简介:本文系统定义“Agent 技术范式”,梳理其从早期被动式、经工作流编排与工程化平台化、再到主动式自主化的四个演化阶段,拆解每一阶段的能力边界、局限与演化动因,并说明其与聊天机器人、工作流引擎、Copilot、RAG 等概念的区别。读者可据此判断技术演进的底层逻辑,按任务特征完成范式选型,规避“为升级而升级”的误区。
近几年,随着基础模型能力快速迭代,Agent 在研发、运维、数据分析、办公协同等领域落地越来越广泛。编码、桌面操作、深度研究、浏览器自动化等各类智能体产品与框架也在持续涌现。很多团队在学习时会遇到相似困惑:不同文章里的技术概念相互交叉,有人讲“自主规划”,有人讲“工作流编排”,还有人说“流程化的也是 Agent”。究其原因,是这些说法分别来自不同时期、不同技术路线下的范式。
先给出本文的核心定义:
Agent 技术范式,指一套被广泛采纳、用来组织“大模型智能体”的工程方法论与实现路径。它规定了智能体如何获取目标、如何决策与规划、如何调用工具、如何管理上下文与记忆,以及如何保障运行可靠与安全。
从这一定义出发,可以先把三个容易混淆的问题说清楚。
从三个视角理解会更清晰:
2023 年,一位人工智能研究者在个人技术博客中提出了大语言模型智能体的基本框架,可以概括为 LLM + Planning + Tools + Memory。这一框架至今仍被视为理解 Agent 的“第一性模型”。今天各类主流实现无论多么复杂,基本都可以映射到下面六层能力栈上。
| 层级 | 作用 | 关键能力 | 各阶段侧重变化 |
|---|---|---|---|
| 交互层 | 接收目标、返回结果、人机协同 | 目标澄清、过程展示、审批确认 | 由“单轮问答”走向“异步委托+中途确认” |
| 规划决策层 | 把目标变成可执行的步骤 | 任务分解、推理决策、反思重试 | 由“模型即兴决定”走向“显式计划+动态重规划” |
| 上下文与记忆层 | 为每一步决策提供有效信息 | 上下文裁剪、摘要压缩、长期记忆检索 | 由“对话历史全量携带”走向“分层记忆+上下文工程” |
| 工具集成层 | 连接外部系统、数据与执行环境 | 结构化工具调用、沙箱执行、工具治理 | 由“少量自定义函数”走向“标准化接入与统一网关” |
| 运行支撑层 | 保障长时间、多步骤运行 | 状态持久化、中断恢复、并发调度 | 由“几乎不涉及”走向“核心工程能力” |
| 观测治理层 | 保障质量、安全与成本 | 日志追踪、评测回归、权限与护栏 | 由“基本缺失”走向“生产必备” |
值得强调的是,模型只是这个体系中的决策核心,而不是全部。一个可用的 Agent,其工程复杂度往往集中在模型之外的部分。
范式演化从来不是简单的“技术潮流更替”,而是模型能力、任务形态与工程约束三者共同作用的结果。
其核心价值在于三点:降低人机交互的操作成本(目标导向取代逐步指挥)、提升长尾任务的处理效率(把重复性判断交给系统)、沉淀可复用的执行能力(工具、技能与经验可以跨任务复用)。如果搞不清这套演化逻辑,团队很容易陷入两种误区:
因此,理解演化逻辑比追逐某个概念更重要。
回顾 2023 年至 2026 年,Agent 的技术形态并非平滑线性过渡,而是先后经历了四个特征鲜明的阶段。这四个阶段不是简单的替代关系:新范式吸收了旧范式的优点,旧范式在特定场景中依然是更稳妥的选择。
核心特征:采用“LLM + Planning + Tools + Memory”的基础架构,以被动式推理—行动交替循环为主要形态,即模型先推理“下一步该做什么”,再调用工具,观察结果后继续推理,直到认为任务完成。
典型实现方式:
局限也很明显:
适用场景:任务边界清晰、步骤较少、允许人工介入纠错的探索性任务。
核心特征:开发者开始用工程手段约束模型的自由度,典型做法有三类:
主要进步:可控性、可测试性和可维护性显著提升,检索增强生成等技术也被更深度地嵌入流程。这一阶段让业界意识到:智能体效果的好坏,往往取决于流程设计,而不只取决于模型本身。
遗留问题:
适用场景:步骤相对固定、对结果一致性要求高的业务流程,例如标准化的报告生成、工单分类与初步处理。
核心特征:随着任务走向长时、多步、跨系统,竞争焦点从“提示词写得多好”转向“运行时有多稳”。这一阶段的关键词包括:
核心认知转变:业界逐渐形成一个共识——Agent 的上限,很大程度上由上下文质量决定。模型再强,看不到关键信息也无法做出正确决策。因此,“决定把什么放进上下文”成了核心工程问题。
适用场景:研发编码、运维诊断、数据分析等需要长时间自主工作的领域。
核心特征:近一两年涌现的新一代智能体产品与框架,大多属于这一范式,共同特点是从“被动响应”走向“主动推进”:
关键转变:调度逻辑从“代码写死”转向“模型动态决策”,开发者的工作重心也从“写流程”转向“定义目标、提供工具、设定护栏、设计评测”。
适用场景:目标明确但路径高度不确定、允许试错的开放式任务,例如代码库级重构、跨系统的复杂调研、多源数据综合分析。
| 对比维度 | 早期被动式 | 工作流编排式 | 工程化平台式 | 主动式自主化 |
|---|---|---|---|---|
| 决策主体 | 模型即时决策 | 开发者预定义为主 | 模型为主、流程为辅 | 模型自主决策+自我评估 |
| 触发方式 | 用户提问触发 | 流程/事件触发 | 请求或事件触发 | 目标委托、定时、事件触发 |
| 上下文管理 | 全量对话历史 | 节点间传递 | 分层记忆+上下文工程 | 动态构建+长期记忆沉淀 |
| 工具接入 | 少量自定义函数 | 流程节点封装 | 标准化接入与统一网关 | 标准化+动态生成与验证 |
| 运行状态 | 无状态,中断即终止 | 流程状态可追踪 | 状态持久化、断点恢复 | 长时异步运行 |
| 可靠性手段 | 依赖提示词 | 流程约束+人工审核 | 评测、追踪、护栏 | 自评、反思、多智能体交叉校验 |
| 人机关系 | 逐步对话 | 关键节点确认 | 全程可观测 | 目标委托+关键操作确认 |
| 主要风险 | 跑偏、死循环 | 僵化、维护成本高 | 上下文与成本失控 | 自主行为超出预期 |
需要特别说明三点:
一段通用的伪代码可以体现这种思路:
# 通用智能体控制循环示意(伪代码,仅用于说明思路,与具体框架无关)async def agent_run(goal: str, tools: dict, memory: Memory,runtime: Runtime, policy: Policy,max_steps: int = 50) -> Result:# 1. 建立任务状态,支持中断后从检查点恢复task = await runtime.create_task(goal)# 2. 主循环:推理 -> 行动 -> 观察while not task.done and task.steps < max_steps:# 2.1 上下文工程:按需检索记忆 + 摘要历史,控制上下文规模context = memory.build_context(task)# 2.2 规划决策:模型输出下一步动作(工具调用 / 子任务委派 / 结束)action = await model.decide(goal=goal, context=context, tools=tools)# 2.3 风险策略:高风险操作先经过确认或护栏校验if policy.is_sensitive(action):if not await policy.confirm(action) or not policy.check(action):task.append_event("rejected", action)continue# 2.4 执行并观察;结构化结果写入记忆,便于后续检索observation = await runtime.execute(action, tools=tools)task.append_event(action, observation)memory.write(task, action, observation)# 2.5 持久化检查点,支持断点续跑await runtime.checkpoint(task)# 3. 反思校验:评估产出是否满足目标,不满足则重规划if not task.done:task = await model.replan(goal, memory.build_context(task))return await policy.finalize(task)
这段代码体现了四个阶段能力的叠加:循环推理来自早期范式,风险确认对应编排式的可控性,上下文构建与检查点是工程化的产物,重规划则体现了主动式的自我纠错。可以用下表判断一个场景应该采用哪种范式:
| 判断条件 | 推荐范式 |
|---|---|
| 步骤固定、输入输出明确、对一致性要求高 | 工作流编排式 |
| 路径不确定但可分解、需人工把关关键节点 | 编排+被动式循环 |
| 任务长时、跨系统、需可观测可恢复 | 工程化平台式 |
| 目标开放、允许试错、结果可自动验证 | 主动式自主化 |
| 涉及资金、权限、不可逆数据变更 | 任意范式+强制人工确认 |
回到最初的定义:Agent 技术范式是一套用来组织智能体决策与执行的方法论,它决定了模型在什么位置做决策、有多少自主权、被什么机制约束。
四个阶段的演化,可以归纳为三条主线:
需要牢记的是,演化的终点不是“越自主越好”,而是“与任务特征匹配”。清晰的边界定义、可靠的工具接入、完善的观测与治理,比追逐任何一个新概念都更能决定 Agent 的最终效果。理解这一点,才能在技术快速变化中做出稳健的选型判断。