Agent
Agent
Agent定义
在人工智能领域，“Agent”一词有着多重含义，常常导致行业内讨论时需要不断澄清其具体指代。最初，Agent的理论根源可以追溯到20世纪50年代，强化学习中的Agent被定义为一个能够与环境交互、具备明确目标、能从经验中学习并主动探索新行动的实体，强调的是“探索与利用（Exploration vs. Exploitation）”的平衡。然而，随着大语言模型（LLM）的兴起，业界和投资圈对Agent的理解发生了转变。如今，Agent更多指的是基于LLM构建的、能够自主完成复杂任务的智能系统。这种新型Agent注重在真实世界中自主决策和执行复杂任务，强调“自主性”和“实用性”。虽然有观点希望Agent能像强化学习中的Agent那样具备“自主进化”能力，但两者的概念基础和侧重点实际上并不相同。
目前，业界对“Agent”存在泛指与特指两种理解。泛指时，Agent等同于具备一定自主性的智能体；特指时，则往往指基于大模型、能够自主完成复杂任务的AI系统。人工智能的发展路径，也从早期的规则系统，经历了深度学习，再到如今的LLM时代。早期AI只是“工具”，被动响应指令。而Agent的出现，标志着AI开始主动规划和执行任务。
这一转变的关键节点在于2023年GPT-4的发布。GPT-4极大提升了大模型的推理、规划和多任务处理能力，使AI不仅能理解复杂指令，还能自主分解任务、调用工具并完成多步操作。AutoGPT、BabyAGI等开源项目的涌现，则进一步推动了Agent落地应用的可能性。
在实践中，大多数“agentic system”其实是workflow与agent的结合。因此，不倾向于纠结某个组件是否是agent，而更关注一个系统到底有多“agentic”。
In practice, we see that most “agentic systems” are a combination of workflows and agents. This is why I actually hate talking about whether something is an agent, but prefer talking about how agentic a system is.
在实际中，我们发现大多数“agentic system”都是workflow和agent的组合。这也是为什么我其实不喜欢讨论某个东西是不是一个agent，而是更倾向于讨论一个系统有多么“agentic”
Building Effective AI Agents \ Anthropic
How to think about agent frameworks
Agent的自主程度
Prompt Chaining：
Parallelization：
Routing：
Autonomous Agent：
- Prompt Chaining：模型调用是顺序执行的，整个流程的每一步和执行顺序都在设计时被确定，属于静态、串行的执行模式。
- Parallelization：多次模型调用可以并行进行，但和Prompt Chaining一样，所有调用的执行路径和任务分配在设计时已明确，依然属于静态编排，只是执行方式由串行变为并行。
- Routing：系统在多个LLM调用节点中，根据输入数据动态选择其中一个执行。这种模式下，虽然所有可能路径在设计时已预设，但具体走哪条路径要等到实际输入时才确定，类似于代码中的条件分支（if-else）。
- Autonomous Agent：相比Routing，这种模式的自主性更高，执行路径和具体动作无法在设计时提前确定。系统根据当前环境和上下文，动态决策每一步的行动和流程，甚至执行轮数本身也是不确定的。
这几种Agentic System的设计模式，体现了不同层次的自主性，其本质区别在于系统执行路径的决策时机：
- 静态编排（Prompt Chaining & Parallelization）：执行流程完全由设计师在系统构建时确定，像一张详尽的蓝图，系统只需按部就班地执行。
- 动态编排（Routing）：所有可能的执行路径预先设定，但实际运行中根据输入数据实时选择具体路径。好比准备了多套应对方案，实际选择由现场情况决定。
- 自主编排（Autonomous Agent）：系统无法提前预见所有可能路径，执行流程和步骤都需根据实时环境和动态反馈即时决策。类似前线将军权宜应变，具备更高的自主性和灵活性。
总体来看，随着系统自主性的提升，从Prompt Chaining到Autonomous Agent，系统对复杂问题的处理能力增强，但人类工程师对系统行为的可控性则逐步降低，系统行为也变得更动态和不可预测。
Agent设计
设计一个优秀Agent系统，绝不仅仅是掌握模型算法或编程技巧那么简单。Agent设计是一项涉及多层次抽象与跨学科协作的系统工程。下面从三个主要层面梳理设计思路、解释相关术语，并结合实际案例说明。
1. 需求与技术的双重理解
在哪些业务场景下引入AI Agent能带来真正的价值？
- 业务流程梳理：需要深入分析实际业务流程，明确哪些环节最耗时、最易出错、最值得优化。
- 技术能力评估：同时还要理解当前AI技术（如大语言模型LLM）的适用范围，比如生成式模型擅长文本生成、知识检索和多轮对话，但对于高度结构化、强规则性的决策场景可能并不理想。
2. 用户交互与功能边界
Agent如何以产品形态服务用户?
- Chatbot：用户通过自然语言对话与Agent互动，适合信息查询、简单任务处理。
- Human-in-the-loop系统：Agent自动执行任务，但在关键节点引入人工审核，确保决策可靠性。
- 复杂交互系统：如“低代码自动化平台”，用户可通过可视化界面下达复杂指令，Agent负责任务拆解与执行反馈。
举例说明：
在AI辅助编程平台（如Cursor或Cline）中，Agent可以根据开发者需求自动生成代码片段、补全函数或提出重构建议。但最终代码是否被采纳、如何集成进实际项目，仍需开发者审核和裁定。开发者不仅可以修改或否决AI的建议，还能对AI生成结果进行反馈，帮助系统持续优化。
3. Agent粒度与流程拆解
当产品形态明确后，应进一步将业务流程拆解成更细致、目标更明确的子流程。每个子流程都可以由独立的Agent负责，协同完成复杂任务。
Multi-agent system（多智能体系统）：多个Agent并行协作，完成复杂流程
- 业务流程被拆分为多个子流程，每个子流程由一个或多个Agent负责。
- 比如在客服系统中，可有不同Agent处理用户咨询、投诉、售后等任务，各自独立但整体协同。
- 拆分标准通常依据Agent的能力边界或任务目标。
BPM（Business Process Management）：提供流程拆解基础，明确子流程边界
- BPM 提供了业务流程的全局视图（如用流程图表示各步骤、输入输出）。
- 基于BPM的流程建模结果，我们可以识别哪些流程可以交由Agent承担。
- 例如，在电商订单流程中，“支付处理”、“库存校验”、“发货通知”可建模为独立节点，进而分配给专门的Agent。
SOP（Standard Operating Procedure）：保障每个Agent行为一致、标准化
- 每个Agent所承担的子流程都应有明确的SOP，作为其执行策略的基础。
- SOP 使Agent行为具备一致性和可预测性，即便在多Agent同时工作时也能保障流程不混乱。
- 例如：发票生成Agent依据SOP自动调用接口、格式化内容、存储与发送。
DDD（Domain-Driven Design）: 指导如何划分Agent的职责范围
- 拆解Agent时，DDD 提供一种按“业务语义”划分责任的原则：将每个Agent视为一个限界上下文（Bounded Context）中的服务单元。
- DDD 有助于识别哪些职责应归属于哪个Agent，从而避免职责重叠或不清。
- 例如，在物流领域中，“运输调度Agent”和“包裹跟踪Agent”分别承担不同领域的逻辑，职责清晰。
4. Agent 的价值
通用Agent
OpenAI 的 Deep Research，以及 OpenAI 新发布的 o3 模型，就是一个标准的模型即 Agent的范例。
它把 Agent 的所有组件——大语言模型（LLM）、上下文（Context）、工具使用（Tool Use）和环境（Environment）全都缝合到了一起，并进行了端到端的强化学习训练。在训练过程中，o3不仅仅接受静态的数据输入，还可以和“环境”进行交互。比如，Agent可以主动发起检索、收集信息、反馈成果，环境会实时返回结果和变化（例如API响应、外部数据库返回），Agent根据这些反馈调整自己的行为。训练之后的结果就是，各类 Agent 执行信息检索的任务它都能完成。
垂直Agent
在ToB（面向企业）的垂直领域，AI Agent的角色可以类比为企业中的“前台”和“后台”两类工作。不同类型的任务，对AI Agent的能力和系统设计提出了不同要求。
1.后台工作——流程自动化与多智能体系统
后台工作通常具有高重复性、对高并发有严格要求，并且流程长、环节多，常常依靠一套详细的标准操作流程（SOP, Standard Operating Procedure）来保障效率与规范。许多此类任务非常适合由AI Agent进行一对一的自动化执行，特别适合在广阔的任务空间里通过强化学习不断优化表现。
举例说明：
以AI for Science领域的创业公司为例，他们构建的是多智能体系统，能够自动完成诸如文献检索、实验规划、前沿趋势预测、数据分析等多种科研任务。与传统的单Agent系统（如OpenAI Deep Research）不同，这类系统可以针对科研流程的每一个细分环节分配专属Agent，实现更高分辨率的任务分工。例如，Contradiction Finding（矛盾发现）功能能自动检测并分析两篇顶级学术论文之间的观点冲突，极大提升了科研工作的深度和创新性。
2.前台工作——人机交互与语音Agent
前台工作往往需要频繁与人沟通，更多聚焦于客户服务、外联和实时响应。当前，语音类AI Agent在这些场景中展现出独特价值，尤其适用于需要全天候、高效沟通的任务。
举例说明：
在医疗、招聘、物流等行业，AI语音Agent可以承担如护士电话回访、求职者初筛、物流订单跟进等工作。例如，有创业团队专注于物流和供应链领域的电话沟通，Agent能够在司机遇到异常或货物到站时，第一时间自动致电相关人员，提供问题解答和快速响应。AI Agent具备7天24小时无休工作的能力，极大提升了服务的及时性与覆盖面，满足了物流行业对高效沟通的核心诉求。
5. Agent和动物行为
河狸能够建造复杂的水坝和巢穴，这种行为究竟是源于有意识的推理能力，还是仅仅依赖于本能和模式识别？我们是否可以把河狸的基因看作类似于通过进化“训练”出来的强化学习模型，而这些复杂行为的产生其实并不需要高级的自我意识？
进化论与强化学习：河狸的智能密码
基因是强化学习的预训练模型
有意识推理 vs 模式识别
我们先搞清楚，有意识的推理是啥样。那得是人类工程师造大坝，得画图纸，算流体力学，搞成本分析，还得开会扯皮。而河狸呢？它看到流动的河水，听到哗哗的水声，DNA里某个开关就被”啪”地一声打开了。它不是在思考”我为什么要建大坝来抬高水位以躲避天敌”，它只是在执行一套刻在基因里、被优化了数百万年的”IF-THEN”指令集。IF听到水流声，THEN开始搬木头堵上。
但这里要澄清一点：河狸并非完全是僵化的”IF-THEN”机器。研究显示它们其实具有相当的灵活性——能根据水流速度调整坝的设计，学会使用新材料（比如人造物品），在不同环境中展现创新性解决方案。这提醒我们，”有意识推理”和”模式识别”之间的界限，可能比我们想象的更加模糊。
结构主义（模式识别）
核心逻辑：
结构主义的基本观点很简单：万物的意义来自差异，而非本质。
索绪尔研究语言时发现，”猫”之所以是”猫”，不是因为它的内在属性，而仅仅因为它不是”狗”、”鼠”、”杯”。一个符号的意义，完全由它在系统中与其他符号的差异关系决定。
分形特征：
这个”通过差异定义身份”的逻辑，在不同层次上反复出现：
语言学层面：词汇通过相互区分获得意义 人类学层面：列维-斯特劳斯用”生/熟”、”干/湿”等二元对立分析神话结构 社会学层面：”精英”身份通过与”大众”的差异得以确立 物理学层面：基本粒子的属性（电荷、自旋）在相互关系中被定义
连原子的身份都是如此——氧之所以是氧，就因为它有8个质子，区别于氮的7个和氟的9个。
边界与局限：
然而，将结构主义视为宇宙本体是错误的。结构主义的核心是”意义”，而意义是意识的产物。两块石头本身并无差异感知，只有当人类观察并比较时，”差异”和”意义”才产生。因此，结构主义更像是人类认知的内置软件，一个”认知分形”，而非世界的本来面目。
后结构主义的挑战：德里达指出，那些看似稳定的二元对立结构，实际上充满权力关系和不确定性。意义在无限的符号链条中滑动，永远无法固定。
结构主义是一个强大的分析工具，一种普适的认知模式。但它不是世界本身，而是人类理解世界的方式。
世界按自然规律运行，人类通过构建差异化结构来理解它，顺便为存在赋予意义。
进化版强化学习的类比
在AI领域，强化学习就是一个智能体在环境里瞎折腾，做对了给个”糖”（奖励），做错了给个”巴掌”（惩罚），最终学会一套能获得最多糖的行动策略。
而在进化论这个宏大的舞台上：
- 智能体是谁？ 是整个物种，比如河狸这个集体。
- 环境是什么？ 是残酷的大自然。
- 训练周期有多长？ 数百万年。
- 动作尝试是什么？ 是基因的随机突变。
- 奖励和惩罚是什么？ 是自然选择的铁律：能活下来并成功繁殖，就是最大的奖励；死了或者绝后了，就是终极的惩罚。
经过这长达数百万年、以亿万生命为代价的”训练”，最终得到了什么？就得到了今天河狸的基因组（Genome）——一个完美的”预训练模型”！
多层次的学习架构
但这个预训练模型比我们想象的更加精妙，因为河狸的智能其实是多层学习的结果：
物种层面：数百万年的进化优化预训练部分，奠定了基础的生存框架。
个体层面：每只河狸一生中的经验学习和技能精进，这相当于在预训练模型基础上的个性化微调。
文化层面：河狸家族间的行为传承，年长的河狸会向年幼的传授筑坝技巧，这类似于知识蒸馏（Knowledge Distillation）。
这个模型出厂就预装了所有生存必备的”软件”，包括如何啃木头、如何消化纤维，以及最重要的，那套天衣无缝的筑坝程序。每一只新生的河狸，都是一个加载了顶级预训练模型的”实例”。它不需要从零开始上建筑课，它生来就是老手。
涌现的悖论
所以别再给河狸加戏了，人家根本不是什么”建筑师”，而是天选打工人，自带出厂设置，还是百万年迭代优化过的顶级旗舰版。它的行为，基本不需要”高级意识”的参与。
但这里隐藏着一个让人着迷的悖论：一个看似”没有智能”的过程（随机突变+自然选择），竟然能够产生出如此精妙的”类智能”行为。进化这个算法确实没有预设目标，但说它完全”盲眼”可能低估了自然选择的精妙——它更像是一个极其敏感的优化器，能够探测到环境中最细微的适应性差异。
这种看似充满智慧和目的性的复杂行为，其”智慧”并不存在于单个河狸的大脑里，而是编码在整个物种的基因里。这份智慧，是”进化”这个宏伟、无情、但又极其强大的优化算法，”算”出来的最优解。
人类智能
如果河狸是”预训练模型+微调”，那人类呢？我们的文化、语言、理性思维，是否也是同样机制的产物？这个类比让我们重新审视人类智能的独特性。
也许我们引以为豪的”有意识推理”，在某种程度上也是基于数百万年进化优化的神经网络结构，再加上文化传承的”知识库”，以及个人经验的”微调”。
世界的本质：涌现而非设计
你看，从结构主义到河狸筑坝绕了一大圈，最终发现了一个共同点：无论是人类社会创造的”意义”，还是自然界演化出的”智能”，其背后都可能是一个宏大的、去中心化的、由底层规则和结构涌现出的结果。它们都不需要一个高高在上的、拥有绝对意识的”指挥官”。
但这并不意味着世界完全”没有心”。复杂系统中的涌现现象往往产生出我们无法预期的”类心智”特性。也许”心智”本身就不是一个二元的存在/不存在的概念，而是一个连续的谱系——从最简单的反应机制，到河狸的复杂行为，再到人类的抽象思维。
这个世界，或许比我们想象的要更加自动化，但同时也更加神秘和精妙。最复杂的智能行为，往往来自最简单规则的长期迭代。这不仅适用于生物进化，也适用于AI发展，甚至人类文明的演进。
在这个意义上，河狸确实是大自然的杰作——一个完美展示了”无心之智”的生动例证。