在科技飞速发展的当下，人工智能代理正经历着深刻的变革，其能力演变已然成为重塑各行业格局的关键力量。从早期简单的规则执行，到如今复杂的自主决策与多智能体协作，人工智能代理的每一次进化都深刻地影响着我们的生活与工作。

　　这一演变不仅体现在技术趋势的持续革新，从确定性技术迈向多智能体系统，也反映在代理类型的不断丰富，从简单反射型到基于效用型，并朝着更高级的协星空体育智能科技作类型发展。同时，大模型、机器学习与深度学习等关键技术的突破，为人工智能代理能力的提升提供了强大动力。文末470份人工智能代理行业研究报告最新趋势已分享在交流群，阅读原文进群和500+行业人士共同交流和成长。

　　深入剖析人工智能代理能力的演变，不仅有助于我们把握当下技术发展的脉搏，更能让我们提前洞察未来各行业的发展方向，为迎接人工智能时代的全面到来做好充分准备。

　　当前，人工智能代理能力正经历显著演变。从图表可知，其在技术趋势、代理类型、示例及关键特征等维度均有体现，这对各行业影响深远。

　　从技术趋势看，已从确定性迈向非确定性，如今处于多智能体系统阶段。早期的确定性技术如同基石，后续发展出机器学习、深度学习技术以及大型模型，直至多智能体系统，这一演进反映了人工智能从简单规则执行向复杂交互与自主决策的转变。

　　代理类型方面，从简单反射型起步，逐步发展到基于模型、目标、效用型，未来还将有新类型涌现。简单反射型依据条件 - 行动规则运作，如基本杀毒软件，只能对特定威胁做出反应；基于模型型拥有环境内部模型，像智能恒温器能依据环境变化调整；基于目标型运用迁移学习和强化学习，例如高级国际象棋人工智能，可在复杂情境中追求胜利目标；基于效用型通过评估场景选择最佳结果，自动驾驶是典型代表，需综合考虑安全、效率等多方面因素；未来的智能城市交通规划器等将是更高级的协作类型。

　　代理示例与关键特征紧密相关。随着代理类型的升级，关键特征从单一的条件 - 行动规则，发展到评估场景、协作等复杂能力。这意味着人工智能在不同应用场景中的功能和价值不断提升。

　　从行业影响看，在基础软件领域，简单反射型代理可保障基础安全；智能家居领域，基于模型型代理提升生活便利性；在复杂的博弈和交通领域，更高级的代理类型发挥着关键作用。未来，随着人工智能星空体育智能科技代理能力的持续发展，将为更多行业带来创新机遇和变革动力。

　　在过去的 25 年里，计算能力的提升、互联网上大量数据的可得性以及新颖的算法突破，推动了人工智能代理能力近期进展背后的基础技术取得重大发展。以下为简要介绍：

　　大语言模型（LLM）和大跨模态模型（LMM）革新了人工智能代理的能力，尤其是在自然语言处理以及文本、图像、音频和视频生成方面。大模型的出现得益于多项技术进步以及变换器架构，后者为更深入理解语境和词语关系铺平了道路，显著提升了自然语言处理任务的效率和性能。总之，先进的人工智能模型使对自然语言的理解、生成和交互能力得以增强。

　　一系列技术通过提高效率和增强专业性，极大地改进了人工智能模型。机器学习和深度学习技术的一些示例包括：

　　：有助于从标记数据集中学习，使模型能够准确预测或分类新的、先前未见过的数据。

　　：使智能体能够在动态环境中通过试错学习最优行为。智能体无需定期重新训练，即可持续更新其知识库。

　　：使智能体能够通过人类反馈进行适应和改进，特别注重使人工智能行为与人类价值观和偏好保持一致。

　　：涉及采用一个预训练模型（通常在大型数据集上训练，如用于识别汽车），并将其适配到一个新的但相关的问题（如用于识别卡车）上。

　　：涉及采用一个预训练模型，并在一个较小的、特定任务的数据集上对其进一步训练。此过程使模型在保留基础知识的同时，提高其在特定任务上的性能。

　　这些及其他学习范式常结合使用，极大地扩展了人工智能代理在各种应用领域的问题解决能力。人工智能代理的演变详见图 2，而智能体类型将在以下 “人工智能代理类型” 部分进一步阐述。

　　不同类型的人工智能代理，并追溯其演变，突出支持其发展的关键技术进步。根据定义特征，人工智能代理可分为确定性和非确定性两类，如下所述：

　　：基于固定规则和逻辑运行，这意味着相同的输入总是产生相同的输出。行为可预测，决策过程透明且一致，结果可预测。但适应性有限，系统无法从新数据中学习或适应变化，仅遵循预定义路径。

　　：数据驱动且基于概率，根据数据中的统计模式做出决策，结果不固定而是概率性的。灵活且适应性强，能够从数据中学习、适应新情况并处理不确定性，对于相似输入通常会产生不同结果。可进行复杂决策，使用考虑概率、随机性或其他非确定性元素的算法，实现更细致和复杂的行为。

　　简单反射智能体基于对环境的感知运行，不考虑过往经验，而是遵循预定义规则将特定输入映射到特定行动。条件 - 行动规则的实施使其能够对环境刺激做出快速反应。这些早期智能体是简单的基于规则的机器或算法，旨在提供静态信息，无法适应或改变行动路线。例如：使用关键词匹配的基本垃圾邮件过滤器；具有预定义回复的简单聊天机器人；在特定触发条件下发送预写回复的自动电子邮件回复器。

　　基于模型的反射智能体旨在跟踪其环境中无法立即看到的部分，通过使用先前观察到的存储信息，使其能够基于当前输入和过往经验做出决策。尽管同样受条件 - 行动规则支配，但通过基于当前感知和内部模型采取行动，这些智能体比简单反射智能体更具适应性。比如：通过根据当前和历史温度数据以及用户偏好进行调整来优化能源使用的智能恒温器；使用传感器和地图高效导航、避开障碍物并优化清洁路径的智能扫地机器人；使用传感器收集土壤、湿度、温度和降水等环境因素实时数据以优化水分配的现代灌溉系统。

　　基于目标的智能体能够考虑未来场景，这种类型的智能体考虑行动结果的可取性，并为实现特定目标制定计划。面向目标的规划算法的集成使智能体能够基于未来结果做出决策，适用于复杂决策任务。例如：以赢得比赛为目标的高级国际象棋人工智能引擎，规划行动以最大化成功概率并考虑长期策略；为实现高效交付设定目标并通过设定明确优先级规划最优路线的物流路线优化系统；设定解决客户问题目标并规划对话流程以高效实现目标的客户服务聊天机器人。

　　基于效用的智能体采用搜索和规划算法来处理缺乏直接明确结果的复杂任务，从而超越简单的目标实现。它们使用效用函数为每个潜在状态分配加权分数，便于在目标冲突或存在不确定性的场景中做出最优决策。此方法基于决策理论，允许在复杂环境中进行更高级的决策。这些智能体可以根据相对重要性平衡多个可能相互冲突的目标。比如：在评估速度、燃油效率和乘客舒适度等权衡时优化安全性、效率和舒适度的自动驾驶系统；根据权衡风险、回报和客户偏好的效用函数做出财务决策的机器人顾问等投资组合管理系统；分析患者医疗记录、标记患者数据（如肿瘤检测）并与医生合作优化治疗策略建议的医疗诊断助手。

　　人工智能代理在当今的工作和生活中扮演着越来越重要的角色。从人们的使用需求来看，不仅期望其处理日常繁琐任务，还希望它能在知识工作领域发挥重要作用，如研究与总结、简化任务提高效率等，这反映了人们对于节省时间和精力的强烈需求。在客户服务方面，代理的应用也显著提升了公司的服务效率和质量。然而，随着人工智能代理能力的不断增强，其潜在的风险也不容忽视。由于其运行具有一定的不可预测性，可能会出现偏离预期的行为，因此需要采取有效的控制措施。在测试和评估方面，离线评估相对更受青睐，这暗示了在线监控的难度较大。同时，人工监督和检查仍然是确保代理行为合理的重要手段。

　　人工智能代理既能处理日常任务，又能为知识工作提供助力，主要用于研究总结、提高个人工作效率及客户服务等领域。但代理使用 LLM 控制工作流程存在不可预测性，易产生错误。为此，需要通过跟踪和可观察性工具、设置护栏等方式进行控制，测试时多采用离线评估，还需人工专家进行检查，而性能质量是投入生产的关键障碍。

　　多智能体系统（MAS）由多个独立的人工智能智能体以及为实现集体任务和目标而协作、竞争或协商的人工智能智能体系统组成。这些智能体可以是自主实体，如软件程序或机器人，每个通常都具有其自身的一组能力、知识和决策过程。这使得智能体能够并行执行任务、相互通信并适应复杂环境的变化。

　　多智能体系统的架构由每个参与智能体或系统的期望结果和目标决定。有几种架构类型，例如：