在ChatGPT引发的人工智能热潮中，我们亲眼见证了AI应用形态的戏剧性演变。回想2022年底，当人们首次体验ChatGPT时，那种震撼感仍历历在目——一个能够理解复杂问题并提供流畅回答的聊天机器人（chatbot），彻底改变了我们对机器智能的期望。这种应用形态——我们姑且称之为"对话式AI"——本质上是大语言模型（LLM）应用的初级表现形式，一种简单的信息交换机制。

然而，人类与机器的共舞很快便不满足于这种单一的问答模式。技术世界随即引入了"Copilot"（副驾驶）概念，定位为辅助人类完成任务的智能伙伴。这个隐喻非常贴切：就像汽车副驾驶可以阅读地图、调整音乐、甚至在必要时提醒驾驶员注意路况，但最终驾驶决策权和操控方向盘的责任仍在主驾驶手中。Copilot式应用（如GitHub Copilot、Microsoft Copilot）在专业领域展现出惊人的价值，但其本质仍是"被动响应式"工具。

真正的革命性转变出现在最近的"Agent"（智能代理）概念兴起之时。与Copilot不同，Agent代表了AI应用的质变——从被动的辅助者转变为主动的执行者。这种转变堪比从"帮厨"到"主厨"的角色跃升，从根本上改变了人机协作的本质。

打个比方，Copilot是坐在副驾驶座位上的导航员，而Agent则是接管方向盘的全自动驾驶系统。你只需告诉它目的地，剩下的路径规划和驾驶操作它都能自主完成。

这种角色的转变绝非只是市场营销的噱头，而是反映了底层技术能力的本质跃升。Agent之所以能够进化到"数字员工"的水平，源于四个关键技术突破：

1. 上下文窗口的大幅提升：现代大模型已能理解超长对话历史（从最初的4K tokens到如今的100K甚至1M tokens），使其能够在复杂任务中保持连贯的"工作记忆"。

2. 思维链与推理引擎的兴起：从简单的"思维链"（Chain-of-Thought）到更复杂的"思维树"（Tree-of-Thought）和"反思机制"（Reflection），推理大模型使AI能够进行非线性思考和自我修正。

3. 环境交互能力的拓展：通过API调用、工具使用和计算机操作能力，Agent获得了"数字化肢体"，不再仅仅是数字大脑，而是也能够实际操作并影响数字环境。

4. 多模态处理的全面整合：现代Agent不仅能理解文本，还能处理图像、声音甚至视频，使其感知和交互能力更接近人类全面认知，其生成能力可以图文并茂、声色逼真。

要理解Agent对于AI应用的革命性意义，我们需要深入剖析其七大核心技术支柱，这些能力共同构成了Agent的"数字神经系统"，而且它们都已成熟，基本就绪：

任何专业人士的价值首先来源于其获取和处理信息的能力。同样，Agent的基础价值也建立在其信息获取能力之上。现代Agent通过两种途径弥补大模型固有的知识时效性限制：

外部搜索（Search）：Agent能够主动连接互联网，实时获取最新信息。例如，当讨论刚刚发布的研究论文或当天的股市波动时，Agent不会局限于训练数据的固有知识，而是通过API访问搜索引擎、专业数据库或行业平台，确保信息的时效性和准确性。这种能力极大减轻了LLM的"幻觉"问题——即生成看似合理但实际虚构的内容。

检索增强生成（RAG）：除了公开信息，Agent还能连接私有知识库。想象一下企业内部部署的Agent，它能够即时检索公司政策文档、产品手册、历史会议记录甚至员工目录。当你询问"谁负责亚太区的销售策略？"时，Agent不会生成泛泛而谈的回答，而是精确定位到组织架构中的特定角色和人员。RAG技术的核心在于将非结构化文本转化为向量表示，然后通过语义相似度检索最相关的信息片段，最后将这些关键信息融入生成过程。

以医疗领域为例，一个基于RAG技术增强的临床决策支持Agent能做到：

• 检索最新发表的特定疾病治疗指南

• 查询患者历史电子病历中的关键信息

• 分析类似病例的治疗方案和结局

• 整合这些信息提供个性化治疗建议

这种实时、精准的知识获取能力是Agent区别于传统聊天机器人的第一道技术壁垒。

在数字世界中，掌握了代码，几乎可以实现任何操作。顶级Agent具备强大的代码生成和执行能力，使其能够动态创建解决方案。

这种能力远超简单的"生成代码片段"——成熟的Coding Agent能够：

• 理解问题的编程本质：将自然语言描述转化为算法和数据结构层面的理解

• 生成完整可执行代码：不仅是代码片段，而是包含错误处理、边界条件检查的生产级代码

• 编排复杂的代码工作流：协调多个组件、API和库的交互

• 测试和调试自己的代码：识别潜在问题并主动修复

例如，Windsurf项目展示的代码Agent能够仅通过自然语言描述，独立开发包含用户认证、支付处理和数据可视化的完整Web应用。

对企业而言，这意味着大量重复性编程工作可以交由 Coding Agent（数字码农）完成，从数据清洗脚本、自动化测试到内部工具开发，极大提升效率。

Agent落地最重要的能力之一是其"Computer Use"——能像人类一样操作计算机界面。这项技术突破解决了一个长期困扰AI应用的瓶颈：如何与没有开放API的软件和网站交互？

传统上，AI只能通过正式的API与其他系统集成。然而，现实世界中大量软件和网站并不提供API接口，或者API功能严重受限。Computer Use技术赋予Agent"数字视觉"和"数字手指"用于：

• 屏幕理解：Agent能"看到"并理解屏幕上的元素——按钮、文本框、下拉菜单、错误提示等

• 界面操作：Agent能模拟鼠标点击、键盘输入、拖拽操作等人机交互方式

• 视觉反馈处理：Agent能根据界面变化（如加载动画、成功提示、错误警告）调整后续行动

这种能力的应用场景异常广泛：

• 自动化工作流：Agent可以登录企业OA系统→填写报销表→上传发票图像→提交审批→跟踪进度，全程无需人工干预，碾压或平替了低代码RPA（Robotic Process Automation）的工作。

• 跨平台数据迁移：Agent可以从一个系统提取数据，然后登录另一个系统填入相应字段

• 复杂网络任务：如比价、预订、注册等需要与多个网站交互的任务

以Manus demo为例，它展示了如何通过Computer Use能力在常见的办公软件中执行复杂操作——从Excel数据分析、PowerPoint演示制作到Photoshop图像处理，模糊了AI助手和真实人类操作者之间的界限。

Agent的核心智能体现在其流程规划能力上——将抽象目标转化为可执行步骤的能力。这种能力的突破得益于近期推理模型的重大进展。

高级Agent的规划能力分为几个层次：

• 任务分解：将"组织销售会议"这样的高层指令分解为数十个具体子任务

• 资源评估：确定每个子任务需要的工具、数据和权限

• 依赖分析：建立任务间的逻辑依赖关系，形成 agentic flow 的有向执行图

• 风险预判：识别可能的失败点并制定备选方案

• 优先级排序：基于时间敏感性、重要性等因素确定平行组件的执行顺序

• 适应性调整：根据执行过程中的反馈和环境变化动态修改计划

以一个市场分析项目为例，当用户提出"帮我分析竞争对手的最新产品"这一模糊请求时，成熟的Agent会通过多轮思考将其转化为结构化计划：

1. 确定目标竞争对手清单（通过搜索或情报挖掘）

2. 收集每个竞争对手的最新产品信息（网站、新闻稿、社交媒体）

3. 提取产品关键参数（功能、价格、目标市场）

4. 对比分析竞争产品与我方产品的差异

5. 识别市场趋势和潜在机会

6. 生成可视化比较图表

7. 撰写分析报告和建议

这种自主规划能力使Agent从简单的指令执行者转变为真正的问题解决者，能够处理开放性、非结构化的任务。

Agent的持久价值很大程度上取决于其"记忆"能力——能否记住用户偏好、过往交互和工作背景。这一能力通过两种技术实现：

向量数据库存储：现代Agent使用向量数据库存储大量非结构化信息，包括：

• 用户偏好和工作习惯

• 常用流程和最佳实践

• 历史对话和决策记录

• 场景特定知识

这些信息被转化为向量表示，能够通过语义相似度快速检索。向量数据库的优势在于能够处理模糊查询："上次那个关于销售预测的报表，就是用蓝色图表那个"——Agent能理解这种不精确描述并检索到相关文档。

本地化部署：为保护隐私和提高性能，越来越多的Agent架构支持本地化部署向量存储，确保敏感数据不离开企业环境。例如，一家金融机构可以部署私有Agent，所有客户交易数据和投资组合信息都存储在内部安全系统中。

个性化记忆系统使Agent能够逐渐适应特定用户或组织的独特需求，从而提供更加定制化的服务——就像一位经验丰富的私人秘书，了解你的喜好和工作方式。

现代工作环境充满了各种形式的信息——文档、图表、图像、视频、语音等。真正有用的Agent必须能够理解和生成多种模态的内容。

最新一代Agent的多模态能力包括：

多模态输入理解：

• 图像分析：识别图表中的数据趋势、照片中的关键元素

• 文档理解：提取PDF、Word文档中的结构化信息

• 语音转文本：将口头指令转化为可执行任务

多模态输出生成：

• 数据可视化：根据数值数据创建图表和仪表盘

• 演示制作：生成包含文本、图像和图表的演示文稿、PPT、小视频等

• 丰富文档：创建包含格式化文本、图像和链接的综合报告

案例分析：金融分析Agent能够：

1. 接收投资组合Excel文件

2. 分析数字数据识别风险点

3. 生成资产分配饼图

4. 创建历史表现曲线图

5. 合成一份包含文字解析和可视化图表的完整金融趋势报告

多模态能力使Agent能够处理现实世界的复杂信息环境，而不仅限于文本交流。

对于特别复杂的任务，单个Agent的能力可能不足。这时，多Agent协作系统展现出强大潜力——多个专业化Agent组成"智能团队"，分工合作解决问题。Manus 就采取了多agent框架。

一个成熟的多Agent系统通常包含以下角色：

• 协调Agent（Coordinator）：负责整体任务规划、资源分配和进度跟踪

• 专家Agent（Specialist）：专注于特定领域任务，如数据分析、内容创作、代码开发

• 研究Agent（Researcher）：负责信息收集和验证

• 质检Agent（Validator）：审核其他Agent的输出，确保质量和准确性

• 用户交互Agent（Interface）：管理与人类用户的沟通，解释过程和结果

这些Agent之间通过结构化协议交换信息和任务状态，形成一个自组织系统。例如，完成一份市场调研报告可能涉及：

1. 协调Agent制定整体研究计划

2. 研究Agent收集行业数据和竞争对手信息

3. 数据分析Agent处理原始数据并提取洞见

4. 可视化Agent创建数据图表

5. 内容Agent撰写分析文本

6. 质检Agent审核最终报告

7. 交互Agent向用户展示结果并收集反馈

这种"分布式智能"方法使Agent系统能够处理远超单个Agent能力的复杂任务，同时提供更高的可靠性和专业性。

Agent技术的商业化正沿着两条不同但互补的路径发展，反映了不同的市场需求和技术策略：

以Manus为代表的通用Agent尝试成为"全能型通用数字助手"，能够横跨多种应用场景。这些产品的关键特点是：

• 广谱能力覆盖：从简单信息查询到复杂任务规划，从内容创作到数据分析

• 统一用户体验：提供一致的交互界面，无需针对不同任务切换工具

• 通用基础设施：建立在多模态LLM、推理LLM和云架构的标准组件之上

Manus代表了这一路线的典型产品——它能够操作各种办公软件，浏览网页，管理文件，甚至完成基本的图像处理任务。通用Agent的价值主张是"一站式"解决方案，降低用户学习多个工具的成本。

然而，这种路线也面临严峻挑战：大模型厂商正迅速将Agent核心能力整合到自己的产品中。例如，OpenAI的GPT-4o、Anthropic的Claude和Google的Gemini都在快速增强自身的工具使用和执行能力，这可能导致独立通用Agent厂商面临被"平台化"的风险。虽然说平台厂家与应用厂家应该分工合作，各司其长，但面对大模型落地应用这样的大蛋糕，相互争抢也是难免的。

与通用路线形成对比的是垂直Agent策略——聚焦特定行业或职能的专业化Agent：

• 医疗Agent：辅助诊断、治疗计划制定、医学文献研究

• 法律Agent：合同起草、法规遵从性检查、判例研究

• 金融Agent：投资组合管理、风险评估、市场分析

• 设计Agent：UI/UX设计、品牌资产创建、创意探索

• 研发Agent：代码开发、系统架构设计、技术文档编写

• ............

垂直Agent的核心优势在于深度而非广度——它们通过行业专有知识、场景工作流程和监管合规性构建护城河。例如，一个专业医疗Agent不仅具备通用AI能力，还整合了：

• 医学本体论（ontology）和临床指南

• 药物相互作用数据库

• 疾病诊断决策

• 医学影像分析

• 医疗记录格式标准化

• 医疗伦理和隐私合规

这种深度专业化使垂直Agent能够提供真正行业级的解决方案，而不仅是表面的功能模拟。从商业模型角度看，垂直Agent更容易证明其投资回报率，因为它们直接解决特定行业的高价值问题。

尽管Agent技术前景光明，但我们必须客观认识当前的限制和挑战：

1. 可靠性与稳定性：即使最先进的Agent也会遇到失败案例——误解指令、执行错误操作或陷入逻辑循环。当Agent执行连续多步骤任务时，错误也可能累积放大，导致整体任务失败。

2. 安全边界问题：赋予Agent自主操作能力也会带来安全风险。如何确保Agent不会执行有害操作（如删除重要文件、发送敏感信息）仍是一个开放性挑战。目前的解决方案包括权限分级、人类监督和安全警戒机制，但完美平衡自主性与安全性仍是挑战。

3. 隐私与数据安全：Agent需要访问大量用户数据才能提供个性化服务，这引发了严重的隐私担忧。企业级Agent部署尤其需要考虑数据本地化、访问控制和加密传输等安全机制。

4. 幻觉与错误决策：尽管搜索和RAG技术缓解了幻觉问题，但Agent仍可能基于错误理解做出决策。当这些决策导致实际行动（如错误购买、错误数据删除）时，后果远比简单的信息错误严重。

1. 责任归属问题：当Agent自主执行任务出错时，责任如何分配？是软件开发者、模型提供商、还是最终用户？这个问题涉及法律、伦理和产品设计的复杂交叉。特斯拉的全自动驾驶agent，目前仍是 supervised 版，明确规定人类驾驶是责任人。但一旦发展到计划中的 unsupervised 版，道理上责任人应该转为特斯拉厂家。

2. 工作替代与转型：Agent技术必然导致某些工作岗位的自动化，特别是高度程序化的知识工作。社会需要应对这种转型，包括再培训、社会安全网络和新型工作创造。长远一点看，健全社会安全网络，例如全民基本收入（UBI，Universal Basic Income）保障，势在必行。

3. 过度依赖风险：随着Agent承担越来越多的认知任务，人类可能丧失某些核心能力。例如，过度依赖导航Agent可能导致空间认知能力下降，这种"认知外包"的长期影响值得研究。

展望未来，Agent技术可能沿着以下方向继续演进：

1. 自主性提升：未来Agent将能够处理更加模糊、开放的指令，如"为下季度制定营销策略"或"优化供应链流程"，无需详细的步骤指导。

2. 个性化深化：Agent将通过持续学习用户习惯、偏好和工作流程，提供高度个性化的服务，甚至能预测用户需求。

3. 物理世界扩展：当Agent与机器人技术结合时，其能力将从数字世界扩展到物理环境——控制智能家居设备、操作工业机械或协助医疗手术，“给机器人注入灵魂”。

4. 协作网络形成：不同专业领域的Agent将形成协作网络，共同解决复杂问题，如一个企业内不同部门的Agent相互协调工作。

Agent技术的崛起代表了AI应用从"可询问的知识库"向"可执行的智能伙伴"的根本转变。这不仅是技术演进，更是人机协作范式的革命。

在这个新范式中，人类将专注于创造性思考、战略决策和情感交流等高价值活动，而将可编程、可重复的任务交由Agent处理。这种分工不是简单的工作替代，而是能力互补——人类提供目标、价值判断和创意，Agent提供执行力、一致性和全天候服务。

从某种角度看，Agent技术的发展可能如同个人计算机革命一样具有深远影响。就像PC将计算能力从专业机构民主化到个人手中，Agent有潜力将专业服务能力（无论是编程、设计、分析还是创作）从少数专家扩展到更广泛的用户群体。

对于普通用户而言，Agent意味着数字世界的控制权从"需要学习特定指令和技能"转变为"只需表达意图、描述痛点"；对于企业而言，Agent代表着生产力工具的新一代升级，有潜力显著提升知识工作者的产出效率。

无论是Manus这样的通用Agent先行者，还是专注垂直领域的专业Agent，都在探索这个新兴技术前沿的商业可能性。随着底层技术的持续进步和商业模式的逐步成熟，2025年或将成为Agent技术真正走向成熟的元年。

在充满可能性的未来，关键问题不再是"Agent能否工作"，而是"我们如何设计Agent与人类的最佳协作方式"——一种既发挥机器高效执行力，又保留人类创造力与判断力的协作范式。这或许是AI发展史上最具变革性的一页，也是人类文明进化的崭新篇章。

• Agent元年：从聊天机器人到数字员工的当代进化史

• o3 deep research: LLM 驱动的 Agent 综述

• Agent：数字代理的崛起与未来

• 生成式AI学习中容易混淆的几个术语

• 思维链是大模型的符号神助攻

• 再谈自然模态数据是高维空间的低维流形

• 深度学习的局限性研究综述

• o3 deep research: 深度学习局限性研究报告

• 深度学习的基石：多层感知机

• o3 Deep Research: DeepSeek R1 多阶段训练流程问答解析

• RPA 赛道与大模型Copilots早期创业者的困局

• Transformer 和注意力机制简介

• 立委科普：如何理解自注意力机制中的QKV分工？

• DeepSeek 笔记：推理新范式 query+cot+answer 支持新的 scaling law 吗？

• DeepSeek 笔记：R1 部署阶段的推理机制

• 从R1幻觉谈起，大模型幻觉是缺陷还是创意火花？

• 推理强化学习是端到端的监督，推理过程的非监督

• DeepSeek 风暴下看看它的论文

• 大模型风云诡谲的下半场：scaling 失效？

转载本文请联系原作者获取授权，同时请注明本文来自李维科学网博客。

链接地址：https://wap.sciencenet.cn/blog-362400-1476566.html?mobile=1

收藏

分享