AI智能体(Agent)发展现状与前景分析

AI智能体(Agent)发展现状与前景分析

引言

2024年被认为是AI智能体(Agent)技术发展的关键一年。虽然"Agent"这一术语可能被过度使用，但智能体技术正迅速成为人工智能领域的焦点，预计将发展成为价值数万亿美元的市场。本文将深入剖析智能体技术的发展现状、核心能力构成、代表产品分析以及未来发展趋势。

近期，号称全球首个通用agent的MANOS迅速走红，随后出现多次反转和两极评价。同时，去年发布的MCP今年开始受到广泛关注，紧接着OpenAI也发布了一套人人可以自建小型agent的API。本文将全面探讨agent的本质、实际效果、工作原理、开源现状、行业发展趋势以及对我们未来的影响。

一、什么是AI智能体(Agent)

智能体(Agent)在中文语境中常被译为"代理"或"智能体"，这些翻译可能引起一定的混淆。一提到"代理"，很多人会感到困惑：谁代理谁？怎么代理？与中介有什么关系？而"智能体"这个词又让人感到陌生和抽象。

抛开字面意义，我们可以从功能角度理解智能体的本质。首先回顾一下更为熟悉的大语言模型(LLM)或聊天机器人的工作方式：它们本质上擅长理解文字、回答问题，通常能帮助完成一些相对简单的任务，如修改邮件、回答问题或聊天。但在面对更复杂、需要多步骤执行、与外界交互的任务时，它们往往力不从心。许多人因此将早期的AI视为一种高级搜索引擎，认为它无法解决实际问题。

而智能体的核心在于实现自主完成任务的能力。简单来说，当AI收到任务时，它不仅要自己思考应该怎么做，还需要真正去执行。从这个角度看，"AI代理"即代表人类完成具体任务的AI系统。

根据人工智能领域的经典定义，AI智能体是一种能够感知环境、独立做出决策并主动执行行动的人工智能系统。这种定义强调了智能体的自主性和行动能力，区别于传统的被动响应型AI系统。

二、智能体的四大核心能力

一个原本只能根据输入文字预测下一个字符并输出文字的大语言模型，是如何实现感知、记忆、规划和行动这四大能力的？我们将逐一探讨。

1. 感知能力

传统大语言模型主要通过文本输入获取信息。随着技术发展，模型的感知能力得到显著扩展：

• 文本感知：最基础的感知形式，通过用户输入的文本获取信息。
• 多模态感知：如果我们想将图片或PDF传给AI，或者与AI进行语音交流，早期的解决方案是利用OCR等工具将非文本内容转换为文本再输入给大模型。但这种方法会丢失大量信息，如图片的颜色布局、声音的语气语调等。
• 视觉理解：2023年GPT-4V(Vision)开启了多模态模型的初阶状态，使模型能够直接理解图片上的所有信息，包括颜色、图形等。
• 综合感知：到2023年底，GPT-4o等模型进一步整合图片、声音等多模态数据，能够理解和识别声音中的语气语调和图片细节信息。
• 视频感知：后来还出现了能够识别视频时序的多模态模型。

需要注意的是，并非所有模型都是多模态的。例如，DeepSeek的r1仍是一个纯文本模型。但总体而言，基于大语言模型的智能体已经获得了多种感知能力方案。

2. 规划能力

智能体的规划能力经历了以下几个发展阶段：

• 直接回答：早期大模型回答问题时"张口就来"，面对需要推理的问题（如数学题）经常出错。
• 思维链方法(CoT)：研究人员发现，让模型在给出最终答案前先主动拆解问题（例如第一步考虑做什么，第二步做什么，最后综合得出结论）能够提高准确性。正如中国谚语所说："无谋不成事"。
• 多思路规划：在思维链的基础上，有人提出了让大模型考虑多种不同思路，选择最佳方案的方法。
• 多智能体协作(MOTIENT)：当单个模型规划能力有限时，研究者提出了让多个AI各司其职协作完成任务的方案。例如，一个负责规划，一个负责推敲检查，循环迭代完成任务。
• 内化推理模型：为了让大模型真正具备自主规划能力，OpenAI研发并发布了o1o系列模型，让大模型内化学会在每次回答问题前进行自主推理。虽然当时有不少人对o1o模型持批评态度（认为其速度慢、写作质量不佳），但这为后续发展奠定了基础。
• 端到端训练：2024年2月，OpenAI推出了DeepResearch（售价200美元），背后使用的是端到端训练过的o3模型。这意味着模型可以自主决定何时搜索信息、何时整理现有信息、何时进行深度搜索并分析总结，整个过程完全由其自己控制，不依赖预设工作流或人为指定步骤。

这些发展使智能体的规划能力不断提升，从简单的提示词引导到完全自主的决策过程。

3. 行动能力

行动能力是智能体区别于传统LLM的关键特征，其发展路径包括：

• API调用：大模型最早与外界沟通的基础方式是通过API调用。研究者通过提供示例进行监督微调，让模型学会生成API调用文本。当模型生成特定格式的文本时，系统会调用相应功能函数并将结果返回给模型。这就是Function Calling功能，GPT的插件功能、代码解释器以及大多数agent搭建平台都依赖于此。
• 计算机控制：2023年10月，Anthropic发布了Computer Use功能，训练大模型从视觉上理解电脑屏幕并进行操作。虽然初期成功率仅有10%左右（相比人类的70%），但开创了直接控制电脑的可能性。
• 浏览器控制：如果只让大模型控制浏览器，实现难度会降低。Computer Use发布后，开源社区开发了Browser Use，通过传统的网页自动化工具（如Playwright）间接实现模型控制浏览器的能力。这也是MANOS操作网页的技术来源，类似工具还包括OpenAI的Operator和Computer Use工具。
• 统一接口标准：2023年11月，Anthropic推出了Model Context Protocol (MCP)协议，统一了工具调用接口标准。简单来说，原本每个工具都需要单独开发接口，而MCP则提供了通用的接口规范，大大简化了工具接入过程。OpenAI最近发布的Agent SDK和新的Response API也是从行业标准和基建角度推动工具使用的举措。

这些进步使智能体能够与现实世界进行更广泛的交互，突破了传统文本输出的限制。

4. 记忆能力

智能体的记忆能力主要通过以下方式实现：

• 上下文长度扩展：早期大模型的上下文长度（短期记忆）非常有限，稍微多聊几句就会"忘记"前面的内容。业界一度竞相增加上下文长度，以提升短期记忆能力。
• 检索增强生成(RAG)：仅靠上下文长度扩展仍不足以满足长期记忆需求。RAG技术将大模型需要记住的知识存储在外部向量数据库中，需要时再检索相关内容。这相当于给大模型添加了长期记忆外挂，同时也能减少"幻觉"问题。
• 记忆模块：对于智能体执行任务过程中产生的信息，系统会对前面发生的事情进行总结并存储，定期回顾以形成完整的记忆模块。
• 高级记忆机制：相比人类的复杂记忆机制（如遗忘机制、注意力机制等），AI的记忆系统仍有提升空间。研究人员正在尝试新方法，如DeepSeek开发的NSA稀疏注意力机制，以解决模型的记忆问题。

记忆能力的提升使智能体能够保持任务连续性，处理长期复杂任务。

三、智能体产品的发展与现状

从2023年初GPT-3.5发布以来，研究人员一直在探索智能体技术。早期有AutoGPT、Baby AGI、斯坦福小镇、微软的Tiny TP等实验项目。目前，已有多种智能体产品在各自领域表现出色：

• 编程智能体：如Cursor、Devin等，支持从需求出发自行编写代码、创建文件和部署网页。
• 调查智能体：如DeepResearch、Google的DeepSearch等。
• 设备操控智能体：如AutoGLM、iPhone的辅助功能等，以及谷歌尚未发布的全自动项目（其演示效果甚至比MANOS更为出色）。
• 垂直行业智能体：如医疗智能体、数据分析智能体和风险评估智能体等，在特定行业中发挥重要作用。

1. MANUS实测分析

作为近期备受关注的通用智能体产品，MANUS声称能够完成各种复杂任务。经过几天的测试，我尝试了多个案例，虽然许多都未能成功，但也有一些完成度较高的项目。以下以一个奥特曼网站制作项目为例，分析MANUS的能力：

1. 任务规划：收到任务后，MANUS首先创建文件并写入待办清单，这表明有一个模型在进行规划。
2. 终端操作：使用命令行创建文件，类似于Cursor的功能。
3. 多智能体协作：MANUS采用多智能体并行执行任务，不同模型按流程分工协作，彼此间信息共享有限。
4. 信息搜索：通常第一步是调用搜索工具获取信息。
5. 网页浏览：使用Browser Use功能访问网页获取信息，如浏览百度百科。
6. 文件创建与管理：创建多个文件并写入信息，完成任务后在待办清单中标记完成项。
7. 资源获取：搜索并下载免费图片。
8. 代码开发：由专门的开发智能体（如Claude 3.5）编写代码。
9. 项目部署：完成后向用户确认部署状态。

需要注意的是，MANOS在复杂项目上的成功率较低，且一旦项目超过一定长度限制，就无法进行调整，这一点非常令人困扰。总结MANOS的能力：

• 过程展示窗口：显示执行过程和交付结果，类似Claude的Artifacts
• 搜索工具调用：基础的信息获取能力
• 网页浏览：基于开源的Browser Use项目，但信息错误概率较高
• 命令行操作：在远端虚拟机中执行指令
• 多轮搜索：类似DeepSearch，但可能基于预设工作流
• 代码编写与部署：能编写代码并部署HTML等静态页面，但难以部署复杂项目（如Next.js）

基于这些能力，MANOS主要适用于信息调查、数据分析和简单网页/游戏制作。

2. 开源复现项目体验

对于无法使用MANUS的用户，有两个著名的开源复现项目：

• OpenManos：由MetaGPT团队开发，GitHub星标最高，使用相对简单。
• OWL：在Gaia榜单上得分最高的开源智能体项目。

这些开源项目目前仍处于实验阶段，适合学习研究，但实用价值有限。

3. 智能体产品的实用性评估

经过全面测试，我对各类智能体产品的实用性有以下评估：

• OpenManus和OWL：属于初期实验项目，主要适合交流学习。
• MANUS：实验性产品，实际可用程度有限，远不及社交平台上的夸张宣传（如"革命性"、"硅谷无眠"等）。适合制作简单的小游戏、网页等演示项目，但不适合严肃生产环境。
• 垂类智能体：在特定场景下表现更好。例如，相比MANuS，DeepResearch在调研任务中提供的结果更清晰、可溯源、准确度更高、条理更清晰。甚至一些简单的搜索任务，使用DeepSeek配合联网搜索的结果也不会比MANUS差。

四、智能体技术的未来展望

1. 行业发展趋势

真正好用的智能体产品必然建立在大模型自身智能水平提升和基础设施完善的前提上，就像ChatGPT的出现是数据、算力和长期研究积累到位后的产物。智能体技术正经历类似的发展阶段，以下因素将推动其发展：

• 基础模型能力的提高
• 工具能力的建设
• RAG质量的提升
• 算力成本的降低
• 用户需求的明确
• 开发门槛的降低
• 社区的壮大

这些因素在2024年交汇，有望点燃智能体技术落地应用的火焰。

2. 对工作的影响

智能体对工作带来双重影响：

• 挑战：可能替代一些冗长繁琐的工作，对不积极适应变化的岗位构成威胁。
• 机遇：大幅提升工作效率，使原本一个月完成的任务可能在一天内完成；让原本因技能限制无法完成的工作变为可能，如不懂编程的人借助编程智能体开发产品。

3. 对个人能力的影响

智能体时代，个人能力的关注点将发生转变：

• 从技能掌握转向更高层次的规划和判断能力
• 提出问题、辨别答案的能力比解答问题更重要
• 跨领域知识广度变得更加关键
• 融会贯通能力可能比专精度更重要

4. 对个人生活的影响

未来几年，每个人身边可能都有一个懂自己的智能助理，随时随地帮助处理琐事、排忧解难。这带来便利的同时，也需要我们适应新的生活方式：

• 学习如何与AI有效交流
• 如何监督AI避免不当行为
• 如何处理AI错误带来的风险和后果
• 如何解决AI使用过程中的隐私问题

未来的通用智能体不只是操控浏览器、制作演示文稿的工具，更会成为人类智慧延伸到未知领域的全新形态。

结语

我们正处于智能体技术蓬勃发展的时代，作为人类将面临全新的身份和意义。无论是工作方式、能力培养还是生活习惯，都将发生深刻变化。面对这一技术变革，我们需要以智慧、勇气和谦卑的态度，拥抱这个充满可能性的未来。