AI智能体（AI Agent）: 概念、技术、趋势及其在制造业中的应用

Hello，大家好，我是人月聊IT。

今天分享Google DeepResearch对AI  Agent的研究分析报告。

具体使用的提示语如下：

请帮我整理一份AI Agent的研究报告，需要包括如下内容

1. 基本概念

2. 核心组件

3. 运作机制和工作原理，和大模型的关系

4. 关键能力，为何这些能力是大模型能力的有益补充

5. 关键实现技术

6. 常用的Agent开发框架和开发流程

7. 发展趋势（需要描述和大模型的关系，和MCP的关系）

   7.1 详细说明通用智能体的发展和底层逻辑

   7.2 详细说明智能体间协同和A2A协议

   7.3 阐述随着MCP生态完善，大模型本身是否会演进为一个通用智能体

8. 应用案例和实践，重点讲在制造企业营销，供应链，生产制造三大业务域方面的应用案例

9. 当前落地的主要问题和挑战

希望研究报告关键内容能够配图，可以是可以互联网直接访问到的架构图或示意图。

1. AI Agent 的基本概念

1.1. AI Agent 的核心本质与目标

人工智能代理（AI Agent）是利用人工智能（AI）来感知环境、代表用户追求目标并完成任务的软件系统 。这些系统的核心特征在于其目标导向的行为、推理能力、规划能力、记忆能力以及一定程度的自主性。AI Agent 的出现和发展，在很大程度上得益于生成式人工智能和基础模型的多模态处理能力，使其能够同时处理文本、语音、视频、音频、代码等多种信息，并进行对话、推理、学习和决策 。

AI Agent 的基本运作方式是与环境交互，收集相关数据，并基于这些数据和预设目标来执行任务 。与仅仅遵循预定义指令的传统软件程序不同，智能代理能够根据环境反馈和经验学习来调整自身行为，其核心原则是自主性，即在无需人类直接干预的情况下运行，同时仍然遵循人类创造者设定的目标 。

这种独立性和目标导向行为的结合，使其在处理复杂动态任务方面具有巨大价值。从更广泛的学术视角来看，人工智能本身常被定义为“对智能代理的研究与设计”，强调目标导向行为是智能的核心 。在商业环境中，AI Agent 则被视为能够以最少的人工监督来做出决策和执行任务的应用程序，它们补充而非取代人类的努力，旨在构建更高效、更有效的工作团队 。

AI Agent 的定义正从简单的基于规则的系统演变为由生成式AI和大型语言模型（LLM）驱动的复杂实体。这意味着AI Agent的能力和潜在应用正在迅速扩展，其发展与底层AI模型的进步直接相关。例如，多模态生成式AI和基础模型的发展，是现代AI Agent能够处理多样化信息、进行复杂对话和推理的关键推动因素 。若缺乏这些先进的AI基础，Agent的能力将受限于更简单的、基于规则的交互模式。

1.2. AI Agent、AI 助手与聊天机器人的比较分析

在人工智能领域，AI Agent、AI 助手（AI Assistant）和聊天机器人（Bot）是三个常被提及但功能和定位各不相同的概念。清晰区分它们对于理解AI Agent的独特性至关重要。

AI Agent 的核心在于其高度的自主性和主动性。它们能够独立运作并做出决策以达成目标，处理复杂的多步骤任务和工作流，并通过学习不断适应和改进其性能 。其交互模式是主动的、目标导向的。

AI 助手，如Siri或Alexa，其主要目的是协助用户完成任务。它们能够理解和响应自然语言输入，提供信息，完成简单任务，并可以推荐行动方案，但最终决策权仍在用户手中 。AI助手的自主性较低，通常需要用户的明确指令或提示，其交互模式是反应性的。

聊天机器人则更为基础，通常用于自动化简单的、预定义规则的任务或对话。它们遵循预设脚本，学习能力有限，主要进行基本交互，自主性最低 。

下表总结了这三者在关键特征上的差异：

表1：AI Agent、AI 助手与聊天机器人的特征比较

资料来源：综合整理自 2

从聊天机器人到AI助手再到AI Agent，这一演进过程反映了认知负荷和决策权从人类向人工智能逐步转移的趋势。这一趋势表明，未来人工智能将在人类社会中扮演日益复杂和自主的角色，这不仅可能重塑人机交互模式和工作职能，也对AI的伦理和社会影响提出了更深层次的考量。

这种进步的背后，是AI在学习和推理能力上的不断突破，以及对更高效率和自动化水平的持续追求。随着AI Agent能力的增强，目前由人类甚至AI助手执行的任务，未来可能会被AI Agent所取代，这将对劳动力市场、用户界面设计（可能更侧重于对Agent的目标设定）以及自主决策的伦理边界产生深远影响。

1.3. AI Agent 的类型学

AI Agent 可以根据其感知能力、决策逻辑和学习机制等多个维度进行分类。理解不同类型的Agent有助于针对特定任务和环境选择或设计最合适的Agent架构。常见的Agent类型包括：

• 简单反射型Agent (Simple Reflex Agents)：这类Agent仅基于当前的感知信息做出反应，忽略历史感知。其决策逻辑通常基于预设的“条件-行动”规则（例如，如果温度低于阈值，则开启加热器）。它们适用于环境完全可观察且历史信息不影响当前决策的简单场景。
• 基于模型的反射型Agent (Model-Based Reflex Agents)：这类Agent比简单反射型更进一步，它们维护一个内部的世界模型来描述环境中当前不可观察的部分。这个模型基于感知历史进行更新，帮助Agent理解其行为如何影响世界，并据此选择行动 。这使得它们能够处理部分可观察的环境。
• 基于目标的Agent (Goal-Based Agents)：这类Agent的行为以实现特定目标为导向。它们不仅理解当前环境状态，还能通过规划一系列行动来达到预设的目标状态。它们能够评估不同行动序列，选择最优路径 。例如，机器人吸尘器的目标是清洁整个房间。
• 基于效用的Agent (Utility-Based Agents)：当存在多个可能达到目标的路径，或者目标本身有不同程度的“好坏”之分时，基于效用的Agent会选择能够最大化其“效用函数”的行动。效用函数量化了不同状态的期望度，使得Agent能够做出更优化的决策，而不仅仅是达成目标 。例如，在导航时选择最快且最安全的路线。
• 学习型Agent (Learning Agents)：这类Agent能够从经验中学习并随时间推移改进其性能。它们包含一个学习元件，用于根据“批评家”提供的反馈（关于其行为好坏的评估）来修改其“执行元件”（负责选择外部行动的部分）3。这使得它们能够在未知或动态变化的环境中运作并不断适应。
• 分层Agent (Hierarchical Agents)：这类Agent通常组织在多层结构中，高层Agent负责分解复杂任务并将其分配给低层Agent执行。低层Agent完成子任务后将结果反馈给高层Agent 。这种结构有助于管理复杂性和提高效率。

此外，根据Agent的数量，可以分为单Agent系统 (Single-agent systems) 和 多Agent系统 (Multi-agent systems, MAS)。单Agent系统由一个独立的Agent运作，而多Agent系统则包含多个Agent，它们之间可能进行协作或竞争以达成共同或各自的目标。

不同类型的AI Agent代表了不同层次的复杂性和“智能”。这种分类不仅具有学术意义，更直接指导了针对特定任务和环境构建适用Agent的设计选择。例如，一个简单的恒温器（简单反射型Agent 的架构与一辆自动驾驶汽车（可能是一个包含学习和基于效用组件的复杂混合型Agent） 的架构截然不同。开发者必须将Agent的架构与其任务需求相匹配：用过于简单的Agent处理复杂任务会导致失败，而对简单任务过度设计则效率低下。此类型学为Agent设计提供了关键的决策框架。

1.4. 理解 Agentic AI 与 AI Agent 的关系

近年来，“Agentic AI”（代理型AI）这一术语越来越多地出现在讨论中，有时与“AI Agent”混用，但两者之间存在重要的概念区分。理解这种区分有助于把握AI领域的发展脉络。

根据Sapkota等人的研究，AI Agent 通常被定义为由大型语言模型（LLM）和大型图像模型（LIM）驱动的模块化系统，专注于狭窄的、任务特定的自动化。它们是生成式AI的进阶，通过工具集成、提示工程和推理增强来实现功能 。这类AI Agent通常是单个实体系统，通过调用外部工具、应用顺序推理和集成实时信息来完成明确定义的功能 。

相比之下，Agentic AI 则代表了一种范式上的转变，其核心特征是多Agent协作、动态任务分解、持久化记忆和精心策划的自主性 (orchestrated autonomy)12。

Agentic AI系统由多个专业化的Agent组成，它们在一在更广泛的工作流中进行协调、沟通和动态分配子任务 。这种架构上的差异导致了两者在可扩展性、适应性和应用范围上的深刻不同。

Agentic AI更侧重于决策过程，而不仅仅是内容生成，并且不完全依赖于人类提示，也无需持续的人类监督 。它引入了更高程度的自主性和上下文适应能力，使其能够独立地感知、推理和行动，根据环境动态决定最佳行动方案，甚至重新定义自身行动以优化结果 。

因此，“Agentic AI”代表了相对于一般“AI Agent”而言具备更加先进、通常更系统化且高度自主的范式。“AI Agent”可以涵盖更简单的单实体系统，而Agentic AI则强调在多Agent环境中的协作、动态行为和被精心设计的自主能力，通常暗示的是一个由多个Agent组成的系统，而非单个Agent。

“Agentic AI”这一术语的出现，标志着AI领域从关注单个智能行动者向构建复杂协作智能系统的成熟转变。这一转变对于AI的设计、管理和治理具有深远影响。控制单个Agent与协调一个可能产生突现行为的“Agent社会”是截然不同的挑战。Agentic AI的特征，如多Agent协作、动态任务分解、持久记忆和精心策划的自主性 ，本质上是系统性的，涉及多个组件或Agent之间的复杂互动。这类似于理解个体心理学与理解社会动态之间的差异。

因此，构建Agentic AI系统不仅需要AI专业知识，还需要系统工程、分布式计算，甚至可能借鉴社会科学的概念来管理协调和突现行为。相应的，治理模型也必须适应这种分布式、自主决策带来的复杂性。

2. AI Agent 的核心组件与架构蓝图

图片

AI Agent的智能行为和自主运作依赖于一套精心设计的核心组件和结构化的架构。这些组件协同工作，使Agent能够感知环境、处理信息、制定决策、执行行动并从中学习。

2.1. 核心功能组件：感知、记忆、规划、推理、决策、行动、学习

AI Agent 的功能实现依赖于多个相互连接的核心组件，每个组件都扮演着至关重要的角色：

• 感知与输入处理 (Perception and Input Handling)：这是Agent与环境交互的起点。它负责从各种来源（如用户查询、系统日志、API数据、传感器读数）接收原始输入，并将其转化为Agent可理解和使用的格式 。对于基于语言的Agent，这通常涉及自然语言处理（NLP）技术，如意图提取、实体识别；对于物理世界的Agent（如机器人），则可能涉及计算机视觉、传感器数据融合等 。处理后的信息被结构化，以便后续组件使用。
• 记忆 (Memory)：记忆组件赋予Agent存储和回忆信息的能力，这对于维持对话上下文、从过去的经验中学习以及执行连贯的多步骤任务至关重要 17。记忆通常分为短期记忆（如当前会话的上下文）和长期记忆（如知识库、用户偏好、过去的交互记录）。在LLM驱动的Agent中，记忆机制（如向量数据库、知识图谱）帮助Agent克服LLM本身上下文窗口的限制，实现更持久的上下文感知和知识积累 。
• 规划与任务分解 (Planning and Task Decomposition)：规划组件负责制定实现目标的策略和行动序列。它将复杂任务分解为更小、更易于管理的子任务，并确定这些子任务的执行顺序和依赖关系 。规划可以基于逻辑规则、启发式方法，或者在现代Agent中越来越多地利用LLM的推理能力来动态生成计划 。
• 推理与决策 (Reasoning and Decision-Making)：推理是Agent的核心智能所在。它利用已有的知识（来自记忆或LLM）、感知到的信息和规划模块制定的方案，进行逻辑推断、评估不同选项，并最终做出行动决策 。决策过程可能涉及评估行动的预期效用、权衡成本与收益、或遵循预设的策略 。流行的推理范式包括ReAct（Reasoning and Action）。
• 行动与工具调用 (Action and Tool Calling)：行动组件负责执行决策模块选定的操作。这可能包括与用户交互（如生成回复）、调用内部函数、与外部系统API通信（即工具调用），或者在物理环境中驱动执行器 17。工具调用极大地扩展了Agent的能力范围，使其能够获取实时信息、执行复杂计算或与现实世界系统互动 。
• 学习与适应 (Learning and Adaptation)：学习组件使Agent能够从经验中改进其行为和性能。通过分析行动的结果和环境的反馈，Agent可以调整其内部模型、更新知识库或优化决策策略 。学习机制可以基于监督学习、无监督学习或强化学习等范式 。

这些组件的模块化设计是AI Agent灵活性和专业化的关键。不同的Agent可以根据其特定目标，在各个组件的复杂程度上有所不同。例如，一个主要进行数据分析的Agent可能拥有高度发达的推理模块，但行动模块相对简单；而一个机器人Agent则需要一个复杂的行动模块。这种模块化特性对于构建能够适应广泛任务的多样化AI Agent至关重要。

同时，这些组件的功能是高度相互依赖的。“行动”组件的有效性直接取决于从“感知”、“推理”和“规划”组件流入的信息和决策质量。早期阶段的错误或局限性会逐级传递，最终影响Agent的行动效果。因此，确保每个组件，特别是感知和推理组件的鲁棒性，对于Agent的可靠性能至关重要。

2.2. AI Agent 架构：基础设计原则

图片

AI Agent的架构是构建可靠、可扩展和安全智能系统的基础 。它规定了核心组件如何组织和交互，以支持Agent的自主行为和目标达成。常见的架构模式和设计原则包括：

• 分层架构 (Layered Architecture)：将Agent功能组织成层次结构，每一层执行特定功能并与相邻层通信。例如，底层处理数据收集和预处理，高层负责复杂决策 。这种模式提供了清晰的关注点分离和更易于维护的结构。
• 黑板架构 (Blackboard Architecture)：适用于需要多个专业模块协作解决复杂问题的场景。所有模块共享一个中央数据存储（黑板），它们可以读取和写入信息，通过这种间接方式进行通信和协作 。
• 包容架构 (Subsumption Architecture)：常见于机器人领域，将行为组织成多个独立的层，底层处理基本任务（如避障），高层管理复杂行为（如导航）。高层行为可以“包容”或覆盖底层行为 。
• 混合架构 (Hybrid Architectures)：结合多种架构模式的优点。例如，将包容架构的反应式行为与分层架构的审议式规划相结合 。
• 单Agent与多Agent架构 (Single-agent vs. Multi-agent Architectures)：
• 单Agent架构：由单个自主实体在其环境中做出集中决策并执行行动 。其优点是设计、开发和部署相对简单，资源需求较少，行为更易预测和调试。缺点是可扩展性有限，处理复杂或大容量任务时可能成为瓶颈，且通常针对特定功能或领域设计，灵活性较差 。简单聊天机器人和推荐系统是其典型用例 。
• 多Agent架构：涉及多个Agent协作解决复杂问题，每个Agent可能专注于特定领域或任务 。
• 基于LLM的统一框架 (Unified Framework for LLM-based Agents)：Wang等人提出的框架包含四个核心模块：画像模块 (Profiling Module) 确定Agent的角色和身份；记忆模块 (Memory Module) 存储和检索信息；规划模块 (Planning Module) 分解任务和制定策略；行动模块 (Action Module) 将决策转化为具体输出并与环境交互 20。LLM在所有这些模块中都扮演核心角色。

如上图，该图展示了一个典型的LLM驱动的AI Agent架构，其中LLM作为核心，驱动画像、记忆、规划和行动四大模块的运作。画像模块定义Agent的角色和行为模式；记忆模块（包括短期和长期记忆）为Agent提供上下文信息和经验知识；规划模块负责任务分解、步骤生成和策略制定；行动模块则执行最终决策，可能涉及工具调用或直接输出。这些模块通过LLM紧密协同，实现Agent的自主智能行为。

Agent架构的选择（例如，单Agent与多Agent，集中式与分散式控制）不仅对性能和可扩展性产生深远影响，还关系到Agent系统的弹性、适应性乃至其潜在的突现行为。例如，分散式多Agent系统可能对单点故障更具鲁棒性，但在协调和预测方面更具挑战性 。集中控制（如垂直多Agent架构）对于顺序任务效率较高，但可能产生瓶颈；而去中心化控制（如水平多Agent架构）则能促进创新，但决策过程可能较慢。

在复杂的多Agent系统中，特别是去中心化的系统中，Agent之间的交互可能导致未明确编程的、系统层面的突现行为。因此，架构设计是一个关键的权衡过程。设计者不仅要考虑眼前的任务性能，还必须顾及长期的适应性、鲁棒性以及系统在开放环境中扩展和交互时可能出现的复杂动态。这也与后续将讨论的治理和控制挑战紧密相关。

2.3. Agent循环 / 认知周期 (观察-判断-决策-行动-学习)

AI Agent的运作通常遵循一个迭代的认知周期，这个周期使其能够与环境持续互动、处理信息并向目标迈进。这个周期常被称为OODA循环（Observe-Orient-Decide-Act），有时也会加入“学习”（Learn）阶段，形成一个更完整的智能行为模型 。

• 观察 (Observe)：Agent通过其感知模块从环境中收集信息。这可能包括传感器数据、用户输入、来自其他系统的信息等 。
• 判断/定位 (Orient)：Agent处理和解释收集到的信息，将其与内部知识和模型进行关联，形成对当前情境的理解 。这包括评估态势、识别模式、更新内部状态等。
• 决策 (Decide)：基于对情境的理解和预设的目标，Agent评估可能的行动方案，并选择一个最合适的行动 。这可能涉及到规划、推理和效用计算。
• 行动 (Act)：Agent通过其行动模块执行选定的行动，从而影响环境或自身状态 。
• 学习 (Learn)：Agent根据行动的结果和环境的反馈来更新其知识、模型或策略，以期在未来的交互中表现得更好 。

图片

图2：AI Agent 认知周期 (OODA-L) 示意图

该图通常描绘一个循环流程，箭头指示从“观察”到“判断”，再到“决策”、“行动”，最后回到“学习”并影响下一轮的“观察”，形成一个持续优化的闭环。

OODA循环中的“学习”阶段是区分真正智能Agent与静态、基于规则的系统的关键。这种迭代学习能力，无论是通过强化学习、反馈循环还是记忆更新来实现，都是Agent在动态环境中适应并随时间改进其性能的基础。简单反射型Agent缺乏这一学习阶段，它们仅仅做出反应 。

学习使得Agent能够优化其对环境的理解（判断），改进决策过程（决策），并在后续周期中执行更有效的行动（行动）。因此，嵌入在此循环中的学习机制的复杂程度，决定了Agent长在自主性和智能的上限，这也是当前AI研究的一个核心领域。

3. AI Agent 的运作机制与工作原理

AI Agent的运作机制围绕其感知环境、基于内部逻辑进行决策并最终采取行动的核心流程展开。大型语言模型（LLM）在现代AI Agent中扮演着越来越重要的角色，通常作为其“大脑”或核心认知引擎。

3.1. AI Agent 如何感知、决策与行动

AI Agent的运作遵循一套结构化的流程，使其能够在环境中感知信息、分析情境、做出决策并采取行动以达成特定目标。这个过程可以概括为以下几个关键步骤：

1. 感知 (Perception) / 输入 (Input)：Agent首先通过其传感器（物理或虚拟）从环境中收集数据。对于语言模型驱动的Agent，这通常是用户的文本、语音输入，或者来自其他系统API的结构化/非结构化数据 。感知模块负责处理这些原始输入，例如，通过自然语言处理（NLP）提取用户意图和关键信息，或通过计算机视觉识别图像中的对象 。
2. 决策 (Decision-making) / 推理 (Reasoning)：收集到信息后，Agent利用其内部算法、知识库和当前目标来处理这些信息，并决定下一步应采取的行动 。此阶段，Agent会确定需要哪些步骤、调用哪些工具来完成任务 。对于复杂的任务，Agent可能需要进行规划，将宏大目标分解为一系列可执行的子任务 。例如，Wang等人提出的统一框架中，画像模块（Profiling）首先确定Agent的角色和行为准则，记忆模块（Memory）提供历史上下文和相关知识，然后规划模块（Planning）基于当前目标和记忆信息来分解任务、生成行动计划 。
3. 行动 (Action)：最后，Agent执行决策。行动的范围很广，可以是在物理空间中移动（如机器人），也可以是生成文本回复、进行API调用、更新数据库、提出建议或对数据进行分类 。行动模块负责将Agent的内部决策转化为对外部环境的具体影响 。

这个过程通常是迭代的，Agent会持续感知环境变化，并根据新的信息调整其后续的决策和行动，形成一个反馈循环，即前述的OODA-L认知周期 。

在“决策”阶段，现代AI Agent越来越多地依赖大型语言模型（LLM）进行复杂推理。这标志着从简单的基于规则的逻辑向更细致、上下文感知的规划和模拟“思考过程”的转变，例如思维链（Chain of Thought, CoT）或思维树（Tree of Thoughts, ToT）等技术 。

早期的Agent可能仅使用简单的条件-行动规则进行决策 ，而LLM的引入使其能够“推理”问题、分解任务并评估潜在的行动路径 。例如，CoT技术明确旨在模拟在得出决策或行动之前逐步推理的过程。这种转变使得Agent更加灵活，更能处理新颖情况，但也带来了新的挑战，如决策过程的可解释性以及LLM在推理过程中可能出现的特有错误（例如幻觉）。

3.2. 大型语言模型 (LLM) 作为“大脑”的角色

在众多现代AI Agent中，大型语言模型（LLM）正日益成为其核心认知引擎，通常被形象地比喻为Agent的“大脑”。LLM之所以能扮演这一角色，源于其强大的自然语言理解与生成能力、广泛的世界知识以及日益增强的推理能力 。

LLM在Agent架构中的具体作用体现在多个方面：

• 理解用户意图与指令：LLM能够解析复杂的自然语言输入，理解用户的目标和约束条件 。
• 知识检索与应用：LLM在训练过程中学习了海量文本数据，使其拥有一个庞大的内部知识库，可以用于回答问题、提供信息或作为决策依据 。
• 规划与推理：LLM可以被引导进行多步推理，将复杂任务分解为子任务，并规划执行步骤 。例如，通过思维链提示（Chain-of-Thought prompting），LLM可以模拟人类的思考过程来解决问题。
• 决策支持：LLM可以评估不同行动方案的潜在结果，并根据目标选择最佳行动 。
• 生成行动指令或内容：LLM可以生成与外部工具交互的指令（如API调用参数），或者直接生成面向用户的自然语言回复 。

Wang等人提出的LLM 기반自主Agent统一框架明确将LLM定位为核心控制器，贯穿画像、记忆、规划和行动四大模块 。例如，画像模块可以利用LLM根据预设规则自动生成Agent的角色设定；记忆模块使用LLM处理和存储自然语言格式的记忆信息，并在记忆反思阶段总结经验；规划模块则利用LLM进行单路径或多路径推理，生成行动计划；行动模块在执行时，也可能依赖LLM的内部知识（如常识理解）或调用LLM来生成具体的行动参数或与用户沟通。

图片

图3：基于LLM的AI Agent架构 (统一框架示意图)

此图清晰展示了LLM在Agent架构中的中心地位，连接并驱动着画像、记忆、规划和行动等关键模块，使Agent能够自主执行复杂任务。

强大LLM的崛起直接催化了当前AI Agent开发和能力的飞跃。若没有LLM，Agent在很大程度上仍将停留在功能有限的、基于规则或特定机器学习模型的系统中 。LLM提供了先前难以大规模实现的通用世界知识、语言理解和推理能力 ，而这些正是Agent有效理解目标、进行规划和与环境互动的认知基础。LLM相当于为Agent提供了一个现成的、强大的“认知引擎”，显著降低了创建复杂Agent的门槛。

然而，过度依赖单一LLM作为“大脑”也可能造成中心故障点或瓶颈，特别是在LLM可能存在弱点的特定推理类型或知识领域（例如精确计算、实时信息获取）。这表明未来趋势是发展混合架构，其中LLM由专业工具或其他AI模型进行增强 。LLM自身存在的局限性，如可能产生幻觉  或缺乏实时数据访问能力 ，促使了“工具使用” 这一概念的出现，允许Agent将特定任务分派给更合适的组件处理。这预示着最稳健的Agent架构将包含一个作为中央协调器或推理器的LLM，但会高度依赖一个多样化的外部系统和专业模型工具包，从而实现一种更分布式的认知功能，而非依赖单一的“大脑”。

3.3. AI Agent 与 LLM 的交互：增强与编排

AI Agent并非简单等同于LLM本身，而是LLM在特定框架下的应用和扩展。Agent框架负责构建与LLM的交互结构，利用LLM完成如规划、工具选择或响应生成等特定任务，而框架本身则处理执行、记忆管理以及与外部工具的交互 。

具体来说，交互和编排体现在以下几个层面：

1. LLM作为核心推理和语言处理单元：Agent将用户的自然语言请求或感知到的环境信息传递给LLM，由LLM进行理解、分析和推理。LLM的输出（可能是计划、决策、需要调用的工具或生成的文本）再返回给Agent框架 。
2. Agent框架提供执行能力：LLM本身不具备直接执行物理动作或调用外部API的能力。Agent框架（如LangChain, AutoGPT）提供了必要的“脚手架”，包括工具接口、执行循环和状态管理，使得LLM的“思考结果”能够转化为实际行动 。例如，当LLM决定需要查询天气API时，是Agent框架负责实际调用该API并将结果返回给LLM进行下一步处理。
3. 记忆管理：LLM的上下文窗口有限，无法维持长期记忆。Agent框架通过集成外部记忆模块（如向量数据库、知识图谱）来弥补这一不足，存储和检索历史交互、用户偏好、学习到的知识等，并在需要时将相关记忆注入LLM的提示中，以提供更丰富的上下文 。
4. 工具使用编排：Agent框架定义了可供LLM选择的工具集，并管理工具的调用过程。LLM根据任务需求选择合适的工具，并生成调用参数；Agent框架负责执行调用、处理返回结果，并将结果反馈给LLM以供其进行后续规划或响应生成 。Anthropic提出的“工作流”（由预定义代码路径编排LLM和工具）和“Agent”（LLM动态指导自身流程和工具使用）概念，正体现了不同层次的LLM编排 。
5. 多轮交互和任务持续：对于需要多步骤、长时间运行的任务，Agent框架负责维护任务状态，协调LLM在不同阶段的参与，确保任务的连贯性和最终完成 。

AI Agent将LLM从一个被动的“缸中之脑”转变为能够与真实世界互动并解决问题的主动实体。它们为LLM的语言智能提供了“身体”（通过工具使用和行动执行）和增强的“心智”（通过持久记忆和结构化规划）。

LLM本身主要处理信息和语言 ，其固有的局限性在于超越上下文窗口的无状态性、无法执行任务以及无法直接访问外部工具或实时数据 。而Agent的能力正是对这些局限的补充：工具使用连接LLM与外部API、数据库和实时信息 ；记忆模块提供超越LLM上下文窗口的持久性 ；规划与行动执行则将LLM的推理转化为具体的步骤和行动 。这种协同作用使得Agent框架能够将LLM的智能操作化为有目的的行动。

4. AI Agent 的关键能力及其与LLM的协同效应

AI Agent之所以能够有效地执行任务并与环境交互，得益于其拥有一系列关键能力。这些能力不仅定义了Agent的智能水平，更重要的是，它们能够显著补充和扩展大型语言模型（LLM）的固有功能，使LLM从一个强大的语言处理工具转变为能够主动行动和解决问题的智能实体。

4.1. 核心能力：自主性、规划、推理、记忆、工具使用、学习与适应、主动性

AI Agent的核心能力是其实现复杂行为和达成目标的基础。这些能力相互关联，共同构成了Agent的智能特征：

• 自主性 (Autonomy)：这是AI Agent最显著的特征之一。自主性指的是Agent在没有持续人工干预的情况下，根据自身目标和对环境的感知独立做出决策和执行行动的能力 。它们一旦被初始化并赋予目标，就能在很大程度上自我驱动。
• 规划 (Planning)：Agent能够为达成目标制定详细的行动计划。这包括将复杂任务分解为一系列可管理的子任务，确定执行顺序，评估不同行动路径的优劣，并根据可用信息和期望结果选择最佳行动方案 。
• 推理 (Reasoning)：Agent利用逻辑和可用信息进行推断、得出结论和解决问题。强大的推理能力使Agent能够分析数据、识别模式，并基于证据和上下文做出明智的决策 。现代Agent常借助LLM进行复杂的、类似人类的推理过程 。
• 记忆 (Memory)：Agent能够存储和检索过去的经验、知识和上下文信息。这对于保持对话连贯性、从交互中学习、避免重复错误以及个性化用户体验至关重要 。记忆可以是短期的（如当前任务上下文）或长期的（如习得的知识和用户偏好）。
• 工具使用 (Tool Use)：为了与外部世界交互并扩展自身能力，Agent可以调用外部工具、API、数据库或执行代码。这使得Agent能够获取实时信息、执行物理操作（通过机器人）、进行复杂计算或与其他软件系统集成 。
• 学习与适应 (Learning & Adaptation)：智能Agent能够从经验中学习，并根据新的信息或环境变化调整其行为和策略，从而不断提升性能 。这种学习可以是通过反馈、观察或强化学习等机制实现的。
• 主动性 (Proactivity)：与被动响应用户请求的系统不同，AI Agent可以主动发起行动以实现其目标或应对预见到的变化 。例如，一个主动的维护Agent可能会在检测到设备异常早期迹象时主动安排检查。

这些能力并非孤立存在，而是构成一个相互依存的系统。有效的“规划”依赖于良好的“推理”和“记忆”；“学习与适应”则会随时间推移改进所有其他能力。正是这些组件之间的协同作用，共同塑造了强大的Agent行为。

例如，一个Agent若要有效地规划行动 ，就必须依赖记忆模块来回忆其目标和当前状态 ，而其计划的执行（行动）若缺乏稳健的推理能力则会漏洞百出。学习能力则对所有这些过程进行提炼和优化。

这表明，开发高级AI Agent需要一种整体方法，侧重于这些能力的整合与相互作用，而非孤立地优化单一能力。任何一个核心能力的薄弱都可能严重削弱Agent的整体性能和自主性。

4.2. 这些能力如何补充和扩展LLM的功能

大型语言模型（LLM）在自然语言理解、生成和一定程度的推理方面表现出色，但其本身存在一些固有局限，例如知识截止日期、缺乏直接行动能力、记忆受限于上下文窗口等。AI Agent的各项关键能力恰好能够弥补这些不足，从而极大地扩展LLM的实用性和应用范围。

• 克服静态知识，实现动态交互：
• LLM的知识通常是静态的，取决于其训练数据截止的时间点 。AI Agent通过工具使用能力，可以连接到外部API、数据库或实时信息源（如互联网搜索），为LLM提供最新的、动态变化的信息 。例如，一个Agent可以调用天气API获取当前天气，而不是依赖LLM训练数据中可能过时的天气信息。
• Agent的学习与适应能力也使其能够整合新的信息和经验，动态更新其行为模式，这与LLM一次训练后知识相对固定的特性形成对比 。
• 从“辅助”到“执行”，赋予LLM行动能力：
• LLM本身主要处理信息，生成文本响应，但不能直接执行任务或与真实世界系统交互 。AI Agent通过其行动模块和工具调用机制，将LLM的“建议”或“计划”转化为实际操作 。例如，LLM可以草拟一封邮件，但Agent可以实际发送这封邮件、预订会议室或处理退款请求 。这使得LLM从一个“顾问”转变为可以主动完成任务的“执行者”。
• 扩展记忆与上下文管理：
• LLM的记忆能力受限于其上下文窗口长度，难以处理需要长期记忆或跨多个交互周期的复杂任务 。AI Agent通过专门的记忆模块（如短期记忆、长期记忆、向量数据库）来存储和检索相关信息，为LLM提供更持久和更广泛的上下文，使其能够进行更连贯、更深入的对话和任务处理 。
• 实现自主规划与目标导向行为：
• 虽然LLM可以进行一定程度的推理和规划，但AI Agent的规划能力和自主性使其能够围绕一个高层目标，主动地分解任务、制定详细步骤、选择工具、执行计划，并在遇到障碍时调整策略 。LLM在这个过程中通常扮演核心的推理和决策支持角色，而Agent框架则负责整个流程的驱动和管理。
• 增强鲁棒性和可靠性：
• LLM有时会产生“幻觉”或不准确的输出 。AI Agent可以通过工具使用从可信来源验证信息，通过学习与适应机制从错误中学习并进行纠正，以及通过结构化的规划与推理流程减少输出的随意性，从而提高整体系统的可靠性。

AI Agent将LLM从一个强大的但相对被动的语言智能核心，转变为一个能够感知环境、记忆经验、规划行动、使用工具并主动解决问题的智能实体。Agent为LLM提供了与真实世界连接的“感官”和“肢体”，以及更持久和结构化的“记忆”与“执行意志”。

这种结合使得AI不再仅仅是一个分析或生成工具，而是演变成一种潜在的自主工作者或协作者。这种转变不仅在学术意义上让AI系统“更智能”，更重要的是，在实际应用中使其变得“更有用”和“更有影响力”。这种从信息处理到行动执行的飞跃，为企业和个人用户带来了巨大的实用价值，同时也引发了关于自动化、就业以及自主系统伦理的深远社会经济影响的讨论。

5. AI Agent 的关键实现技术

构建功能强大且可靠的AI Agent依赖于多种核心技术的协同工作。这些技术共同构成了Agent感知、思考、决策和行动的基础。

5.1. 大型语言模型 (LLM) 与自然语言处理 (NLP)

大型语言模型（LLM）和自然语言处理（NLP）技术是现代AI Agent，尤其是那些需要与人类进行自然语言交互或理解文本信息的Agent的核心。LLM，如GPT系列、Claude、Llama等，通过在海量文本数据上进行预训练，获得了强大的语言理解、生成、摘要、翻译和一定程度的推理能力 。

在AI Agent中，LLM通常扮演以下角色：

• 核心认知引擎/“大脑”：如前所述，LLM常被用作Agent的中央处理单元，负责解析用户输入、理解任务目标、进行推理和规划，并生成自然语言响应或行动指令 。
• 自然语言接口：NLP技术使Agent能够理解人类的自然语言指令（语音或文本），并以自然语言方式与用户沟通，提供更友好和直观的交互体验 。
• 知识来源：LLM本身蕴含了大量的世界知识，可以作为Agent的内置知识库，用于回答问题或提供决策所需的信息 。
• 内容生成：Agent可以利用LLM生成各种文本内容，如报告、摘要、代码、邮件等 。

所选LLM的质量、规模及其特定的能力（如上下文窗口大小、特定领域的知识、推理的深度和准确性）会直接影响构建其上的AI Agent的整体性能和局限性 。并非所有LLM都同等适用于所有类型的Agent任务。

例如，一个为创意写作设计的Agent可能从一个擅长生成多样化文本的LLM中受益，而一个专注于逻辑规划或代码生成的Agent则可能需要一个在这些方面表现更强的LLM。因此，选择或微调合适的LLM是Agent开发中至关重要的第一步，Agent的能力上限在很大程度上取决于其底层LLM的能力。

5.2. 机器学习 (ML)：监督学习、无监督学习与强化学习

机器学习是AI Agent实现学习、适应和优化决策的关键技术。不同的ML范式在Agent的构建和运行中发挥着不同作用：

• 监督学习 (Supervised Learning)：通过带标签的数据进行训练，使Agent能够学习输入与输出之间的映射关系。例如，训练一个Agent识别特定类型的用户请求或对文本进行情感分类。
• 无监督学习 (Unsupervised Learning)：从未标记数据中发现隐藏的模式或结构。例如，Agent可以利用无监督学习对用户进行聚类，以实现更个性化的服务。
• 强化学习 (Reinforcement Learning, RL)：这是与AI Agent行为学习最密切相关的ML范式之一。在RL中，Agent通过与环境的交互来学习。Agent采取行动，环境给予奖励或惩罚作为反馈，Agent的目标是学习一个策略（即在特定状态下应采取何种行动）以最大化累积奖励 。RL特别适用于Agent需要在动态环境中做出序贯决策并从成功和失败中学习的场景，例如游戏AI、机器人控制和某些类型的优化任务 。

尽管LLM为Agent提供了强大的通用知识基础，强化学习为Agent提供了一条通过直接经验微调其行为并适应特定环境或任务的途径，从而在这些特定情境下实现更优化和更稳健的性能。预训练提供了广泛的知识；RL则允许进行专门化的适应。

例如，一个LLM可能了解通用的客户服务原则，但一个经过RL训练的Agent可以学习在特定公司的生态系统中处理特定客户类型或问题的最佳方式。LLM预训练与基于RL的微调或在线学习相结合，可能是创建高能力和强适应性Agent的有效方法。然而，值得注意的是，Wang等人的研究指出，如果LLM的内部知识足够丰富，基于LLM的Agent可能并不总是需要广泛的RL训练 。这仍然是一个持续研究和发展的领域。

5.3. 规划算法 (例如 BFS, DFS, A*, PDDL)

规划是AI Agent实现目标导向行为的核心能力之一，它涉及到在采取实际行动之前预先思考并确定一系列行动步骤，以从当前状态达到期望的目标状态 。

• 经典规划算法：
• 搜索算法：如广度优先搜索（BFS）、深度优先搜索（DFS）和A*搜索等，被用于在状态空间中寻找从初始状态到目标状态的路径（即行动序列）。BFS保证找到最短路径（如果代价一致），但对大规模问题可能较慢；DFS速度较快，但可能错过最优解；A*算法结合了实际代价和启发式估计，能高效地找到最优路径，因此非常流行 。
• 启发式搜索 (Heuristic Search)：利用领域相关的知识（启发式信息）来指导搜索过程，只探索最有希望的路径，从而提高效率 。
• STRIPS类规划器：如前向链状态空间搜索（可能用启发式增强）和后向链搜索（可能利用状态约束增强）。
• 部分有序规划 (Partial-Order Planning)：与严格按顺序确定所有行动不同，它允许某些行动的顺序在规划后期再确定，增加了灵活性 。
• 高级规划技术：
• 时间规划 (Temporal Planning)：处理具有持续时间且可能并发执行的行动，需要考虑行动的开始和结束时间以及资源约束 。
• 概率规划 (Probabilistic Planning)：用于行动结果不确定或环境部分可观察的情况，通常使用马尔可夫决策过程（MDP）或部分可观察马尔可夫决策过程（POMDP）来建模 。
• 偏好规划 (Preference-Based Planning)：不仅要生成一个可行的计划，还要满足用户指定的偏好，这些偏好可能没有精确的数值 。
• 条件规划 (Conditional Planning)：生成的计划包含条件分支（如if-then语句），允许Agent根据运行时感知的信号做出反应。这使得Agent能够处理不确定性并适应动态变化的环境 。
• LLM在规划中的应用：
• 现代AI Agent，特别是基于LLM的Agent，越来越多地利用LLM本身进行规划。LLM可以通过单路径推理（如思维链CoT）或多路径推理（如思维树ToT）来分解复杂任务并生成行动步骤 。
• LLM还可以与外部经典规划器结合。例如，LLM可以将自然语言描述的任务目标转化为形式化的规划领域定义语言（PDDL），然后由专门的PDDL求解器来生成计划 。

LLM与经典规划算法的集成代表了一种强大的神经符号方法。LLM能够处理自然语言目标描述的模糊性和丰富性，将其转化为形式化表示，而稳健、可验证的经典规划器则可以解决这些形式化问题。LLM的长处在于理解复杂、模糊的自然语言目标，而经典规划器的长处在于在形式化问题空间中生成最优或可靠的计划。

这种协同作用——LLM将用户意图转化为形式化的问题描述（如PDDL），经典规划器解决这个形式化问题——可能带来更可靠和可解释的Agent规划能力，因为形式化的规划过程可以被审查，同时仍然允许自然的交互方式。

5.4. 知识表示 (例如知识图谱)

为了使AI Agent能够有效地存储、访问和推理结构化知识，知识表示技术至关重要。知识图谱（Knowledge Graphs, KGs）是其中一种关键技术，它能够为Agent提供丰富的上下文信息，并支持更复杂的推理过程。

• 知识图谱 (KGs)：KG以图结构的形式表示实体（如人、地点、概念）及其之间的关系。这种结构化的知识对于Agent理解世界、进行常识推理和做出明智决策非常有价值 。KGs能够连接离散的数据点并赋予其上下文含义，使AI能够“理解”实体间的复杂关系 。
• KGs在AI Agent中的作用：
• 提供上下文与背景知识：Agent可以查询KG以获取关于特定实体或概念的详细信息，从而更好地理解用户请求或当前环境 。
• 支持结构化推理：KG中的显式关系可以用于进行逻辑推断和演绎推理，补充LLM可能存在的常识推理不足 。
• 增强记忆系统：KG可以作为Agent长期记忆的一部分，存储结构化的事实和经验，供Agent在需要时检索和使用 。
• 处理歧义与不完整信息：KG能够编码语义信息，帮助Agent区分输入信息的多种可能解释（例如，“苹果”是指公司还是水果），并基于上下文、先前交互或领域知识进行判断。同时，KG还能通过推理填补不完整数据中的空白 。
• 作为多Agent系统的共享记忆：在多Agent系统中，KG可以充当通信媒介和共享记忆库，确保所有Agent对特定领域有一致的理解 。
• KG驱动的Agent架构：一种典型的KG驱动Agent架构可能包含三个层面：知识层（KG本身，负责数据存储、检索和更新）、推理层（利用结构化知识进行推断和决策，可能结合符号推理和统计方法）和行动层（将推理层的决策转化为具体行动）。

知识图谱作为一种关键的“锚定”机制，对于基于LLM的Agent尤为重要。它们有助于缓解LLM可能产生的幻觉，并提供可验证的、结构化的知识，以补充LLM中通常不透明的、隐性的知识。LLM的一个已知问题是可能产生幻觉 ，而知识图谱则提供了结构化的、基于事实的信息 。知识图谱可以充当一个“真理系统”，LLM可以查询它来验证信息或检索特定事实。

例如，在检索增强生成（RAG）技术中（常与Agent结合使用），通常会利用向量数据库（可以存储知识图谱的嵌入表示）或直接查询知识图谱，以便在LLM生成响应或计划之前为其提供上下文。因此，集成知识图谱能够通过将Agent的推理和响应锚定在明确的、经过筛选的知识中，从而显著提高AI Agent的可靠性和可信度。

5.5. 其他使能技术 (计算机视觉、RPA、云计算/边缘计算)

除了上述核心AI技术外，还有一些其他技术也在AI Agent的实现和能力扩展中扮演着重要角色：

• 计算机视觉 (Computer Vision)：对于需要在物理世界中感知和交互的Agent（如机器人、自动驾驶汽车），或者需要理解图像、视频等视觉信息的Agent，计算机视觉技术是必不可少的。它使Agent能够“看见”并理解视觉环境，识别物体、场景、人脸等 。
• 机器人流程自动化 (Robotic Process Automation, RPA)：RPA技术可以用于自动化那些基于规则的、重复性的数字系统任务，例如数据输入、表单处理等。AI Agent可以集成RPA来执行那些与传统IT系统或无API接口的应用程序相关的任务，从而扩展其行动能力 。
• 云计算 (Cloud Computing)：云计算平台为AI Agent的训练、部署和扩展提供了必要的计算资源、存储和可伸缩性。许多复杂的LLM和机器学习模型需要在云端进行训练和推理 。
• 边缘计算 (Edge AI)：对于需要低延迟响应和在本地处理数据的Agent（如自动驾驶汽车、工业机器人），边缘计算将AI处理能力部署到靠近数据源的边缘设备上。这可以减少对云端连接的依赖，提高实时性和数据隐私性 。

这些多样化技术的集成表明，AI Agent的开发正成为一个高度跨学科的领域，需要的专业知识远不止LLM或核心AI算法。构建复杂的Agent通常涉及复杂的系统集成工作。Agent需要与各种环境和系统进行交互 。

计算机视觉用于感知物理世界，RPA用于与现有的非API软件交互，云计算/边缘计算则用于可扩展部署和实时处理。这意味着Agent开发团队可能除了AI/ML工程师外，还需要计算机视觉、RPA、物联网（IoT）以及云/边缘基础设施方面的专家。因此，构建和部署能够充分利用这些技术的先进Agent，其复杂性是巨大的，需要大量的投资和多样化的技能组合。

6. 常用的AI Agent开发框架与流程

开发AI Agent通常涉及使用特定的框架来简化构建过程，并遵循一套相对标准的开发生命周期。这些框架提供了预构建的模块、工具和抽象，使得开发者能够更高效地集成LLM、记忆、规划和工具调用等核心组件。

6.1. 流行的AI Agent开发框架概览

随着AI Agent需求的增长，涌现出许多开发框架，它们各有侧重，适用于不同的应用场景和复杂度需求。以下是一些广受关注的框架：

• LangChain：一个功能强大且灵活的开源框架，旨在简化由LLM驱动的应用程序的开发，包括Agent。它提供了模块化的组件，用于构建链（sequences of calls to an LLM or other utility）、Agent（使用LLM决定采取哪些行动）、记忆模块以及与外部数据源和工具的集成 。LangChain支持Python和JavaScript。其优势在于强大的LLM集成和模块化开发，适用于聊天机器人、自动化文档处理、基于RAG的搜索系统等企业级AI工作流自动化 。不过，它可能存在学习曲线较陡、内置调试工具有限等问题 。
• LangGraph：作为LangChain生态系统的一部分，LangGraph专注于构建具有状态的、更可控的Agent和多Agent工作流。它允许将Agent的步骤表示为图中的节点和边，从而可以创建包含循环、条件分支和人工介入点的复杂流程图 。LangGraph适用于需要动态决策和人工监督的场景 。它提供了细致的系统控制，但需要对基于图的工作流有深入理解 。
• AutoGen (Microsoft)：一个由微软研究院开发的开源框架，专注于通过多个可对话的Agent之间的协作来创建LLM应用。Agent可以是LLM助手、人类用户或工具执行者。AutoGen支持灵活的多Agent对话模式，允许Agent动态交互、自我完善，并能集成人类输入 。其异步、事件驱动的方法使其适用于需要实时并发或频繁角色切换的动态对话场景 。
• CrewAI：一个用于编排角色扮演型自主AI Agent团队的框架。开发者可以为每个Agent定义特定的角色、目标、背景故事和工具，然后将它们组织成一个“船员”（Crew）来协同完成复杂任务 。CrewAI强调Agent之间的协作和任务委派，适用于需要多Agent协作的场景，如研究团队、项目管理或内容创作 。它相对易于配置，并支持高级记忆和错误处理逻辑 。
• Semantic Kernel (Microsoft)：一个企业级的SDK，旨在将LLM和知识存储集成到应用程序中，支持Python、C#和Java 。它侧重于将AI能力封装为“技能”（Skills），这些技能可以是LLM驱动的，也可以是纯代码实现的，然后通过“规划器”（Planner）将技能组合成复杂的工作流。Semantic Kernel注重企业应用的安全性、合规性和与Azure服务的集成 。
• AutoGPT：一个早期的实验性开源项目，旨在展示一个完全自主的GPT-4实例如何执行用户定义的目标，如进行网络研究、生成报告等 。它能够将任务分解为子任务并自主执行。虽然影响力很大，但其稳定性和实用性在复杂场景下可能有限。
• MetaGPT：一个多Agent协作框架，将软件开发过程（如需求分析、设计、编码、测试）分配给不同的LLM驱动的Agent角色（如产品经理、架构师、工程师）。它旨在通过模拟人类软件团队的协作来自动化代码生成和项目管理 。
• BabyAGI：一个极简的、任务驱动的自主Agent框架，其核心思想是根据总体目标，不断创建任务、确定任务优先级、执行任务并根据结果生成新任务，形成一个循环 。它更多的是一个概念验证和启发性项目。

表2：AI Agent 开发框架比较概览

资料来源：综合整理自 35

这些多样化Agent框架的涌现，各自拥有不同的优势（例如，多Agent编排、状态化工作流、企业级准备度），表明不太可能出现“一刀切”的Agent解决方案。相反，一个新兴的趋势是针对不同类型的Agent应用的专业化框架。例如，CrewAI专注于多Agent团队协作，Semantic Kernel则面向企业级技能编排，而LangGraph则擅长处理复杂的状态化应用 。目前并没有哪个框架被普遍认为是“最佳”的；它们的适用性取决于具体的用例。这类似于编程语言或Web开发框架——不同的工作需要不同的工具。这意味着开发者需要熟悉一系列框架，并根据项目需求进行选择。这也暗示了未来可能需要不同框架构建的Agent之间的互操作性，这与后续将讨论的A2A/MCP协议相关。

6.2. 典型的AI Agent开发生命周期/流程

构建AI Agent通常遵循一个迭代的生命周期，该周期与传统的软件开发生命周期（SDLC）有相似之处，但也融入了机器学习和LLM应用的特有元素。一个典型的开发流程包括以下关键阶段：

1. 定义目标与范围 (Define Objectives and Scope)：

• 明确Agent要解决的业务问题、预期实现的目标以及其运作的环境和边界 。例如，是构建一个用于客户支持的聊天机器人，还是一个用于优化供应链的预测Agent？
• 确定成功指标，如准确率、响应时间、任务完成率或用户满意度 。
• 通过用户旅程映射、利益相关者访谈等方式，可视化最终用户将如何与Agent交互，并优先考虑Agent的功能 。

1. 数据收集与准备 (Collect and Prepare Training Data)：

• AI Agent的性能在很大程度上取决于训练数据的质量和相关性 。收集来自各种来源（如对话日志、支持工单、数据库、传感器数据）的多样化数据集 。
• 对原始数据进行清洗、去噪、规范化、标注（如果需要监督学习）等预处理步骤，以确保数据的一致性和可用性，减少偏见 。对于需要多步骤推理的复杂Agent，应提供支持此类推理的数据集 。

1. 选择技术栈与模型 (Choose Technology Stack and AI Model)：

• 根据Agent的目标和复杂性，选择合适的编程语言（如Python、JavaScript）、建模框架（如TensorFlow、PyTorch）、Agent编排框架（如LangChain、AutoGen）、数据基础设施（如MongoDB、Kafka）和托管平台（如云服务AWS、Azure、GCP）。
• 选择或微调核心的AI模型，通常是LLM。考虑模型的推理能力、上下文窗口、成本、速度以及与任务的匹配度 。

1. 设计与开发Agent架构 (Design and Develop Agent Architecture)：

• 设计Agent的核心组件，包括感知、记忆、规划、推理、决策和行动模块 。
• 采用模块化设计，使得各组件可以独立演进和替换 。
• 集成所需的工具、API和外部数据源 。
• 建立反馈循环机制，以便Agent能够从用户和系统反馈中学习和改进 。

1. 训练与微调 (Train and Fine-tune the AI Agent)：

• 使用准备好的数据训练或微调选定的AI模型（特别是LLM）。
• 如果采用强化学习，则需要设计奖励机制和模拟环境供Agent学习 。
• 对于LLM驱动的Agent，这阶段可能更多涉及提示工程（Prompt Engineering）和上下文管理策略的设计。

1. 测试与验证 (Test and Validate the AI Agent)：

• 对Agent进行全面的测试，包括单元测试、集成测试、压力测试和回归测试，以确保其在各种场景下的性能、可靠性和鲁棒性 。
• 验证Agent的输出是否准确、一致，是否符合预期目标和伦理准则 。特别注意检测和减少LLM的幻觉现象 。
• 在模拟或真实环境中进行试点项目，收集用户反馈，识别潜在问题和改进点 。

1. 部署与集成 (Deploy and Integrate the AI Agent)：

• 将测试通过的Agent部署到生产环境中 。这可能涉及将其集成到现有的业务流程、应用程序或硬件设备中。
• 确保部署环境的可扩展性和安全性。

1. 监控、维护与优化 (Monitor, Maintain, and Optimize)：

• 在Agent部署后，持续监控其性能、用户交互、资源消耗和潜在的漂移（模型性能随时间下降）。
• 收集用户反馈和运行数据，定期对Agent进行更新、再训练或微调，以适应变化的需求和环境，并持续改进其效率和准确性 。
• 确保Agent符合安全和合规要求 。

图片

此图可描绘为一个迭代循环，包含以下主要阶段：1. 定义 (目标、范围、指标) -> 2. 设计 (架构、模型选择、数据策略) -> 3. 开发 (数据准备、模型训练/微调、工具集成) -> 4. 测试 (验证、性能评估、用户验收) -> 5. 部署 (集成、上线) -> 6. 监控与优化 (性能跟踪、反馈收集、持续改进)。箭头指示这是一个持续演进的过程。

AI Agent的开发生命周期与传统软件开发有共通之处，例如需求定义、设计、测试和部署等阶段 。然而，由于其数据依赖性、模型训练/调优的需求以及对非确定性行为进行持续监控的必要性，它也带有独特的MLOps (机器学习运维) / LLMOps (大型语言模型运维) 的特点。特别是“监控与优化”阶段，对于Agent而言至关重要，因为需要应对潜在的模型漂移、幻觉问题，并确保Agent能适应不断变化的环境 26。

这意味着构建AI Agent的组织需要采纳MLOps/LLMOps实践，这些实践扩展了DevOps原则，以包含ML模型和LLM生命周期管理的独特方面，如稳健的数据管道、模型和数据的版本控制、持续训练/评估以及专门的监控工具。

7. AI Agent 的发展趋势

AI Agent领域正经历快速演进，其发展趋势与大型语言模型（LLM）的进步、多Agent协作平台（如MCP、A2A协议）的成熟以及对通用智能的持续探索紧密相连。

7.1. AI Agent 与 LLM 的共生演化

AI Agent与LLM之间的关系正从LLM作为简单组件向更深层次的共生演化转变。LLM的进步，如更大的上下文窗口、更强的推理能力和多模态处理能力，直接推动了更复杂、更强大的Agent能力的实现 。例如，Google Gemini 2.5 Pro模型先进的“推理”能力使其能够分步骤处理任务，这对于需要复杂规划的Agent至关重要 。LLM不再仅仅是生成文本的工具，而是正在演变为能够学习、推理并在动态环境中行动的自主系统的核心 。

反过来，Agent框架的应用需求也正在推动LLM的发展。Agent对可靠工具使用、长期记忆管理和复杂规划的需求，促使LLM研究者致力于提升模型在这些方面的性能，例如改进函数调用能力、减少幻觉、探索更有效的模型微调和更新机制 。这种双向促进形成了一个正反馈循环：LLM的进步赋能更强大的Agent，而对更强大Agent的需求则驱动LLM的进一步发展。

这种共生演化预示着未来的“基础模型”可能本身就更具Agent特性，将规划、工具使用和记忆管理等能力更紧密地集成到模型架构中，而不仅仅是由外部框架提供。目前，LLM主要作为语言处理器，由Agent框架赋予行动能力 。然而，LLM正逐步整合更多“类Agent”技能，如改进的函数调用  和对反思、动机等认知功能的研究 。将Agent能力更紧密地集成到LLM内部，有望带来更高效、更无缝的Agent性能。这可能催生新一代的“Agentic基础模型”，使得LLM“大脑”与Agent“框架”之间的界限变得模糊。

7.2. 多Agent协调平台 (MCP) 的角色与影响

随着AI Agent数量和复杂性的增加，如何让它们有效协作成为关键问题。在此背景下，多Agent协调平台（Multi-Agent Coordination Platforms）及相关协议（如Anthropic的Model Context Protocol - MCP，尽管其最初侧重于工具集成，但也显示出支持Agent间交互的潜力）的重要性日益凸显。用户查询中提及的MCP，结合上下文及相关研究材料，主要指向Anthropic的Model Context Protocol在促进Agent生态系统发展中的作用。

7.2.1. Anthropic模型上下文协议 (MCP) 架构概览

Anthropic的MCP旨在为AI模型（尤其是LLM驱动的Agent）提供一个标准化的、安全的方式来连接和交互外部工具、数据源和上下文信息 64。其核心架构基于客户端-服务器模型 ：

• MCP客户端 (MCP Client)：通常是AI应用或Agent本身，它发起连接，请求数据或调用工具。
• MCP服务器 (MCP Server)：作为数据和工具的网关，向客户端暴露可用的工具（Tools）、资源（Resources，如结构化文档）、提示（Prompts，用户可选择的模板）和采样能力（Sampling，将LLM生成任务委托给客户端）。

MCP通过JSON-RPC进行通信，并支持多种交互模式，包括同步请求/响应和服务器发送事件（SSE）的流式传输 。

图片

该图可展示一个MCP客户端（代表AI Agent）通过标准化的MCP协议与一个或多个MCP服务器连接。MCP服务器则连接到各种后端系统，如数据库、API、文件存储等，从而为Agent提供所需的上下文和工具能力。AWS的博客中有一张图（Image 1）展示了使用MCP的Agent间交互示例，可以作为参考 。

7.2.2. MCP如何促进LLM向通用Agent的演化

MCP通过标准化AI Agent与外部世界（工具、数据）的接口，极大地增强了LLM驱动的Agent的能力和通用性：

• 克服LLM的局限性：MCP使得Agent能够访问实时数据和专用工具，弥补了LLM知识静态和缺乏直接行动能力的不足 。
• 简化集成，提高可扩展性：标准化的协议取代了为每个工具或数据源进行定制开发的繁琐工作，降低了集成复杂性，使得Agent系统更易于构建和扩展 。
• 促进生态系统发展：MCP鼓励开发者围绕标准协议构建工具和服务，形成一个更广泛的Agent能力生态系统 。
• 潜在的Agent间交互基础：尽管MCP最初侧重于工具集成，但其架构（如能力发现、上下文共享）也为Agent之间的交互提供了基础。一个Agent可以将自身的特定技能封装并通过MCP服务器暴露给其他Agent调用，从而实现一种形式的Agent间协作 。

Anthropic的MCP通过标准化工具和数据访问，为构建更可靠、可扩展的AI Agent奠定了关键基础。它减少了定制化集成的工作量，使LLM能够持续获取有效执行任务所需的上下文。

这种标准化促进了一个生态系统的形成，在这个生态系统中，工具和数据源可以更容易地“接入”AI Agent，从而加速开发并催生更复杂的Agent能力。尽管MCP主要关注工具/数据访问，但其架构本身也支持Agent间的通信。

这表明MCP可能成为更复杂的多Agent系统和更广泛互操作性的垫脚石，即使其他协议（如A2A）更专注于Agent间的任务编排。随着这些协议的演进和潜在的融合，界限可能会变得模糊。MCP在工具/数据访问方面的基础性作用使其处于有利地位，其固有能力可能使其在Agent间通信中发挥比最初设想更广泛的作用，从而补充或支撑更专业的A2A协议的某些部分。

7.3. 通用智能体的发展和底层逻辑

通用人工智能代理（General-Purpose Intelligent Agents），常与AGI（Artificial General Intelligence，通用人工智能）的理念相关联，指的是能够像人类一样在广泛的任务和环境中理解、学习并应用知识的AI系统。其发展依赖于对人类认知能力的模拟和实现，以及能够支持这种能力的底层架构和逻辑。

7.3.1. 通用智能体的核心特征与挑战

通用智能体的理想特征包括：

• 自主学习 (Autonomous Learning)：无需为每个新任务进行大量编程，能够通过观察和经验自我学习 。
• 跨领域问题解决 (Cross-domain Problem-Solving)：能够将从一个领域学到的知识和技能应用于完全不同的领域 。
• 深度理解与推理 (Deep Understanding and Reasoning)：不仅仅是模式匹配，而是能够理解意义、上下文和复杂关系，进行抽象思考和创新 。
• 适应性 (Adaptability)：在面对不熟悉或变化的环境时，能够利用通用智能制定适当的响应策略 。
• 自我提升 (Self-improvement)：能够评估自身表现并持续改进其能力 。
• （潜在的）社会与情感智能 (Social and Emotional Intelligence)：理解情感、解读社交线索并做出符合伦理的决策，这对与人类有效协作至关重要 71。

实现这些特征面临巨大挑战，包括巨大的算力和数据需求、确保系统的可靠性与安全性、模拟人类智能的内在复杂性（融合逻辑、情感、社交技能和适应性），以及解决控制问题、价值对齐、经济影响、透明度和问责制等伦理问题 。

7.3.2. 认知架构：统一心智模型 (UMM)

为了指导具有类人认知能力的自主Agent的创建，研究者们开始关注认知架构。Pengbo Hu等人提出的统一心智模型 (Unified Mind Model, UMM) 是一个基于全局工作空间理论 (Global Workspace Theory, GWT) 的新型理论认知架构 。

• 全局工作空间理论 (GWT)：GWT将大脑功能类比为一个剧院，其中有一个“舞台”（全局工作空间），各种专业化的认知模块（如感知、记忆、语言模块，对应“后台的专家”）竞争将信息广播到这个舞台上，一旦信息进入舞台，就变得全局可用，供其他模块协同处理，从而产生意识和协调行动 。UMM借鉴了GWT的分层结构，通常包含：
• 专家模块层 (Specialist Modules)：包含各种独立的、执行特定功能的模型（如多模态感知模块、工具使用模块等）。
• 全局工作空间/中央处理模块 (Global Workspace / Central Processing Module)：负责管理和协调底层的功能模块，LLM在此扮演核心角色，作为“前额叶皮层”，支持高级认知功能。
• 可能还包括更高层次的元认知或动机系统。
• UMM如何利用LLM：UMM将LLM作为核心组件，整合到GWT框架中，以支持广泛的类人认知能力，包括：
• 多模态感知 (Multimodal Perception)
• 规划与推理 (Planning and Reasoning)
• 工具使用 (Tool Use)
• 学习 (Learning)
• 记忆 (Memory)
• 反思 (Reflection)
• 动机 (Motivation)

基于UMM，还开发了名为MindOS的Agent构建引擎，允许用户通过自然语言描述（定义个性、动机、背景、领域知识、工具等）快速创建特定领域/任务的自主Agent，无需编程 。

图片

该图展示了UMM的层级结构，底层是各类专家模块（如感知、行动、工具调用），中间层是全局工作空间（由LLM作为核心驱动），可能还有顶层的元认知或动机系统，共同实现复杂的认知功能。

通用智能体的追求日益倾向于认知架构（如基于GWT的UMM），以此来结构化和整合LLM及其他专业模块提供的多样化能力（推理、记忆、学习、工具使用）。这标志着从纯粹数据驱动方法向更结构化、理论基础更坚实的智能模型的转变 。

随着Agent变得越来越复杂，仅仅将各种能力“附加”到LLM上可能不足够。认知架构为不同认知功能应如何交互提供了一个蓝图。LLM为这些认知架构中的模块提供了强大的组件（例如用于推理或感知处理）。

未来类AGI Agent的进步可能在很大程度上取决于计算认知科学的进展以及稳健、可扩展认知架构的开发，而LLM则在这些架构中扮演关键的使能技术角色。

此外，“自我主权、自主实体”概念，即能够“拥有”其心智、身体和经验的Agent，虽然高度概念化，但指出了AGI的一个哲学和技术前沿。如果Agent要实现真正的通用智能，它们可能需要一定程度的独立性和体验式学习，这是当前主要由人类控制和训练的系统所不具备的。这对于价值对齐和控制带来了深远的伦理和技术挑战。

7.4. 智能体间协同与A2A协议

随着单个AI Agent能力的增强，如何让多个Agent高效、可靠地协同工作，以解决更复杂的问题，成为一个核心议题。这催生了对Agent间通信协议和标准的需求。

7.4.1. A2A协议概览 (例如Google的A2A，FIPA标准的关联性)

Agent间通信语言（ACLs）和协议为异构Agent提供了一个共同的理解和交互框架。

• Google的Agent2Agent (A2A)协议：这是一个由Google及其合作伙伴设计的开放标准，旨在实现不同AI Agent（无论其底层框架、开发者或运行服务器如何）之间的互操作性、通信和协作 。A2A协议基于成熟的Web技术，如HTTP(S)、JSON-RPC 2.0和服务器发送事件（SSE），使其易于实现和集成 。
• 核心功能：
• Agent发现：通过“Agent Cards”（JSON格式的配置文件，描述Agent能力、端点URL、认证需求等）实现 。
• 任务管理：定义了结构化的任务生命周期（如待处理、进行中、已完成），允许Agent创建、更新、跟踪任务，并将责任分配给其他Agent 。
• 消息交换与上下文共享：支持文本、文件、结构化JSON数据甚至富媒体内容的交换，允许Agent共享上下文、传递用户指令和交换工作成果（如代码、图像）。
• 灵活的交互模式：支持同步请求/响应、流式传输（SSE）和异步推送通知 。
• 与MCP的关系：Google明确指出A2A是对Anthropic的MCP的补充（“A2A ❤️ MCP”）。MCP侧重于Agent与工具/数据源的连接和上下文共享，而A2A则建立在MCP等协议提供的能力之上，专注于实现Agent之间的完整任务协调，包括消息传递、角色分配和成果共享 。
• 其他A2A相关倡议：
• AGNTCY：一个开源联盟，旨在为Agent通信和互操作性创建标准，包括开放Agent模式框架（OASF）、用于发现兼容Agent的Agent目录，以及用于跨框架通信的Agent连接协议（ACP）。
• FIPA (Foundation for Intelligent Physical Agents) 标准：虽然FIPA本身目前不活跃 ，但其制定的ACL（如FIPA-ACL）和相关概念（如基于言语行为理论的通信、performatives、内容语言、交互协议）为后来的Agent通信协议奠定了重要理论基础 。FIPA-ACL强调消息的明确语义和标准化协议，将通信视为旨在执行特定功能的言语行为 。这些思想在现代协议中仍有体现，例如对结构化消息交换和意图表达的重视。

7.4.2. A2A/MCP生态系统对增强LLM Agent能力的影响

标准化的A2A协议（如Google的A2A）和MCP（Anthropic的模型上下文协议）对于LLM驱动的Agent生态系统的发展至关重要。它们共同为构建更强大、更通用的AI系统铺平了道路：

• 增强单个Agent的能力：MCP通过标准化工具和实时数据的访问，使LLM Agent能够克服其知识静态和无法直接行动的局限 。这使得单个Agent更加通用和能干。
• 实现Agent间的复杂协作：A2A协议则更进一步，允许这些通过MCP增强了能力的Agent之间进行复杂的任务委派、信息共享和协同工作 。例如，一个负责规划的Agent可以将子任务分配给专门的执行Agent，并在整个过程中共享上下文和进度。
• 构建“Agent社会”：A2A/MCP生态系统使得不同开发者、不同平台构建的专业化Agent能够相互发现、通信和协作，形成一个“Agent社会”或“Agent互联网”。在这个生态中，Agent可以像微服务一样提供其特定能力，供其他Agent或人类用户调用。
• 提高可扩展性和模块化：通过标准化的接口，新的Agent可以更容易地加入现有系统，而无需进行大规模的定制集成。这促进了模块化设计，使得系统更易于维护和升级 。
• 加速创新：标准化的互操作性降低了构建复杂多Agent应用的门槛，使得开发者可以专注于Agent的核心逻辑和创新功能，而不是底层的通信和集成细节 。

标准化的A2A/MCP协议是未来AI的关键基础设施，它们将推动从构建单一AI应用向组合来自专业化、可复用Agent组件的复杂智能系统的转变。这类似于互联网协议（TCP/IP, HTTP）如何催生了万维网，或者标准化API如何支持了微服务架构。这种转变将促进专业化Agent生态系统的形成，推动模块化，降低集成成本，并最终实现更强大、更灵活的AI解决方案。

这种发展趋势也可能催生一个“AI服务经济”。在这个经济体中，专业化的AI Agent将其能力作为服务提供给其他Agent或人类用户。

例如，一个擅长高级医学影像分析的Agent可以向全科医生Agent提供服务；一个金融预测Agent可以向投资Agent出售其预测结果。这将极大地促进创新并为AI驱动的功能创造新的市场。

然而，这也带来了一系列挑战，例如Agent如何发现可信赖的合作伙伴？如何保证服务质量？如何解决冲突？以及Agent自主签约其他Agent服务所带来的安全隐患是什么？这些都是需要解决的复杂社会技术和经济问题。

7.5. 发展轨迹：随着MCP生态完善，LLM本身是否会演进为一个通用智能体？

探讨LLM是否会随着MCP（此处主要指Anthropic的模型上下文协议及其代表的标准化工具/数据访问趋势）和更广泛的Agent间通信协议（如A2A）生态的完善而自身演变为通用智能体，是一个复杂且引人深思的问题。

当前的趋势表明，LLM正变得越来越具备内在的Agent式行为能力。例如，LLM在指令遵循、上下文理解、多步推理以及与外部工具交互（如通过函数调用）方面的能力不断增强 。研究也在探索为LLM赋予更高级的认知功能，如自我反思和动机 。

然而，即使LLM变得更加强大和“Agent化”，完全演变为一个独立的、全功能的通用智能体，而无需任何外部Agentic架构或协调平台，可能性仍然有待商榷。原因如下：

1. 固有局限性：LLM的核心是基于概率的序列生成模型。尽管它们可以模拟规划和推理，但对于需要严格逻辑、精确计算、长期一致性、复杂状态管理或与多样化、动态环境进行稳健交互的任务，它们可能仍然需要外部模块的支持。例如，持久化和结构化的记忆、复杂的传感器数据处理、与非标准化外部系统的交互等，不太可能完全内化到LLM中。
2. Agentic架构的持续价值：Agentic架构（如Wang等人提出的包含画像、记忆、规划、行动的框架 ）和协调平台（如A2A/MCP生态系统）提供了LLM本身不具备的关键功能：

• 任务编排与执行控制：Agent框架负责将高层目标分解为LLM可处理的子任务，管理执行流程，处理错误和异常，并确保行动与目标一致 。
• 专用工具和知识的集成：MCP等协议为LLM提供了访问特定领域工具和最新数据的标准化途径，这是LLM实现广泛通用性的关键 。
• 多Agent协作：对于超出单个LLM（无论多强大）能力范围的复杂问题，需要多个专业Agent通过A2A等协议进行协作 。
• 安全性、治理与可解释性：Agentic架构和平台可以在LLM之外提供额外的安全层、治理机制和可解释性工具，这对于负责任的AI至关重要。

因此，更可能的发展路径是LLM作为日益强大的核心认知引擎，与不断成熟的Agentic架构和互操作协议生态系统深度融合，共同构成通用智能体的基础。LLM本身可能会集成更多基础的Agent能力（如更可靠的本地工具使用、更强的短期规划），但复杂的、需要与广阔世界和多方协作的通用智能，仍将依赖于一个超越单个LLM的系统级解决方案。

LLM将变得更具内在的Agent行为能力（例如，原生的、可靠的工具使用；更稳健的规划），但复杂的通用智能仍需要 overarching 的Agentic架构和协调平台（如A2A/MCP生态系统）来管理复杂任务、长期记忆、多个专业工具/Agent，并确保安全和对齐。LLM日益强大的“认知引擎”将在一个更广泛的Agentic系统/生态系统中运作并受到其编排。

随着LLM变得更具Agent特性，以及MCP/A2A生态系统的成熟，AI系统“开发者”的定义可能会发生转变。重点可能减少对传统编码的关注，而更多地转向“Agent指令”、“多Agent系统设计”、“目标定义”和“伦理监督”。提示工程可能演变为“Agent行为工程”。

这可能进一步普及AI开发，但也需要系统思维、伦理学以及理解如何指导和管理自主系统的新技能。“AI编排师”或“Agent生态系统设计师”等角色可能会变得日益重要。