从 LLM 到 Agent：大语言模型智能体发展
引言
2022 年底 ChatGPT 的问世让大语言模型（LLM）成为技术焦点。短短两三年间，技术叙事已经从"一个会聊天的模型"演进为"一个能自主完成任务的智能体（Agent）"。这条从 LLM 到 Agent 的路径，本质上是从**"语言理解与生成"** 走向**"感知---规划---行动---反馈"闭环**的过程。本文梳理这一演进脉络中的关键技术、代表产品与未来趋势。
一、LLM：能力的地基
1.1 技术基座
LLM 的核心是基于 Transformer 架构的自回归语言模型，通过在海量语料上做下一词预测训练而成。其发展大致经历了几个阶段：
| 阶段 | 代表模型 | 关键突破 |
|---|---|---|
| 预训练时代（2018--2020） | BERT、GPT-2、GPT-3 | 预训练+微调范式确立；GPT-3 展示少样本学习能力 |
| 指令对齐时代（2022） | InstructGPT、ChatGPT | RLHF（人类反馈强化学习）让模型"听话且有用" |
| 能力跃迁时代（2023） | GPT-4、Claude 2、文心一言等 | 推理、代码、多语言能力大幅提升 |
| 推理模型时代（2024--2025） | OpenAI o1/o3、DeepSeek-R1 | 通过强化学习激发长链思维（CoT），推理能力可扩展 |
1.2 LLM 的固有局限
单纯的 LLM 虽然知识丰富，但存在几个根本性限制：
- 知识静态：训练截止后世界就"冻结"了，无法获取新信息；
- 只会说不会做：输出是文本，无法直接操作外部系统；
- 幻觉：可能一本正经地编造事实；
- 无状态：每次对话独立，缺乏长期记忆与持续学习；
- 上下文有限：无法在超长任务中保持一致性。
这些局限正是 Agent 范式要解决的问题------LLM 提供"大脑"，Agent 工程为它装上"手脚"和"记忆"。
二、从 LLM 到 Agent：范式的跃迁
2.1 什么是 Agent
AI Agent（智能体）是以 LLM 为核心控制器，能够自主感知环境、制定计划、调用工具、执行行动并根据反馈迭代，直至完成目标的系统。业界常引用的公式化表述是：
Agent = LLM（规划）+ 记忆（Memory）+ 工具（Tools）+ 行动（Action）
2.2 核心组件
- 规划（Planning）
- 任务分解：如 ReAct 框架将"推理（Reasoning）"与"行动（Acting）"交替进行；
- 反思与自我修正：Reflexion 等方法让 Agent 从失败中总结经验；
- 多路径探索：Tree of Thoughts（思维树）等搜索式推理。
- 记忆（Memory）
- 短期记忆：即上下文窗口内的对话历史；
- 长期记忆：借助向量数据库（RAG，检索增强生成）实现跨会话的知识存取；
- 情景记忆 / 语义记忆的区分，使 Agent 能"记住用户偏好"和"掌握领域知识"。
- 工具使用（Tool Use）
- Function Calling：让模型以结构化方式调用 API；
- MCP（Model Context Protocol，2024 年 Anthropic 提出）：为模型连接外部数据与工具的开放标准，正在成为行业事实规范；
- 代码执行、浏览器操作、文件读写等沙箱环境。
- 行动（Action）
- 从生成文本到真实执行：下单、订票、写代码并运行、操作浏览器等。
2.3 发展中的重要里程碑
- 2023 年 3 月：AutoGPT 引爆开源社区，第一次让公众看到"AI 自主循环执行任务"的可能性，虽稳定性欠佳，但确立了 Agent 范式的想象力；
- 2023 年：ReAct、Reflexion、Toolformer 等论文奠定推理+行动、自我反思、工具学习的方法论；
- 2023 年 11 月：OpenAI 推出 GPTs 与 Assistants API，Agent 开发平台化；
- 2024 年：多 Agent 框架（MetaGPT、AutoGen、CrewAI）兴起，"AI 软件公司"式的角色分工协作成为研究方向；同年初 Sora 等多模态模型让 Agent 具备"眼睛和耳朵"；
- 2025 年 1 月：OpenAI 发布 Operator，Agent 直接操作浏览器完成真实任务；
- 2025 年 ：Anthropic 的 Claude Code、OpenAI 的 Codex 等编程 Agent率先在真实生产力场景中大规模落地；DeepSeek-R1 等低成本推理模型大幅降低了 Agent 的"思考成本"，加速了全民 Agent 浪潮。
三、当前格局：Agent 的几种主流形态
| 形态 | 说明 | 代表 |
|---|---|---|
| 对话型助手 | 在聊天界面中调用工具、检索信息 | ChatGPT（带搜索/工具）、Kimi、豆包 |
| 编程 Agent | 理解代码库、多步编辑、运行测试、提交 PR | Claude Code、GitHub Copilot Agent、Cursor |
| 浏览器/操作 Agent | 操控 GUI 完成网页任务 | Operator、Manus |
| 多 Agent 系统 | 多个角色化 Agent 协作分工 | MetaGPT、AutoGen、CrewAI |
| 垂直领域 Agent | 客服、销售、法律、医疗等场景化落地 | 各行业 SaaS 内嵌 Agent |
| 具身智能 Agent | LLM 作为机器人大脑，连接物理世界 | 各类人形机器人、VLA 模型 |
其中编程是公认最成熟的落地场景 ：代码天然有编译器/测试做客观反馈，形成完美的"行动---验证"闭环；而**通用任务 Agent（如 Manus 类产品）**则展示了"给一个目标，AI 自己干完"的产品愿景，但可靠性与成本仍是挑战。
四、核心技术挑战
- 可靠性：长链条任务中错误会累积，一步走偏全盘皆输。当前 Agent 的成功率随任务长度衰减明显，如何让"十步任务像一步一样可靠"是核心难题。
- 规划与长程推理：复杂目标需要动态分解、回溯与重规划，纯 CoT 仍不够稳健。
- 记忆架构：如何高效组织、检索、遗忘长期记忆，尚无统一方案。
- 多 Agent 协作：通信协议、任务分配、冲突仲裁仍在早期探索。
- 评测体系：传统 benchmark 已趋饱和，SWE-bench、GAIA、WebArena 等面向真实任务的评测成为新标杆。
- 安全与对齐：Agent 拥有真实执行权限后，权限控制、越权防护、目标漂移、滥用风险都变得紧迫；"人类在环"与最小权限原则是当前共识。
五、趋势展望
- 推理能力持续深化：从"一次回答"到"深度思考"，test-time compute（测试时算力扩展）成为新Scaling维度，Agent 的"大脑"会越来越强。
- 协议标准化：MCP、A2A 等协议推动模型---工具---Agent 之间的互联互通，Agent 生态将从孤岛走向网络。
- 多模态与具身化：Agent 从数字世界走向物理世界，视觉-语言-动作（VLA）模型驱动具身智能。
- 从单 Agent 到 Agent 组织：类似人类公司的组织化协作，"一人公司"或"AI 员工"将成为常态。
- 产品形态重构：从"人用工具"变为"人给目标、Agent 干活"，软件交互范式正在被重写。
- 对齐与治理升级：随着 Agent 自主性增强，可解释性、可审计、可中断机制将成为基础设施。
六、结语
从 LLM 到 Agent，不是模型的简单升级，而是人机关系的一次重构：LLM 时代，人是操作者，AI 是响应者；Agent 时代，人是目标设定者与监督者，AI 是执行者。这条路线上，技术地基已经打好，第一个杀手级场景（编程）已经验证，剩下的是可靠性、安全性与生态标准化这些"工程硬骨头"。
可以预见，未来几年 Agent 将像当年的 App 一样渗透到各行各业------而理解这条演进路径，是把握这一轮变革的起点。
参考方向
- ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022)
- Reflexion: Language Agents with Verbal Reinforcement Learning (Shinn et al., 2023)
- A Survey on Large Language Model based Autonomous Agents (Wang et al., 2023)
- Tree of Thoughts (Yao et al., 2023)
- Model Context Protocol 规范（Anthropic, 2024）
- OpenAI Operator / DeepSeek-R1 / Claude Code 等产品技术报告