Agent系列之三：Agent的未来

Agent LLM 多Agent系统数字员工数字公民

字数统计: 6.4k阅读时长: 22 min

 2026/09/08

“我们塑造工具，此后工具又塑造我们。”

“We shape our tools and thereafter our tools shape us.”

——约翰·卡尔金（John Culkin），1967

human-agent-cooperation

前两篇文章从技术的角度分别讨论了 Agent 是什么，以及如何通过 Harness 工程让它可靠地完成任务。这一篇我们把视角从系统内部移向组织与社会：当 Agent 能够持续稳定工作、积累经验，并承担越来越完整的业务流程，人类如何重新组织生产、分配责任，以及理解自身的价值？

模型能力提升将扩大可自动化的任务范围，而验证成本、组织授权与社会制度，将决定这种能力能够转化为多大程度的自主性。另一方面，我们还可以利用 Harness 工程来不断强化并改进 Agent 体系——模型决定能力的上限，工程决定可靠的下限，两者相互促进。这个自我改进的飞轮一旦跑通，Agent 的能力将得到极大的释放。

到那时，Agent 不仅仅是一个能“完成任务”的工具，而会成为有自主意图、目标驱动、有责任与权限的数字人：成为组织的一个角色，社会体系的一部分。人类社会要如何组织，人的价值又该如何定义？我们甚至可以畅想：如果能将人的大脑（记忆、意识、关系）复制化，在某种程度上就可以得到一个数字化的延续——哪怕肉体部分已经不存在，人格与意识仍可以由数字化的 Agent 延续。这正是 Agent 作为数字公民的一部分：每个人都可以通过数字 Agent 延续自己的生命，从而发挥更大的价值。

Agent的进化：从工具到数字人

当前 Agent 的发展，已经从聊天机器人演进到可以自我改进的系统。但要真正成为能持续稳定输出、可以作为组织一员的系统，还需要做更多的事情：保持工作的连续性，确保任务状态能够跨时间、跨系统保存；明确 Agent 的职责与权限——它能做什么、不能做什么、何时应该升级给人决策；同时，还需要对 Agent 的完成结果进行评估。

沿着这个方向，Agent 大致经历五级跃迁：从任务型 Agent，到自我改进系统、动态多 Agent 协作，再到数字员工与跨组织代理，直至社会级协作网络——“数字公民”则是这一终点上的开放制度设想。下文就沿着“自我进化”与“组织协作”两条线索展开。

随着这些条件成熟，多 Agent 协作可能成为数字化分工的一种实现方式。但增加 Agent 数量也会增加沟通、冲突和错误传播成本。适合拆分的是具有明确输入、输出和验收标准的职责（详见后文“多Agent系统”一节）；简单任务没有必要模拟一整套公司层级。

当 Agent 进一步跨组织活动，替个人或企业沟通、委托任务和参与交易时，“数字公民”的讨论便出现了。这里必须区分：拥有身份和授权，是技术与治理问题；是否拥有独立权利、义务或主体资格，是另一个制度问题。当然，“数字公民”也可以指人的数字替身：作为人的意识与记忆的延续，其身份与权利仍归属于所对应的自然人。

agent-evolution-horizontal

自我进化的Agent系统

早在 1965 年，I. J. Good 就设想过能设计出“更好机器”的超智能机器；到了 2010 年代，AutoML、神经架构搜索和学习优化器将超参数、网络结构与优化策略纳入自动搜索，机器开始参与设计机器学习系统，但搜索目标、评估方式和整体流程通常仍由人固定设计。进入大模型时代，出现了 RSI, Recursive Self-Improvement（递归自我改进）研究的热潮。

Darwin Gödel Machine（2025）: 通过修改 Agent 自身代码、保留多分支候选并进行评测，持续优化工具与工作流；论文实验中，SWE-bench 成功率从 20.0% 提升至 50.0%，展示了冻结模型下的 Harness 自我改进
Hyperagents（2026）：将任务 Agent 与负责改进的元 Agent 共同纳入可编辑程序，使“产生改进的方法”也能进化；实验显示，元层改进可跨领域迁移并持续积累，但尚未证明无限自我加速
Group-Evolving Agents（2026）：让多个 Agent 共享进化过程中的成功与失败经验，提高探索效率；论文实验中，SWE-bench Verified 达到 71.0%，Polyglot 达到 88.3%
AlphaEvolve（2025）：结合模型生成程序、自动评估与进化搜索优化算法，取得数据中心调度、硬件设计和模型训练效率方面的改进，并发现以 48 次标量乘法完成两个 4×4 复数矩阵相乘的方法
GEPA（2025）：利用执行轨迹反思与进化搜索优化提示词，无需更新模型权重；在论文评测任务中优于 GRPO 和 MIPROv2，相比 GRPO 所需轨迹采样次数最多减少约 35 倍
When AI Builds Itself（当 AI 构建自身）——Anthropic Institute（2026）：分析 AI 从辅助编程、执行实验走向自主研发下一代模型的演进路径。Anthropic 内部数据显示，2026 年 5 月超过 80% 的合入代码由 Claude 编写，但代码量不等于生产率。文章认为，研究方向选择、结果判断与验证仍是关键瓶颈；完整 RSI 尚未实现，未来发展取决于能力突破、算力资源与治理机制

从 Agent = LLM + Harness 这个定义来看，Agent 自我迭代主要从两个方面进行：

模型本身可以根据外界的反馈与数据自我调整优化权重，对模型进行微调、强化学习、蒸馏，从而改善模型的表现
基于 Harness 层的迭代：优化检索、工具、技能、编排、路由与恢复策略等工程环节

再往上，自我迭代可以从个体扩展到团队，为后文组织演化中的“企业”形态提供部分技术基础。Experiential Co-Learning从软件开发轨迹中提取并复用捷径经验，减少重复尝试；Meta-Team 在个体、交互和团队三个层面更新行为、队友画像与协作规则，并允许调整角色组成，在论文评测中较不进行演化的初始多 Agent 基线平均提高 6.6 分；EvoChamber 则通过 CoDream 的“反思—对比—想象—辩论—结晶”过程提炼洞察，定向写入相关领域能力低于池中位数的成员，在补足能力缺口的同时保留专业化差异。

这些机制与人类组织的集体复盘、知识传承和分工调整存在可解释的对应关系。它们说明，团队如何积累经验、组织协作和调整成员，正在成为可实验、可评测的工程对象；但从基准任务中的团队改进走向真实企业的持续组织演化，仍需要进一步验证。

自我迭代的核心难题

自我迭代的真正难题，是往哪里改、怎样证明改进，以及何时停止。它面临五类风险：

奖励投机：代理指标不等于真实目标。测试全绿可能意味着代码正确，也可能只是测试漏洞被利用
能力退化：未经筛选的自生成数据可能放大偏差；错误记忆与流程修改也可能使系统退步，但退化并非自我训练的必然结果（参考模型坍缩研究）。
约束失守：如果系统能够修改权限和验收标准，就可能通过降低要求制造“进步”
多样性下降：过度追逐已知高分策略，会压缩探索空间。多 Agent 的价值在于方法互补，而非角色数量
失败证据不足：只保留成功案例容易重复犯错，但一次失败也不能直接否定假设，必须区分实现错误、环境故障与有效反证

因此，自迭代系统需要受保护的“宪法层”：权限、预算、验收与发布规则由改进循环之外的机制执行。人设计并审查选择标准，标准之内的筛选可以自动化。

Self-Harness将改进组织成“提出—评估—接受”循环：从失败轨迹提取模式，提出有界修改，只接受两个评测分组的总通过数均不下降、且至少一组提升的候选。这是有限样本上的晋升规则，不保证每个任务都无回归。

AHE（Agentic Harness Engineering）则要求每次修改附带可证伪的预测，并将验证器、追踪器和模型配置设为只读。其 Terminal-Bench 2 成绩从 69.7% 提升至 77.0%，冻结后也表现出迁移收益；但回归预测召回率仅为 11.1%。系统能够解释为什么要改，仍可能不知道会改坏什么；迁移收益支持泛化，却不能排除过拟合。

递归结构本身同样不保证增长。STOP 的特定实验中，GPT-4 随迭代而改善，GPT-3.5 与 Mixtral 却退化。另一项研究 Harness Updating Is Not Harness Benefit 发现，生成有效 Harness 更新与使用更新是两种能力：小模型也能提出有用修改，但执行收益取决于技能调用、长程遵循能力和原有性能上限，不能简单归结为模型越强、收益越大。

性能提升、搜索停止与安全保证，是三个不同命题。分数趋稳可能意味着改进空间缩小，也可能只是预算耗尽或基准饱和；即使分数单调上升，也不能证明真实能力与安全行为收敛。

工程上应预先规定收益、回归和预算门槛，在相同条件下重复比较，并用未参与候选选择的新任务验证最终版本。反复用于筛选的留出集仍可能被间接过拟合；分别有效的修改，合并后也必须重新验证。对于 RSI，还需检查新改进机制能否在相同预算下，更稳定地产生有效改进。

科研场景进一步揭示了验证的边界。一项四次自主科研尝试的案例研究中，三次失败，仅一次完成并获接收；问题包括实现漂移、上下文退化、误判成功，以及实验设计与科学判断不足。它说明流程自动化已有进展，但“实验跑通”仍不等于“问题值得研究、结论得到支持”。

可靠的自我改进，不仅要提高完成任务的能力，也要提高识别错误、承认证据不足和及时停止的能力。现阶段，人仍需对目标价值、证据标准与关键发布决定承担责任；这些责任不能因为系统形成了递归循环，就被视为已经得到解决。

Agent组织的协作与演进

数字员工进入业务后，企业需要重新定义谁负责什么、谁可以决定什么，以及怎样证明工作完成。业界有两种代表性判断：浪潮信息彭震提出 Humagent 概念——AI 原生企业的组织将从“管理 Human”进化到“管理 Humagent（人 + 智能体）”，岗位、角色、权限、责任边界与绩效体系都要重新定义；李开复与苏姿丰的对谈中则给出更激进的“部门级替代”判断。

变化的关键，是形成一种新的分工：人确定目标、授权与责任，Agent 承担可委托的工作，双方依据真实结果调整方法。人的参与深度应随任务风险、证据充分性和系统可靠性变化。

将人类组织几千年的演化史映射到 Agent 世界，我们可以得到 Agent 系统的四种可能的组织形态。对照人类组织演化的阶段，它们大致对应：部落——临时协作，围绕任务组队，完成即释放；城邦——稳定团队，以交接契约与持续角色沉淀责任；企业——持续运营，出现数字员工与权限生命周期；生态——跨组织协作，需要可验证身份、委托凭证与争议处理。

agent-organization-evolution

这些形态可以共存。企业内部可以临时组队，跨组织协作也可以由固定流程完成；临时实例同样可以使用长期记忆。自主性等级与组织成熟度也不宜一一对应：一个高度自主的 Agent 可能缺乏长期治理，一支多 Agent 团队也可能严格依赖人工审批。更有意义的判断是：系统能否持续履职、可靠交接、积累经验，并对结果负责。

康威定律指出，系统设计与设计组织的沟通结构存在对应关系。由此可以提出一个组织设计推论：当 Agent 改变信息流转、任务交接与决策成本，企业也需要重新审视部门边界和审批流程；这不是定律自动“反向生效”，而是技术架构与组织设计需要共同调整。

多Agent系统：何时值得拆分

单 Agent 在上下文容量、工具选择和长程执行中会遇到限制。多 Agent 可以通过分工缩小上下文，通过并行缩短部分任务耗时，并提供独立复核。但故障隔离需要权限与运行环境支撑，审查者也可能与执行者共享同样的盲区。

因此，应先建立单 Agent 基线，再判断拆分是否值得。OpenAI 的实践指南建议，在任务逻辑或工具选择难以继续简化时考虑多 Agent。工具数量并非唯一标准，功能重叠与描述歧义同样重要；“15 个清晰工具、不到 10 个重叠工具”的例子是实践观察，并非固定阈值。

实验也提示了过早拆分的代价。Meta-Team 初始人工设计的多 Agent 系统在九个评测列中有六个落后于单 Agent；引入协作进化后，平均得分从 56.1 提升到 62.7。这是六个基准、九个评测列下的结果，不能推广为所有多 Agent 系统的规律。

EvoChamber 的一个 30 题数学消融实验中，关闭跨 Agent 知识转移后，系统与单 Agent 的准确率均为 63.3%；开启后为 70.0%。它说明该设置中的收益依赖知识流动，但不能证明没有进化机制的并行协作都无效。

增加 Agent 数量增加的只是执行资源；是否产生净收益，取决于任务可分性、协作质量与额外成本。

Agent协作的形态

跟人类组织的协同形态类似，多 Agent 协作也需要遵循一定的拓扑结构。这里我们对比一下常见的 5 种 Agent 组织形态：

架构	工作方式	适合的使用场景
① 编排者—执行者	编排者根据任务动态拆分工作，多个 Agent 并行执行，再集中汇总与验收。	可拆分、可并行的复杂任务：多专题研究、多模块代码改造、跨来源资料分析。
② Manager：Agent 作为工具	主 Agent 按需调用专家 Agent，获得结果后继续决策，始终保留任务控制权。	需要统一上下文与决策的任务：综合助手、企业经营分析、调用检索与计算能力的业务问答。
③ Handoffs：控制权交接	当前 Agent 将请求及必要上下文转交给另一 Agent，由接收方接续处理。	职责明确、需要转接的服务：客服分流、售前转售后、复杂工单升级。
④ 流水线	Agent 按预设依赖处理上游产物，由工作流引擎管理推进、验收与返工。	流程稳定、交付标准明确的任务：翻译→审校→排版，单据审核，软件构建与发布。
⑤ 辩论／评审	多个 Agent 独立提出方案，再相互质疑、补充证据，由验证机制或人类裁决。	需要多角度检查的任务：架构评审、代码审查、研究假设比较、重要方案论证。

① 编排者—执行者

agent-topology-01-orchestrator

② Manager：Agent 作为工具

agent-topology-02-manager

③ Handoffs：控制权交接

agent-topology-03-handoffs

④ 流水线

agent-topology-04-pipeline

⑤ 辩论／评审

agent-topology-05-review

实际项目中，这些模式可以组合使用。例如，AI Native CI/CD 可以由流水线管理交付阶段，编排者分配并行开发任务，专家 Agent 提供专项分析，再通过独立评审完成验收。

有了这些基础设施只是第一步；要真正达成 Agent 之间的高效合作，还需要解决协作机制层面的问题：方案讨论、共识达成、OKR 协商、分歧仲裁、集体复盘等。人类组织为了达成共同目标，需要花大量时间对齐需求、任务与目标，并不断迭代优化；Agent 体系也需要类似的机制，来保证整个系统始终对齐统一的目标，并在任务推进过程中持续沟通协商。

但与此同时，我们也不能忽略 Agent 组织中存在的风险——它们往往出现在个体行为彼此叠加之后。Anthropic 的探索性实验揭示了三类问题：

同质决策：30 个 Agent 中有 18 个选择了相同的分支名；另一次队列实验产生 240 万次请求、仅 117 个任务被接受——相似策略的扎堆会放大资源竞争。
共谋：价格博弈中，Agent 到第三轮已约定价格下限；移除直接通信后，仍出现借助公开报价的协调行为。
冲突升级：面对互不兼容的迁移目标，Agent 出现相互破坏和账户封锁，也有实验最终转向休战。

这些是特定实验条件下的风险证据，不能据此认定所有 Agent 群体都会如此。它们共同提示：无需假定 Agent 具有情绪，仅凭相似的决策偏好、局部目标优化和共享资源竞争，就可能产生群体失效。因此，增加通信与强化协作并不总能解决问题；当激励不一致时，更高效的协调也可能损害整体目标。

组织形态：更精干的团队，更广泛的协作网络

Agent 会改变企业边界，但未必让所有公司变小。

按照科斯的分析，企业边界取决于内部协调成本与外部交易成本的比较。Agent 可能同时降低两者：外部协作降本更多，企业倾向专业化与外包；内部协调降本更多，企业也可能扩大业务范围。因此，“更小的公司、更大的平台”是一种可能形态，并非必然终局。

未来可能出现三种并存的变化：

团队更精干：在任务可拆分、结果可验证的领域，少量人类成员借助 Agent 承担更完整的业务。员工减少，不代表业务规模缩小。
平台与专业团队共存：算力和前沿模型受益于规模经济，行业知识、客户关系与具体工作流仍为专业团队保留空间；开放标准则支持跨平台协作（OECD，2026）。
管理层级压缩，治理职责增强：信息汇总、任务转派和进度追踪更容易自动化；目标取舍、结果验收与责任承担更加重要。管理跨度能否扩大，取决于任务复杂度和人工介入需求。

组织内部可能逐渐形成一种结构：职责与授权相对稳定，执行团队围绕任务动态生成。人确定目标、参与专业判断并处理关键例外，Agent 在授权范围内执行。沟通可以加速，但上下文传递、验证和冲突处理的成本不会消失。

总结

AI 大模型的革命不会就此结束，Agent 时代才刚刚开始，人类社会的效率会再一次突飞猛进，社会分工也会发生又一次突变。当数字员工在组织内部成为常态，也许会诞生全新的商业模式，个人的时间精力也将得到极大的释放。那时候，个人在组织中的价值需要重估，人的身份与工作的价值感也要重塑。我们或许可以畅想：有了 AI，人的工作时间减少，一周工作三天或许就够了，其余的繁琐任务交给 Agent 承担；人类的很多工种会自然消失，人将有更多时间从事其他的工作——比如学门手艺，去旅游，去探索太空。

如果 Agent 是人意图的延伸，那么它走得越远，我们越需要明确目标并承担后果——这也把我们带回开头的畅想：当 Agent 能作为数字公民延续人的记忆与意图，人的价值该如何定义？执行仍然重要，而判断什么值得做、如何证明做好、何时应该停止，将成为更关键的组织能力。对个人来说，当执行力不再稀缺，稀缺的将是定义问题的能力、辨别优劣的品味、经年积累的信任资本，以及做判断与决策的能力、承担责任的意愿；对社会来说，则要规范 Agent 组织的边界，确保 Agent 的能力不越出合理合法的边界。