2022 年底，ChatGPT 横空出世，2023
年引爆全球，人们用它聊天，把它当作一部百科全书；2026 年，随着
Claude Code、Codex、GitHub Copilot
等编程智能体工具的诞生，大模型不断扩展自己的能力边界，如今人们可以直接通过语言与指令的交互完成诸如“把这个
bug
修了”“把周报写了”“把这份合同审了”这类日常工作的任务。大模型应用也从之前的提示词工程（Prompt Engineering）、上下文工程（Context Engineering），发展到现在的
Harness
工程（Harness Engineering，给模型装配眼、手、记忆与权限的那套工程）。无论是个人用户还是企业组织，Agent
代理系统都开始变得越来越重要，在各个行业出现了爆发式的增长。
这个Agent系列，准备用三篇把Agent的来龙去脉梳理一遍，尽可能讲的更全面一些：第一篇主要讲Agent是什么，历史由来以及Agent要解决什么问题，当下发展的状态怎么样；第二篇讲Harness工程——决定Agent任务质量的工程方法；第三篇讲Agent未来发展的走向——多Agent协作、数字员工与自我进化Agent系统。
什么是Agent
一个直观的定义
简单来说，Agent是以LLM为大脑，感知环境、自主决策、使用工具、循环执行，直到完成目标，输出结果的系统。Agent作为一个系统，有输入，有输出，也有内部状态管理。输入是用户的指令或者外部事件，输出则是文档或者图片、视频等结果产物；运行时循环负责模型调用与工具执行，状态管理负责上下文、记忆、技能调用与权限审计。
不同模型厂商定义略有不同。OpenAI
的定义侧重结果：Agent
是“能够独立代表你完成任务的系统”——照此标准，Chatbot、单轮问答、分类器都不是
Agent，因为模型并不控制工作的执行。Anthropic
的说法侧重过程：Agent
是“模型在循环中动态主导自己的进程与工具使用”的系统，并且与“工作流”做了明确的架构区分——工作流通过预定义的代码路径，Agent
由模型自己动态决定路径。
Agent与Chatbot的本质区别在于责任对象。Chatbot对“最后一轮回答”负责，Agent对“任务的最终状态”负责。打个比喻：Chatbot像顾问，给完建议就结束；Agent像员工，要对交付结果负责，中间过程得自己想办法。
Agent的由来
“Agent”并不是新词。Russell &
Norvig在《人工智能：一种现代方法》中的经典定义是：通过传感器感知环境、通过执行器作用于环境的任何实体。早在1995年，Wooldridge与Jennings写了一篇被引用超过一万的综述，他们给出了Agent的四个属性：
- 自主性（无需人直接干预即可运行）
- 社会能力（能与其他Agent或人交互）
- 反应性（感知环境并响应变化）
- 主动性（目标驱动，主动采取行动）
这个定义与我们之前看到的 Agent
定义不谋而合。我们不妨详细地回溯一下 Agent
的发展与演进历史。
- 符号主义阶段（1950s–1980s）：从维纳《控制论》的“反馈”概念出发，感知、决策、执行的闭环思想逐渐成形。1956 年达特茅斯会议奠定人工智能的开端，出现通用问题求解器、逻辑推理等规划系统；Shakey 机器人（1966–1972）第一次把感知、规划、行动装进同一台机器，成为这一思想的实体化样本
- 经典智能体阶段（1970s–1999）：专家系统通过知识库和推理机解决特定领域问题，随后出现 BDI 架构，用 Belief、Desire、Intention 描述 Agent 的认知与决策，Agent 的自主性、反应性、主动性和社会性得到系统定义；同一时期，General Magic 试图把“软件 Agent”做成大众产品，却因基础设施不成熟而失败，成为 Agent 商业化的第一次教训
- 强化学习 Agent（1990s–2011）：以
MDP（
Markov Decision Process）、Q-Learning和策略学习为基础，Agent通过“状态—动作—奖励”与环境交互，不再完全依赖人工编写行为规则 - 深度学习阶段（2012–2021）：DQN（
Deep Q-Network，2013）直接从游戏画面学习策略；AlphaGo（2015）结合深度神经网络、强化学习和树搜索击败人类顶尖棋手，证明学习型 Agent 可以在复杂决策任务上超过人类 - 大模型 LLM 阶段（2022 年至今）：SayCan 与 Inner Monologue 率先把 LLM 接入环境反馈，ReAct 将推理、行动和观察组合成闭环，Toolformer 探索模型自主调用 API；AutoGPT、Generative Agents 等项目推动任务规划、工具调用、记忆和反思机制的发展；编程 Agent、研究 Agent 和浏览器 Agent 进入实际生产场景；A2A 协议推动跨平台 Agent 协作；Agent Skills、Context Engineering、长期记忆、评估和多 Agent 系统成为重点
大模型LLM带来的改变是结构性的：预训练读遍互联网的模型第一次同时具备通用知识、推理能力和语言理解。从Transformer的出现，到如今的Harness工程，Agent的应用伴随着大模型能力的提升得到了更广泛的应用。
Agent要解决什么问题
LLM单次调用解决的是“知识检索加推理”；现实工作中的任务，大多是多步骤、跨系统、需要反馈才能完成的。写一个功能要动几十个文件，订一张机票要查库存、比价、下单，修一个bug要定位、修改、验证。这些任务没有能通过“一次问答”解决。
核心矛盾在于：LLM
没有手（不能执行）、没有眼（不能观察执行结果）、没有持久记忆（上下文窗口有限），而
Agent 就是把眼、手、记忆补上去的 Harness 工程，所以也有人直接将
Agent 定义为：Agent = LLM + Harness：
- 执行能力（手）：工具调用——搜索、读写文件、执行命令、调用API、操作浏览器；
- 感知能力（眼）：观察工具返回、读错误信息、看测试结果，基于反馈修正；
- 记忆与状态：短期靠上下文管理，长期靠文件或数据库，让跨会话的连续工作成为可能。
Chatbot 时代的交互以 30 秒的单轮问答为单位；Agent
时代，一次任务可以自主运行几分钟到几个小时。任务时长每上一个数量级，对可靠性、稳定性的要求就完全不同——跑偏一步，得到的结果可能全是错的。这也解释了为什么“可靠性”是当前所有
Agent 产品的核心矛盾，对此 Anthropic
给出了那条建议：开放式、步骤无法预先穷举的任务才交给
Agent；能枚举步骤的过程应该固化成工作流。这是成本与可靠性的最优分配。
当前Agent的形式
Agent具体形式，如果按交互形态分，有这么几个类别：
- 对话式Agent：ChatGPT、Claude.ai的对话界面加工具（搜索、代码执行、画布），用户逐步下达指令——半自主，最普及的形态；
- 终端Agent：Claude Code、Codex CLI、Gemini CLI、Qwen Code等，在本地工程里读写代码、跑测试、提交git——agentic loop最完整的载体；
- 云端异步Agent：Devin、Claude Code on web，给它一个issue就异步开工，完成后提交PR，人只做review；
- Computer Use Agent：直接操作浏览器或桌面UI，通用性最强，可靠性挑战也最大；
- 嵌入式Agent：IDE里的Cursor、Copilot，办公软件里的AI助手——Agent能力嵌进既有工作流。
另外，我们也可以按照Agent的自主性层级进行分类：
| 层级 | 形态 | 谁决定流程 | 典型例子 |
|---|---|---|---|
| L1 | Copilot（增强生成） | 人 | RAG、代码补全 |
| L2 | Task Agent（工作流） | 开发者预先编排 | 提示链、路由、Dify/Coze |
| L3 | ReAct Agent（单 Agent） | 模型动态主导 | Claude Code、Devin |
| L4 | Team Agent（多 Agent 系统） | 模型间动态分工 | subagent、Agent teams |
| L5 | Autonomous Organization（自主组织） | 系统自主发现问题、组建团队 | 数字员工组织、自我进化 Agent 系统 |
层级越高自主性越强，可控性越差。Anthropic
的建议是找到最简单的可行方案，需要时才加复杂度——很多场景优化好单次 LLM
调用加检索就足够了。实践中 L2 与 L3 的混合最常见：工作流里某些节点是
Agent，Agent 内部又遵循确定性的流程；而 L4、L5 的多 Agent
协作与自主组织，正是第三篇要展开的议题。
Agent生态
Agent 的生态系统包括了模型、开发框架、Harness
工程、连接协议，最终构成新的数字基础设施，如数字员工、AIOS、具身智能等
AI-native 产品：
- 模型与数据：LLM/VLM提供理解、推理和生成能力，RAG与知识库补充领域知识
- 开发框架：LangGraph、AutoGen、CrewAI等负责推理循环、状态管理、任务编排及多Agent协作
- Harness与工具链：为Agent提供记忆、上下文管理、权限控制、安全沙箱、评测、监控和故障恢复，使其从“模型Demo”走向可靠系统
- 连接协议：MCP 统一 Agent 访问工具、数据与外部系统的接口；A2A 支持 Agent 发现、任务委派、进度同步和结果交换；AG-UI 连接 Agent 与用户界面。值得一提的是，第一代 Agent 通信标准 KQML/FIPA-ACL 正是因为过度设计而没落，今天的协议设计更看重简单与落地
- 运行基础设施：包含模型服务、数据库、向量库以及云端和端侧算力
- 应用层：最终形成个人助手、企业数字员工、软件开发Agent和机器人Agent等产品形态
总结
随着大模型与 Harness 工程的能力不断提升，Agent 把 LLM 从“会说话的百科全书”变成“能干活的数字劳动力”。但这并不意味着 Agent 就是能解决万难的银弹——Jakob Nielsen 复盘了第一波 Agent 浪潮为何失败，Ed Zitron 也从反方泼了冷水。要真正做出数字员工、多 Agent 系统稳定可靠运行，还有不少问题需要去解决：
- 长任务可靠性：长任务的成功率随步骤数衰减，错误会累积，这是所有Agent产品的核心痛点；Agent需要具备异常检测、自动重试、状态恢复、结果校验和主动求助能力
- 复杂推理与判断：面对目标模糊、信息不足或利益冲突的任务，Agent仍难以稳定理解真实意图并作出符合组织利益的判断
- 安全与权限：Agent可能遭受提示词注入、数据泄露、权限越界和恶意工具攻击，需要沙箱、最小权限、审批与审计机制
- 评测与可观测性：企业需要持续评估任务完成率、工具调用、成本和合规性，并能追踪 Agent 的决策过程、错误原因与影响范围
- 责任界定：Agent犯了错算谁的？每一次自主决策都需要可追溯，trace与审计正在成为工程标配；当Agent签错合同、错误付款或作出高风险决策时，责任主体、审批制度、监管要求和保险机制仍需明确
- 组织与岗位重构：Agent 首先替代标准化任务，而非整体取代岗位。企业需要重新设计流程、职责、绩效体系和人机协作模式
工具是人手的延伸，Agent则是人意图的延伸。但意图要变成可靠的结果，中间隔着一整套工程——模型决定上限，Harness决定下限。这个正是下一篇《Agent系列之二：Agent与Harness工程》所要讨论的议题。
参考资料
- Building Effective Agents — Anthropic：workflows与agents的架构区分、五种工作流模式、“最简单可行方案”原则
- A Practical Guide to Building Agents — OpenAI：Agent定义、何时值得上Agent的三判据
- Intelligent Agents: Theory and Practice — Wooldridge & Jennings, 1995：弱定义与强定义的经典出处
- Shakey the Robot — Computer History Museum / SRI：第一个感知-规划-行动俱全的移动机器人
- BDI Agents: From Theory to Practice — Rao & Georgeff, 1995：BDI模型的形式化
- General Magic — NY Mag口述史：九十年代Agent商业化的尝试与失败
- KQML/FIPA-ACL的历史与教训 — UMBC：第一代Agent通信标准为何没落
- ReAct: Synergizing Reasoning and Acting — arXiv:2210.03629：agentic loop范式奠基
- Inner Monologue — arXiv:2207.05608 / SayCan：ChatGPT之前的LLM+环境反馈
- Auto-GPT Unmasked — Jina AI：AutoGPT狂热的复盘
- Model Context Protocol — Anthropic：工具生态标准化
- Hello AI Agents — Jakob Nielsen：第一波Agent浪潮失败的复盘
- Ed Zitron: AI Is Really Weird：反方声音
- Reinforcement Learning: An Introduction — Sutton & Barto：强化学习经典教材，系统介绍Agent、Environment、State、Action、Reward和Policy构成的交互闭环。
- Attention Is All You Need — NeurIPS：Transformer原始论文，奠定现代大语言模型和基础模型的核心架构基础。
- Toolformer: Language Models Can Teach Themselves to Use Tools — Meta AI：研究语言模型如何自主判断是否调用工具、调用哪个API、传递什么参数，以及如何利用工具返回结果。
- Generative Agents: Interactive Simulacra of Human Behavior — arXiv：提出由Memory Stream、Reflection和Planning组成的生成式Agent架构，并通过25个Agent的虚拟小镇验证持续行为和多Agent交互。
- Building Agents — OpenAI Developers：将Agent概括为拥有Instructions、Guardrails和Tools，并能够代表用户采取行动的AI系统。
- Agents SDK — OpenAI：从工程实现角度介绍Agent如何进行规划、调用工具、维持任务状态，并与其他专业Agent协作完成多步骤任务。
- Introducing ChatGPT Agent: Bridging Research and Action — OpenAI：展示Agent如何将研究、浏览器操作、代码执行和工具调用结合起来，并讨论自主行动带来的权限、安全与提示注入风险。