Agent 技术范式:定义与四阶段演化路径

作者:十万个为什么2026.11.16 10:20浏览量:0

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。

agent-">一、概念定义:什么是 Agent 技术范式

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。

  • Agent 是什么:以大模型为“决策核心”,能够理解目标、自主拆解任务、调用外部工具与数据,并通过“观察结果—调整策略”的循环持续推进,直到完成任务的软件系统。
  • 技术范式是什么:实现 Agent 的“标准打法”,它回答“用什么结构组织智能体的能力”。它不是某个具体框架或产品。同一时期可以有多种范式并存,同一个业务系统也可能在不同环节采用不同范式。
  • 范式为什么会变:因为基础模型的能力边界在变,任务的复杂度在变,对可靠性和可控性的要求在变。范式演化的本质是,把越来越多的“决策权”从开发者预先写死的流程,转移给模型本身;与此同时,用工程手段把由此带来的不确定性重新约束起来。

从三个视角理解会更清晰:

  • 技术视角:Agent 是一个控制循环,持续进行“推理—行动—观察”,模型在其中扮演编排者(orchestrator),而不是被动的文本生成器。
  • 业务视角:Agent 是一种“把端到端任务交出去”的交付方式。使用者不再逐步指挥,而是给定目标和约束,由系统给出结果或可审核的过程。
  • 使用视角:人与 Agent 的关系从“操作软件”变为“委托任务”。人负责定义目标、设定边界、审核结果,Agent 负责执行。

(一)Agent 的基本能力框架

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。

(二)Agent 主要解决什么问题

  1. 任务需要“多步+跨系统”:例如“排查线上告警并定位原因”,需要查指标、翻日志、比对变更、核对配置。单个模型调用无法覆盖,人工操作又高度重复。
  2. 目标清楚,但路径不确定:路径依赖中间结果,无法提前写死全部步骤,这正是预定义流程的短板。
  3. 知识分散在多个系统与文档中:Agent 可以把检索、汇总、推理、执行串联起来,减少人在系统之间来回切换的成本。

二、背景与价值:Agent 范式为什么会不断演化

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。

  • 模型能力:从“会写”到“会用”。早期模型擅长生成文本,但在多步推理、长程指令遵循和工具调用方面并不稳定。因此早期设计不得不把大量逻辑写死在代码里,用结构去弥补模型能力不足。随着推理能力、长上下文与结构化输出能力逐步增强,模型可以承担更多决策工作,架构重心也随之转移。
  • 任务形态:从“单步生成”到“长时自主”。真实业务任务往往跨越分钟、小时甚至更长时间,涉及几十个步骤。这直接催生了“长时运行”“异步执行”“断点恢复”“自我纠错”等工程需求。
  • 工程约束:从“能跑通 Demo”到“能进生产”。一旦 Agent 面向真实用户与真实数据,可靠性、权限、审计、成本、评测就成为硬门槛。这些需求推动范式向“运行时+治理体系”演进。

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:

  • 为升级而升级:原有用确定流程就能解决的问题,也换成自主 Agent,结果引入了不确定性,反而降低了稳定性。
  • 盲目追新:只看概念热度,不看任务是否适合“自主决策”。

因此,理解演化逻辑比追逐某个概念更重要。

三、四个阶段的演化路径

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。

阶段一(2023 年前后):早期被动式 Agent

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:

  • 用一段较长的提示词定义角色、工具用法和输出格式;
  • 把少数几个自定义函数封装为工具;
  • 依靠模型自身的推理能力完成规划;
  • 记忆基本等同于对话历史。

局限也很明显:

  1. 规划能力弱:任务稍复杂就容易出现步骤遗漏、循环往复;
  2. 记忆易被遗忘:上下文一长,关键信息被“稀释”;
  3. 错误会累积:早期步骤出错后,后续步骤很难自我纠正;
  4. 可控性差:每一步做什么由模型即时决定,难以预估、难以测试;
  5. 难以持久运行:进程中断后无法从断点继续。

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。

阶段二(2023—2024 年):工作流编排与多智能体协作

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:

  • 显式规划:先让模型产出完整计划,再逐步执行,必要时重规划;
  • 工作流编排:用有向图、状态机把“检索—推理—工具调用—校验”固化为可配置的节点链路;
  • 多智能体协作:让不同角色的智能体分别承担“规划者”“执行者”“审查者”等职责,互相校验。

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:

  • 编排图一旦复杂,就会变成“难维护的大泥球”,修改一个环节可能牵连多个节点;
  • 流程写死后,面对计划外情况缺乏弹性;
  • 节点之间传递大量中间结果,上下文冗余严重。

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。

阶段三(2024—2025 年):工程化与平台化

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:

  1. 运行时(Runtime):为智能体提供沙箱执行环境、文件系统、状态持久化与中断恢复能力,让它可以“跑几个小时再接着跑”;
  2. 上下文工程:系统性地管理“模型每一步能看到什么”,包括裁剪无关历史、摘要压缩、按需检索注入、结果结构化存储等;
  3. 工具生态与标准化接入:工具接口趋于统一描述规范,接入、发现与复用成本大幅下降;
  4. 记忆分层:区分短期工作记忆(当前上下文)、情景记忆(历史任务经验)与语义记忆(沉淀的领域知识),按需检索;
  5. 可观测与评测:全链路追踪每一次推理与工具调用,建立离线评测集与在线回归机制;
  6. 安全护栏:对提示注入、危险操作、越权数据访问进行识别与拦截。

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。

阶段四(2025—2026 年):主动式与自进化

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”:

  • 主动规划与自我纠错:自主拆解目标、评估结果、发现偏差后主动调整方案,而非等用户纠正;
  • 长时与异步执行:任务可在后台持续运行,用户提交目标后异步接收结果,中途按需确认;
  • 技能可沉淀与复用:把成功路径抽象为可复用的“技能”或模板,类似“积累经验”;
  • 自主生成工具:遇到环境不支持的操作时,自行编写脚本或临时工具并执行验证;
  • 多智能体协同编排:由一个主智能体统筹调度多个专职智能体,分工并行;
  • 人机协同成为标配:在不可逆或高风险操作前设置确认环节,形成“Agent 提案、人类批准”的协作模式。

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。

四、新旧范式的核心差异

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:

  1. 不是替代关系。标准化、高确定性的流程用编排式更稳;探索性任务用自主式更合适。
  2. 旧范式仍有生命力。大量生产系统的核心链路依然是编排式,因为可预测性本身就是价值。
  3. 可以组合使用。常见做法是“外层自主决策、内层固定流程”,即把稳定的子任务封装成确定性工具,由自主智能体按需调用。

一段通用的伪代码可以体现这种思路:

  1. # 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)
  2. async def agent_run(goal: str, tools: dict, memory: Memory,
  3. runtime: Runtime, policy: Policy,
  4. max_steps: int = 50) -> Result:
  5. # 1. 建立任务状态,支持中断后从检查点恢复
  6. task = await runtime.create_task(goal)
  7. # 2. 主循环:推理 -> 行动 -> 观察
  8. while not task.done and task.steps < max_steps:
  9. # 2.1 上下文工程:按需检索记忆 + 摘要历史,控制上下文规模
  10. context = memory.build_context(task)
  11. # 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)
  12. action = await model.decide(goal=goal, context=context, tools=tools)
  13. # 2.3 风险策略:高风险操作先经过确认或护栏校验
  14. if policy.is_sensitive(action):
  15. if not await policy.confirm(action) or not policy.check(action):
  16. task.append_event("rejected", action)
  17. continue
  18. # 2.4 执行并观察;结构化结果写入记忆,便于后续检索
  19. observation = await runtime.execute(action, tools=tools)
  20. task.append_event(action, observation)
  21. memory.write(task, action, observation)
  22. # 2.5 持久化检查点,支持断点续跑
  23. await runtime.checkpoint(task)
  24. # 3. 反思校验:评估产出是否满足目标,不满足则重规划
  25. if not task.done:
  26. task = await model.replan(goal, memory.build_context(task))
  27. 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

五、与相关概念的区别

  • Agent 与聊天机器人:聊天机器人以“回答问题”为终点;Agent 以“完成任务”为终点,会主动调用工具、改变外部系统状态。前者输出信息,后者产生行动。
  • Agent 与工作流引擎:工作流引擎的节点与分支由人预定义,路径可枚举;Agent 的路径由模型在运行时决定。前者胜在确定性,后者胜在适应性。
  • Agent 与 Copilot:Copilot 是“人主导、模型辅助”,人保留每一步决策权;Agent 是“目标委托、模型推进”,人在关键节点把关。二者并非对立,很多产品会同时提供两种模式。
  • Agent 与检索增强生成(RAG):RAG 是一种“把外部知识引入模型”的技术手段,本身不必然具备行动能力;Agent 可以调用 RAG 作为其中一种工具。可以说 RAG 常是 Agent 的一个能力组件。
  • 单智能体与多智能体:多智能体适合职责差异大、可并行、需要交叉校验的任务;但它会显著增加调用成本与协调复杂度,简单任务用单智能体往往更高效。

六、使用注意事项

  1. 按任务特征选型,而非按热度选型。先评估任务的确定性、可验证性与容错空间,再决定采用哪种范式。
  2. 权限最小化。为 Agent 配置的凭据应严格限定范围与有效期,避免“一把万能钥匙”式的设计。
  3. 强制人在环(Human-in-the-loop)。删除数据、变更配置、对外发送、涉及资金的操作,必须有确认或审批环节,并留存完整审计记录。
  4. 防御提示注入。Agent 读取的网页、文档、日志等内容都可能携带恶意指令,需将“外部内容”与“系统指令”明确隔离,对工具调用参数做校验。
  5. 控制成本与延迟。自主式范式单次任务可能触发几十甚至上百次模型调用,需设置步数上限、超时与预算告警,并考虑分层路由:简单判断交给小模型,复杂推理交给强模型。
  6. 建立评测体系。构建覆盖典型与边界场景的离线评测集,跟踪任务成功率、步骤数、工具调用正确率、人工干预率等指标,防止版本升级带来效果回退。
  7. 警惕“自信的错误”。模型可能生成看似合理但实际不存在的方法或参数。在编码、运维等场景中,应坚持“先小范围验证再执行”,不要直接信任模型的结论。
  8. 善用通用云基础设施支撑。生产级 Agent 通常依赖一组通用云产品能力协同支撑,例如:对象存储保存任务产物与检查点,消息队列实现异步任务调度,容器平台承载沙箱执行环境,日志服务与监控告警提供全链路追踪,身份认证与访问管理控制工具调用权限。百度智能云在这类通用能力上可提供相应支撑,帮助团队把 Agent 从原型推向可运维的生产系统。

七、总结

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:

  • 决策权上移:从开发者预定义流程,走向模型自主规划;
  • 约束手段升级:从依赖提示词,走向运行时、评测、护栏构成的工程体系;
  • 上下文成为核心资源:谁能在正确时刻把正确信息交给模型,谁就能获得更好的效果。

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。