“Agent” 一词在英语中的原意是“代理”。它可以是旅行社的中介、保险公司的代理，也可以是电影里的特工。无论身份如何变化，Agent 都有一个共同的核心含义——代表另一个主体去完成目标导向的行动。
在人工智能的语境中，这个词被赋予了一个更具科技感的译名：智能体。 听起来高深，但其实离我们的生活并不远。当我们唤醒 Siri 或小爱，让它帮忙查询天气、拨打电话或设定闹钟时，我们就在与一个智能体交互。
无论它的形态是文字对话框、语音助手，还是具象化的机器人，智能体的核心机制始终相同： 观察（observe）— 决策（decide）— 行动（act）。 只要一个系统能够根据环境信息做出有目的的行动，它就具备了“智能体”的雏形。这也是智能体区别于传统程序的根本所在：它不只是被动执行输入，而是能够依据环境变化主动选择行动。
事实上，“智能体”这一概念早在强化学习和机器人研究中就已出现。那时的智能体大多被设计用于特定任务，例如玩 Atari 游戏、走迷宫或控制机械臂。这些系统在封闭环境中表现出色，但一旦环境或目标发生变化，它们往往难以迁移或泛化。 于是，一个问题浮现出来——这样的智能体，真的能代表我们去完成真正的目标吗？
大型语言模型（LLM）的出现，为智能体提供了全新的运行介质——语言。 语言不仅能描述目标、规则和反馈，还能成为思考与规划的工具。 换句话说，过去我们必须为每个任务单独设计动作空间； 而如今，我们只需要让模型“想清楚下一步要做什么”，并通过语言调用工具， 就能让智能体跨系统、跨任务地运作。
这标志着智能体从被动执行走向主动推理， 也揭开了“语言驱动智能”时代的序幕。
LLM Agent 简史#
从符号主义起航：智能体的第一次尝试#
最早的智能体起源于 AI 发展的早期，那时的人们认为任何智能行为都可以通过符号的生成与操作来实现。 基于这种理念，最简单的想法就是我怎么想，就把这条规则写下来。比如气温超过 30°C，就要打开空调降温。 这种范式更类似我们今天的编程，符号主义 Agent 将所有的观察结果首先映射为某种符号状态。随后，Agent使用这个预设的符号状态来推导出应如何与环境互动并执行操作。
当时的研究人员抱有巨大的野心，认为可以通过一个夏天搞定视觉，再通过另一个夏天搞定语言，将它们拼在一起就能做出一个比人还聪明的 Agent。
这次 Agent 的研究热度在医学专家系统 MYCIN 发布时达到顶峰。 MYCIN 拥有一个 450 条描述感染与治疗的关系规则的知识库，并且可以根据目标倒推条件，为医生提供细菌感染诊断与抗生素推荐。 这是人类第一次系统地尝试用计算机模拟医学专家的诊断思维。
但在随后的几年时间里，符号主义智能体伴随符号主义逐渐没落，引发了第一次 AI 寒冬。
符号主义最核心的问题在于人类专家的知识是模糊的、上下文依赖的。 医生、工程师、厨师的决策往往来自经验与直觉，而不是显式逻辑。 医生在诊断病人时，不会因为病人发烧就直接开一瓶对乙酰氨基酚让病人回家，而会依赖语气、面色、过往病例判断，这个病人确实就是感冒了，再开一瓶对乙酰氨基酚让他回家。 但专家系统只能处理“体温=39.2°C → 发烧”这样的离散规则。
此外专家系统也不具备泛化性，一个人如果学会了炒宫保鸡丁，你问他宫保虾球怎么做，他会把宫保鸡丁的佐料做法都告诉你，只不过把食材换成虾球。 但是在符号主义的智能体眼中，宫保鸡丁和宫保虾球是两个不同的字符串，它无法理解这两个名词有什么关系（这被称为符号接地问题），自然也不具备泛化性
一句话总结失败的根本原因，符号主义智能体把智能误解为知识的演算，而不是学习的过程
数据觉醒：统计学习与强化学习的碎片智能#
20 世纪 80 年代末，随着专家系统泡沫破裂，人工智能迎来了第一次“范式危机”。 研究者开始重新审视“智能”的本质： 也许智能并不来自人类手工编码的知识，而是潜藏在数据和经验之中。
这一思想的转向催生了统计学习与强化学习两大方向，标志着智能体从逻辑推理机器转变为数据驱动的学习系统。
如果说符号主义时代的智能体是“规则的执行者”，那么这一时期的智能体，则成为了“经验的学习者”。 它们不再依靠显式的逻辑规则，而是通过数据中的统计相关性和环境反馈来近似理解世界。
统计学习的核心假设是：智能可以通过对数据中规律的统计建模获得，而无需显式的逻辑规则。 因此智能体的目标不再是逻辑判断，而是通过学习大量输入输出样本，去逼近一个映射函数。 智能体通过训练数据获得一种“模式识别能力”，它可以感知、分类、预测、生成，但并不真正“理解”。
例如，早期的感知机（Perceptron）尝试让机器“自己”找到从输入（像素）到输出（类别）的边界； 再往后，支持向量机（SVM）、朴素贝叶斯、隐马尔可夫模型（HMM）等方法让计算机能够在噪声中寻找模式、在时间序列中做出预测。 这些模型没有真正的“理解”，但它们能在数据中找到相关性。
尽管统计学习带来了显著性能提升，但这种智能仍然是**任务特定（task-specific）**的。 它只能在训练任务上表现良好，对环境变化、任务迁移、跨模态理解均力不从心。 模型无法解释其决策逻辑（缺乏可解释性）； 无法主动探索或规划（缺乏目标导向性）； 学到的知识难以迁移（缺乏通用性）。
因此，这一时期的智能体常被称为： “碎片智能（Fragmented Intelligence）” ——擅长局部任务，却缺乏整体认知。
与此同时，强化学习则建立在 智能 = 经验 × 反馈 的思想上。 与统计学习不同，强化学习智能体并不依赖人工标注的数据集。 智能体通过不断试错，从环境反馈中调整行为，以最大化长期奖励。
早期的 Q-learning、SARSA 到后来 AlphaGo 的自我博弈，都是这一思想的延伸。 与符号主义智能体的“理性计划”不同，强化学习的智能体是“经验主义者”——它并不真正理解世界，而是通过经验积累形成策略。
这种以数据为燃料的智能虽然分散、有限，却极具生命力。 它让机器在特定任务中表现出超越人类的能力：识别手写数字、翻译文本、玩电子游戏。 但它仍然是碎片化的智能——每一个模型都只会一件事，离通用智能还有很远。 机器学会了识别猫，却不懂什么是“动物”； 学会了走迷宫，却不明白“目标”这个抽象概念。
统计学习与强化学习代表了智能体发展的两个方向：前者擅长从数据中学习模式；后者擅长从经验中学习行为。
两者在后来的研究中逐渐融合—— 例如 Deep Reinforcement Learning 将神经网络（统计学习）与强化学习（交互式优化）结合， 产生了 AlphaGo、OpenAI Five 等划时代的系统， 也为后来的 LLM Agent 行为模型（如ReAct、AutoGPT） 提供了思想原型。
深度浪潮：语言模型与通用智能的雏形#
聊了这么多，所以 Agent 是如何从一个脱离了特定领域就变成人工智障的学术界玩具，变成今天可以帮我们写代码，写文档，扮演各种角色与我们交互的？这场突变的根本原因是语言。
语言是一种很神奇的媒介，天然是一种高维世界的低维编码——它把经验、规则、情绪、概念都压缩成符号序列。 这使得模型在学习语言时，并不是在学习随机文本，而是在学习人类组织知识与世界的方式。
例如，语言中存在：
类别层次（动物→猫→暹罗猫）；
因果关系（因为…所以…）；
时间逻辑（先…然后…）；
抽象比喻（A像B、X的Y）。
这些规律让语言天生具备概念组合与模式迁移的结构潜能，有限的符号可以通过语法与语义规则生成无限表达。
当大模型在语料中学习下一个词时，实际上在学习世界的真实结构。
因此，基于语言的大模型提供两项此前不具备的关键能力：泛化和 few-shot 学习
泛化体现在两个层次
-
分布内泛化 模型可以对未见样本做出合理预测。 例如，它从未见过“红色猫”，但能理解“红色”和“猫”的组合含义。
-
分布外泛化 LLM 能迁移到完全新任务： 在没专门训练的情况下进行逻辑推理（Chain-of-Thought）； 理解图像描述（多模态扩展后）； 调用工具、写代码、规划任务（Agent化阶段）。
而 few-shot 更类似于举一反三，指模型在没有专门训练的情况下，仅通过输入提示中的少量样例，就能掌握新任务
于是在 2022 年，基于 GPT3 的 ChatGPT 一举引爆了全球市场，Agent 从实验室中的玩具走进了千家万户
最初到大模型 agent 隐藏在 QA 的交互界面背后
看似简单的一问一答的交互模式，其实背后可以分成一种类型
Next Reads