AI Agent無(wú)疑是當(dāng)下大模型最激動(dòng)人心的發(fā)展主線(xiàn)，被稱(chēng)為“大模型下一場(chǎng)戰(zhàn)事”“最后的殺手產(chǎn)品”“開(kāi)啟新工業(yè)革命時(shí)代的Agent-centric”。11月7日，OpenAI首屆開(kāi)發(fā)者大會(huì)（OpenAI DevDay）引爆了AI Agent。OpenAI發(fā)布了AI Agent初期形態(tài)產(chǎn)品GPTs，并推出了相應(yīng)的制作工具GPT Builder。用戶(hù)僅僅通過(guò)跟GPT Builder聊天，把想要的GPT功能描述一遍，就能生成專(zhuān)屬GPT。專(zhuān)屬GPT可以在日常生活、特定任務(wù)、工作或家庭中更為適用。為此，OpenAI還開(kāi)放了大量的新API（包括視覺(jué)、圖像DALL·E3、語(yǔ)音），以及新推出的Assistants API，讓開(kāi)發(fā)者可以更便捷地開(kāi)發(fā)自己專(zhuān)屬的GPT。比爾·蓋茨最新發(fā)表一篇文章明確提出，5年內(nèi)AI Agent將大行其道，每個(gè)用戶(hù)都將擁有一個(gè)專(zhuān)屬AI Agent。用戶(hù)不需要再因?yàn)椴煌墓δ苄枨蠖褂貌煌腁PP，他只需用日常語(yǔ)言告訴他的Agent想做什么就可以。[1]

那么，AI Agent究竟是什么？為什么如此重要，以至于業(yè)界有這么高的關(guān)注度，甚至有學(xué)者斷言“美國(guó)Agent Store（智能體商店）發(fā)展得好，這會(huì)令中美大模型差距持續(xù)拉大”[2]

在計(jì)算機(jī)、人工智能專(zhuān)業(yè)技術(shù)領(lǐng)域，一般將agent譯為“智能體”，其定義是在一定的環(huán)境中體現(xiàn)出自治性、反應(yīng)性、社會(huì)性、預(yù)動(dòng)性、思辨性（慎思性）、認(rèn)知性等一種或多種智能特征的軟件或硬件實(shí)體。[3]

OpenAI將AI Agent定義為，以大語(yǔ)言模型為大腦驅(qū)動(dòng)，具有自主理解感知、規(guī)劃、記憶和使用工具的能力，能自動(dòng)化執(zhí)行完成復(fù)雜任務(wù)的系統(tǒng)。[4]AI Agent基本框架如下圖：

基于LLM驅(qū)動(dòng)的Agent基本框架[5]

它具有記憶、規(guī)劃、行動(dòng)和使用工具四個(gè)主要模塊：

（1）記憶（Memory）。記憶模塊負(fù)責(zé)存儲(chǔ)信息，包括過(guò)去的交互、學(xué)習(xí)到的知識(shí)，甚至是臨時(shí)的任務(wù)信息。對(duì)于一個(gè)智能體來(lái)說(shuō)，有效的記憶機(jī)制能夠保障它在面對(duì)新的或復(fù)雜的情況時(shí)，調(diào)用以往的經(jīng)驗(yàn)和知識(shí)。例如，一個(gè)具備記憶功能的聊天機(jī)器人可以記住用戶(hù)的偏好或先前的對(duì)話(huà)內(nèi)容，從而提供更個(gè)性化和連貫的交流體驗(yàn)。它分為短期記憶和長(zhǎng)期記憶：a.短期記憶，所有的上下文學(xué)習(xí)都是利用短期記憶來(lái)學(xué)習(xí)；b.長(zhǎng)期記憶，這為智能體提供了長(zhǎng)時(shí)間保留和回憶（無(wú)限）信息的能力，通常是通過(guò)利用外部向量數(shù)據(jù)庫(kù)和快速檢索，比如某個(gè)行業(yè)領(lǐng)域沉淀的大量數(shù)據(jù)和知識(shí)。有了長(zhǎng)期記憶，很多數(shù)據(jù)可以被積累下來(lái)，使得智能體的可用性更加強(qiáng)大，更具行業(yè)深度、個(gè)性化、能力專(zhuān)業(yè)化等優(yōu)勢(shì)。

（2）規(guī)劃（Planning）。規(guī)劃模塊具有事前規(guī)劃和事后反思兩個(gè)階段。在事前規(guī)劃階段，這里涉及對(duì)未來(lái)行動(dòng)的預(yù)測(cè)和決策制定，如執(zhí)行復(fù)雜任務(wù)時(shí)，智能體將大目標(biāo)分解為更小的、可管理的子目標(biāo)，從而能夠高效地規(guī)劃一系列步驟或行動(dòng)，以達(dá)到預(yù)期結(jié)果。在事后反思階段，智能體具有檢查和改進(jìn)制定計(jì)劃中不足之處的能力，反思錯(cuò)誤不足并吸取經(jīng)驗(yàn)教訓(xùn)進(jìn)行完善，形成和加入長(zhǎng)期記憶，幫助智能體之后規(guī)避錯(cuò)誤、更新其對(duì)世界的認(rèn)知。

（3）工具使用（Tool use）。工具使用模塊指的是智能體能夠利用外部資源或工具來(lái)執(zhí)行任務(wù)。如學(xué)習(xí)調(diào)用外部API來(lái)獲取模型權(quán)重中缺失的額外信息，包括當(dāng)前信息、代碼執(zhí)行能力、對(duì)專(zhuān)有信息源的訪(fǎng)問(wèn)等，以此來(lái)補(bǔ)足LLM自身弱項(xiàng)。例如LLM的訓(xùn)練數(shù)據(jù)不是實(shí)時(shí)更新的，這時(shí)可以使用工具訪(fǎng)問(wèn)互聯(lián)網(wǎng)來(lái)獲取最新信息，或者使用特定軟件來(lái)分析大量數(shù)據(jù)?，F(xiàn)在市場(chǎng)上已經(jīng)存在大量數(shù)字化、智能化的工具，智能體使用工具比人類(lèi)更為順手和高效，通過(guò)調(diào)用不同的API或工具，完成復(fù)雜任務(wù)和輸出高質(zhì)量結(jié)果，這種使用工具的方式也代表了智能體的一個(gè)重要特點(diǎn)和優(yōu)勢(shì)。

（4）行動(dòng)（Action）。行動(dòng)模塊是智能體實(shí)際執(zhí)行決定或響應(yīng)的部分。面對(duì)不同的任務(wù)，智能體系統(tǒng)有一個(gè)完整的行動(dòng)策略集，在決策時(shí)可以選擇需要執(zhí)行的行動(dòng)，比如廣為熟知的記憶檢索、推理、學(xué)習(xí)、編程等。

總的來(lái)說(shuō)，這四個(gè)模塊相互配合使智能體能夠在更廣泛的情境中采取行動(dòng)和作出決策，以更智能、更高效的方式執(zhí)行復(fù)雜任務(wù)。[6]

基于大模型的Agent不僅可以讓每個(gè)人都有增強(qiáng)能力的專(zhuān)屬智能助理，還將改變?nèi)藱C(jī)協(xié)同的模式，帶來(lái)更為廣泛的人機(jī)融合。生成式AI的智能革命演化至今，從人機(jī)協(xié)同呈現(xiàn)了三種模式：

（1）嵌入（embedding）模式。用戶(hù)通過(guò)與AI進(jìn)行語(yǔ)言交流，使用提示詞來(lái)設(shè)定目標(biāo)，然后AI協(xié)助用戶(hù)完成這些目標(biāo)，比如普通用戶(hù)向生成式AI輸入提示詞創(chuàng)作小說(shuō)、音樂(lè)作品、3D內(nèi)容等。在這種模式下，AI的作用相當(dāng)于執(zhí)行命令的工具，而人類(lèi)擔(dān)任決策者和指揮者的角色。

（2）副駕駛（Copilot）模式。在這種模式下，人類(lèi)和AI更像是合作伙伴，共同參與到工作流程中，各自發(fā)揮作用。AI介入到工作流程中，從提供建議到協(xié)助完成流程的各個(gè)階段。例如，在軟件開(kāi)發(fā)中，AI可以為程序員編寫(xiě)代碼、檢測(cè)錯(cuò)誤或優(yōu)化性能提供幫助。人類(lèi)和AI在這個(gè)過(guò)程中共同工作，互補(bǔ)彼此的能力。AI更像是一個(gè)知識(shí)豐富的合作伙伴，而非單純的工具。

實(shí)際上，2021年微軟在GitHub首次引入了Copilot（副駕駛）的概念。GitHub Copilot是一個(gè)輔助開(kāi)發(fā)人員編寫(xiě)代碼的AI服務(wù)。2023年5月，微軟在大模型的加持下，Copilot迎來(lái)全面升級(jí)，推出Dynamics 365 Copilot、Microsoft 365 Copilot和Power Platform Copilot等，并提出“Copilot是一種全新的工作方式”的理念。工作如此，生活也同樣需要“Copilot”，“出門(mén)問(wèn)問(wèn)”創(chuàng)始人李志飛認(rèn)為大模型的最好工作，是做人類(lèi)的“Copilot”。

（3）智能體（Agent）模式。人類(lèi)設(shè)定目標(biāo)和提供必要的資源（例如計(jì)算能力），然后AI獨(dú)立地承擔(dān)大部分工作，最后人類(lèi)監(jiān)督進(jìn)程以及評(píng)估最終結(jié)果。這種模式下，AI充分體現(xiàn)了智能體的互動(dòng)性、自主性和適應(yīng)性特征，接近于獨(dú)立的行動(dòng)者，而人類(lèi)則更多地扮演監(jiān)督者和評(píng)估者的角色。

人類(lèi)與AI協(xié)同的三種方式[7]

從前文對(duì)智能體記憶、規(guī)劃、行動(dòng)和使用工具四個(gè)主要模塊的功能分析來(lái)看，智能體模式相較于嵌入模式、副駕駛模式無(wú)疑更為高效，或?qū)⒊蔀槲磥?lái)人機(jī)協(xié)同的主要模式。

基于Agent的人機(jī)協(xié)同模式，每個(gè)普通個(gè)體都有可能成為超級(jí)個(gè)體。超級(jí)個(gè)體是擁有自己的AI團(tuán)隊(duì)與自動(dòng)化任務(wù)工作流，基于Agent與其他超級(jí)個(gè)體建立更為智能化與自動(dòng)化的協(xié)作關(guān)系?，F(xiàn)在業(yè)內(nèi)不乏一人公司、超級(jí)個(gè)體的積極探索。Github平臺(tái)上有一些基于Agents的自動(dòng)化團(tuán)隊(duì)——GPTeam項(xiàng)目。GPTeam利用大模型創(chuàng)建多個(gè)被賦予角色和功能的智能體，多智能體協(xié)作以實(shí)現(xiàn)預(yù)定目標(biāo)。比如，Dev-GPT是一個(gè)自動(dòng)化開(kāi)發(fā)和運(yùn)維的多智能體協(xié)作團(tuán)隊(duì)，包含了產(chǎn)品經(jīng)理Agent、開(kāi)發(fā)人員Agent和運(yùn)維人員Agent等角色分工。這個(gè)多智能體團(tuán)隊(duì)可以滿(mǎn)足和支撐一個(gè)初創(chuàng)營(yíng)銷(xiāo)公司的正常運(yùn)營(yíng)，這便是一人公司。又如，號(hào)稱(chēng)是世界上第一個(gè)AI自由職業(yè)者平臺(tái)的NexusGPT。[8]該平臺(tái)整合了開(kāi)源數(shù)據(jù)庫(kù)中的各種AI原生數(shù)據(jù)，并擁有800多個(gè)具有特定技能的AI智能體。在這個(gè)平臺(tái)上，你可以找到不同領(lǐng)域的專(zhuān)家，例如設(shè)計(jì)師、咨詢(xún)顧問(wèn)、銷(xiāo)售代表等。雇主可以隨時(shí)在這個(gè)平臺(tái)上選擇一個(gè)AI智能體幫助他們完成各種任務(wù)。

AI Agent正在重新定義軟件。比爾·蓋茨認(rèn)為，AI Agent將徹底顛覆軟件行業(yè)，將影響我們?nèi)绾问褂密浖约叭绾尉帉?xiě)軟件。[9]

AI Agent將使軟件架構(gòu)的范式從面向過(guò)程遷移到面向目標(biāo)?，F(xiàn)有的軟件（包括APP）通過(guò)一系列預(yù)定義的指令、邏輯、規(guī)則和啟發(fā)式算法將流程固定下來(lái)，以滿(mǎn)足軟件運(yùn)行結(jié)果符合用戶(hù)的預(yù)期，即用戶(hù)按照指令邏輯一步一步操作達(dá)成目標(biāo)。這樣一種面向過(guò)程的軟件架構(gòu)具有高可靠性、確定性。但是，這種面向目標(biāo)的架構(gòu)只能應(yīng)用于垂直領(lǐng)域，而無(wú)法普遍應(yīng)用到所有領(lǐng)域，因此標(biāo)準(zhǔn)化和定制化之間如何平衡也成為SaaS行業(yè)面對(duì)的難題之一。

軟件架構(gòu)范式遷移[10]

AI Agent范式將原本由人類(lèi)主導(dǎo)的功能開(kāi)發(fā)，逐漸遷移為以AI為主要驅(qū)動(dòng)力。以大模型為技術(shù)基礎(chǔ)設(shè)施，Agent為核心產(chǎn)品形態(tài)，把傳統(tǒng)軟件預(yù)定義的指令、邏輯、規(guī)則和啟發(fā)式算法的任務(wù)層級(jí)演變成目標(biāo)導(dǎo)向的智能體自主生成。這樣一來(lái)，原本的架構(gòu)只能解決有限范圍的任務(wù)，未來(lái)的架構(gòu)則可以解決無(wú)限域的任務(wù)。[11]未來(lái)的軟件生態(tài)，不僅是最上層與所有人交互的媒介是Agent，整個(gè)產(chǎn)業(yè)的發(fā)展，無(wú)論是底層技術(shù)，商業(yè)模式，中間組件，甚至是人們的生活習(xí)慣和行為都會(huì)圍繞Agent來(lái)改變，這就是Agent-Centric時(shí)代的開(kāi)啟。[12]

RPA范式（Robotic Process Automation）與APA范式（Agentic Process Automation）的比較[13]

以面壁智能發(fā)布的首個(gè)“大模型+Agent”SaaS級(jí)產(chǎn)品ChatDev智能軟件開(kāi)發(fā)平臺(tái)為例。該平臺(tái)就像一家完全由AI Agents組成的軟件開(kāi)發(fā)公司，里面會(huì)有CEO、CTO、開(kāi)發(fā)經(jīng)理、產(chǎn)品經(jīng)理、測(cè)試專(zhuān)員、監(jiān)督員等各類(lèi)Agent角色。用戶(hù)只需要把明確的需求告訴CEO角色的Agent，這個(gè)CEO就會(huì)基于用戶(hù)的需求，組織整個(gè)軟件開(kāi)發(fā)流程。最后交付給用戶(hù)的包含了軟件產(chǎn)品和整個(gè)開(kāi)發(fā)過(guò)程中的代碼，并且所有流程都是自動(dòng)化的。[14]這將使軟件行業(yè)降低生產(chǎn)成本、提高定制化能力，進(jìn)入軟件的“3D 打印”時(shí)代。

AI Agent是人工智能成為基礎(chǔ)設(shè)施的重要推動(dòng)力?；仡櫦夹g(shù)發(fā)展史，技術(shù)的盡頭是成為基礎(chǔ)設(shè)施，比如電力成為像空氣一樣不易被人們察覺(jué)，但是又必不可少的基礎(chǔ)設(shè)施，還如云計(jì)算等。當(dāng)然這個(gè)要經(jīng)歷以下三個(gè)階段：創(chuàng)新與發(fā)展階段–新技術(shù)被發(fā)明并開(kāi)始應(yīng)用；普及與應(yīng)用階段–隨著技術(shù)成熟，它開(kāi)始被廣泛應(yīng)用于各個(gè)領(lǐng)域，對(duì)社會(huì)和經(jīng)濟(jì)產(chǎn)生深遠(yuǎn)影響；基礎(chǔ)設(shè)施階段–當(dāng)技術(shù)變得普及到幾乎無(wú)處不在，它就轉(zhuǎn)變成了一種基礎(chǔ)設(shè)施，已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?。幾乎所有的人都認(rèn)同，人工智能會(huì)成為未來(lái)社會(huì)的基礎(chǔ)設(shè)施。而智能體正在促使人工智能基礎(chǔ)設(shè)施化。這不僅得益于低成本的Agent軟件生產(chǎn)優(yōu)勢(shì)，而且因?yàn)锳gent能夠適應(yīng)不同的任務(wù)和環(huán)境，并能夠?qū)W習(xí)和優(yōu)化其性能，使得它可以被應(yīng)用于廣泛的領(lǐng)域，進(jìn)而成為各個(gè)行業(yè)和社會(huì)活動(dòng)的基礎(chǔ)支撐。

人工智能智能體應(yīng)用一覽圖[15]

Agent下一步可能會(huì)朝著兩個(gè)方向同時(shí)迭代。一是與人協(xié)助的智能體，通過(guò)執(zhí)行各種任務(wù)來(lái)協(xié)助人類(lèi)，側(cè)重工具屬性；二是擬人化方向的迭代，能夠自主決策，具有長(zhǎng)期記憶，具備一定的類(lèi)人格特征，側(cè)重于類(lèi)人或超人屬性。

從技術(shù)優(yōu)化迭代和實(shí)現(xiàn)上來(lái)看，AI Agent的發(fā)展也面臨一些瓶頸：

首先，我們通過(guò)OpenAI的GPTs也能看到，LLM的復(fù)雜推理能力不夠強(qiáng)、延遲過(guò)高等問(wèn)題抑制了Agent應(yīng)用的真正成熟。這也是接下來(lái)業(yè)界工程優(yōu)化和技術(shù)科研突破的方向。

其次，多智能體（Multi-agent）發(fā)展仍面臨較大困境。多智能體是一個(gè)非常復(fù)雜的學(xué)術(shù)研究方向，隨著智能體開(kāi)始普及到大眾市場(chǎng)，已經(jīng)成為重要的技術(shù)現(xiàn)實(shí)問(wèn)題。例如，斯坦福的虛擬小鎮(zhèn)就包含了25個(gè)智能體的多智能體研究。但是小鎮(zhèn)框架開(kāi)源之后，根據(jù)開(kāi)發(fā)者的測(cè)試一個(gè)Agent一天需要消耗20美金價(jià)格的token數(shù)，因?yàn)槠湫枰洃浐托袆?dòng)的思考量非常大。這一價(jià)格是比很多人類(lèi)工作者更高的，需要后續(xù)Agent框架和LLM推理側(cè)的雙重優(yōu)化。

突破多智能體的發(fā)展困境，是未來(lái)智能體社會(huì)（Agent Society）建立的重要前提。多智能體協(xié)同可以組成智能體社會(huì)這一最高形態(tài)的技術(shù)社會(huì)系統(tǒng)。智能體社會(huì)具有復(fù)雜、動(dòng)態(tài)，自組織和自適應(yīng)的特性，能夠協(xié)作、競(jìng)爭(zhēng)、不斷進(jìn)化。在這個(gè)社會(huì)系統(tǒng)中，智能體能夠根據(jù)目標(biāo)和環(huán)境變化執(zhí)行復(fù)雜靈活的任務(wù)，并與人類(lèi)及其他智能體進(jìn)行高級(jí)別、多維度的互動(dòng)和協(xié)作。智能體社會(huì)不僅有助于人類(lèi)探索和拓展物理及虛擬世界，還能增強(qiáng)和擴(kuò)展人類(lèi)的能力與體驗(yàn)。

同時(shí)，這些發(fā)展趨勢(shì)預(yù)示著AI Agent可能面臨諸如安全性與隱私性、倫理與責(zé)任、經(jīng)濟(jì)和社會(huì)就業(yè)影響等多方面的挑戰(zhàn)。

（1）安全性和隱私性是智能體的關(guān)鍵特性，對(duì)其穩(wěn)定運(yùn)行和對(duì)用戶(hù)及社會(huì)的保護(hù)至關(guān)重要。這兩個(gè)因素直接影響AI代理的信任度和控制力。若AI代理出現(xiàn)漏洞、遭受攻擊或數(shù)據(jù)泄露等問(wèn)題，則可能導(dǎo)致對(duì)用戶(hù)或社會(huì)的損害。比如，OpenAI的GPTs在發(fā)布后不久，出現(xiàn)了安全漏洞，導(dǎo)致了用戶(hù)上傳的數(shù)據(jù)泄露。

（2）倫理和責(zé)任是智能體的核心原則，決定其價(jià)值觀和目標(biāo)，以及對(duì)用戶(hù)和社會(huì)的尊重與保護(hù)。這些原則直接影響智能體的可信度和可控性。若智能體表現(xiàn)出不公平、不透明或不可靠等問(wèn)題，可能引發(fā)用戶(hù)或社會(huì)對(duì)技術(shù)的排斥。責(zé)任歸屬也是智能體的關(guān)鍵議題，人與智能體協(xié)同中的責(zé)任歸屬不清晰或不公正也會(huì)帶來(lái)嚴(yán)重后果。

（3）經(jīng)濟(jì)和社會(huì)就業(yè)影響。未來(lái)工作中的一個(gè)重要挑戰(zhàn)是人類(lèi)與智能體之間的競(jìng)爭(zhēng)。例如，AI自由職業(yè)者平臺(tái)NexusGPT的出現(xiàn)便是對(duì)傳統(tǒng)自由職業(yè)者的沖擊。未來(lái)的社會(huì)工作協(xié)同中，也會(huì)出現(xiàn)越來(lái)越多的智能體，雇主基于效率和效益考慮，可能會(huì)盡量減少人力投入。隨著智能體技術(shù)的成熟，我們必須提前思考這些技術(shù)發(fā)展對(duì)社會(huì)和個(gè)人職業(yè)生涯的長(zhǎng)期影響。

以ChatGPT的發(fā)布為分水嶺，全球自由職業(yè)平臺(tái)上的寫(xiě)作/編輯類(lèi)從業(yè)者的數(shù)量和收入都進(jìn)入了斷崖式下跌的軌道[16]

本文作者：胡曉萌、陳楚儀 騰訊研究院