作者：Alan Blount、Antonio Gulli、Shubham Saboo、Michael Zimmermann 和 Vladimir Vuskovic
简介
人工智能正在发生变化。多年来，人们的关注点一直在于能够胜任被动、离散任务的模型，回答问题、翻译文本，或根据提示生成图像。这种范式虽然强大，但每一步都需要人工持续引导。如今，我们正见证着范式的转变，人工智能从仅仅做出预测或生成内容，迈向能够自主解决问题和执行任务的新型软件。
这一新前沿以 AI 智能体为核心。智能体不再只是静态工作流中的 AI 模型，而是一个完整的应用程序，能够制订计划并采取行动以实现目标。它结合了语言模型（LM）的推理能力与实际行动能力，从而能够处理单一模型难以胜任的复杂多步骤任务。其关键能力在于，智能体能够自主工作，在没有人类持续引导的情况下，自行推断为达成目标所需的下一步行动。
核心要点
智能体是什么
智能体 = 模型（大脑）+ 工具（双手）+ 编排层（神经系统）+ 运行时服务，用 LM 在循环中达成目标。它不再只是"工作流自动化"，而是能自主规划、行动、观察的协作实体。
五步问题解决循环
- 接收任务：由用户或自动化触发一个高层目标。
- 扫描环境：编排层收集上下文——用户请求、短期记忆、可访问的工具与数据。
- 思考推演：推理模型分析任务与环境，制定多步计划。
- 采取行动：调用工具执行计划的第一步（API、代码、数据库查询）。
- 观察迭代：把行动结果写回上下文，回到"思考"步骤，循环直至目标完成。
智能体能力分级
- Level 0 核心推理系统：纯 LM，无工具，仅靠预训练知识。
- Level 1 连接型问题解决者：接入外部工具（搜索、RAG、数据库），能获取实时信息。
- Level 2 战略型问题解决者：掌握上下文工程，主动筛选、打包、管理每一步最相关的信息。
- Level 3 协作多智能体系统：从"超级智能体"转向"专家团队"，智能体之间互相委托任务。
- Level 4 自进化系统：能识别自身能力缺口，动态创建新工具甚至新智能体来填补。
核心架构三要素
- 模型：选型不能只看基准分，要针对业务问题测试，并权衡质量、速度、成本。可用"专家团队"路由——重活交给旗舰模型，简单高频任务交给快速廉价模型。
- 工具：信息检索（RAG、NL2SQL）、执行动作（API、代码执行、人在回路 HITL）、函数调用（OpenAPI 契约、MCP 协议）。
- 编排层：运行"思考-行动-观察"循环的状态机。关键设计选择包括自主度光谱、无代码 vs 代码优先框架、系统提示词注入领域知识与人格、短期/长期记忆管理。
多智能体设计模式
- 协调者模式：一个"经理"智能体拆分任务并分派给专家智能体，再汇总结果。
- 顺序模式：数字流水线，一个智能体的输出是下一个的输入。
- 迭代精炼模式：生成器 + 评审器循环，持续提升质量。
- 人在回路（HITL）：高风险动作前暂停，征求人工批准。
Agent Ops：把不可预测变成可管理
- 像 A/B 实验一样度量：定义证明价值的 KPI（目标完成率、满意度、延迟、单次成本、业务影响）。
- 用 LM 当裁判：用强大模型按评分标准评估输出质量，替代简单的通过/失败。
- 指标驱动开发：跑完整评估集对比新旧版本，作为部署的 Go/No-Go。
- OpenTelemetry 追踪：高保真记录智能体每一步执行轨迹，回答"为什么"。
- 珍视人类反馈：把用户反馈转成新的测试用例，给系统"打疫苗"。
智能体互操作
- 与人类：聊天界面、computer use（接管 UI）、实时多模态语音（Gemini Live）。
- 与智能体：A2A 协议 + Agent Card（数字名片），实现发现与异步任务通信。
- 与金钱：AP2 协议（加密签名的授权委托）、x402（HTTP 402 微支付），构建智能体经济信任层。
安全与治理
- 信任权衡：给智能体足够长的"绳子"干活，但短到不会"跑进车流"——纵深防御：确定性规则 + AI 守卫模型。
- 智能体身份：智能体是新的主体类别，需可验证的数字身份（SPIFFE），按最小权限授权。
- 规模化治理：从单智能体到企业舰队，需要中央网关作为控制平面 + 中央注册表，治理"智能体蔓延"。
学习与进化
智能体从运行时经验（会话日志、追踪、HITL 反馈）和外部信号（新政策、法规）中学习，通过优化上下文工程、优化或创建工具来持续改进。前沿方向是 Agent Gym——离线模拟环境，让智能体在真实部署前"试错"训练。
高级案例
- Google Co-Scientist：虚拟科研协作者，生成并评估新假设，用多智能体生态加速科学发现。
- AlphaEvolve：用进化算法优化数学与计算机科学算法，已改进谷歌数据中心、芯片设计与 AI 训练效率。
