。许多自称 "Agent" 的产品实际上是 L1-L2 级别的增强版 ChatBot，不具备真正的自主多步行动能力。