推荐语

从LLM到Agentic AI的进化之路，看AI如何从工具蜕变为智能伙伴。

核心内容：
1. Agent概念的历史溯源与四个发展阶段
2. LLM-Based Agent的三大演进阶段与技术突破
3. 多智能体协作与Agentic AI的未来展望

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

主要内容包括以下几个部分：

1. Agent 概念溯源

2. 阶段一： 裸大模型调用时期

3. 阶段二： LLM-Based Agent 探索

4. AI Agent 与 LLM-Based Agent

5. 阶段三： 从单一到多元，协作模式的探索（2023年 - 2024年）

6. 阶段四： 多智能体蓬勃发展

7. 站在 AGI 回望 Agentic AI

8. 写在最后

纵观技术发展史，真正改变游戏规则的从来不是单一技术的突破，而是技术组合后涌现出的新能力。

2022 年的 GPT-3.5 让我们看到了大语言模型的对话能力；2023 年的 Function Calling 为 LLM 装上了”手和脚”；而当多 Agent 协作、工具创造、自主规划等能力逐步组合在一起时，一个全新的概念应运而生——Agentic AI。它不再是简单的技术堆砌，而是一种质变：AI 系统从被动执行工具进化为主动智能伙伴，从确定性自动化走向智能自主代理。

这场变革是如何发生的？让我们从 LLM 的起点开始，追溯这条通往 Agentic AI 的技术演进之路。

Agent 这个概念在人工智能领域由来已久，最早在 20 世纪 60 年代，“人工智能之父”马文·明斯基在他的研究中首次明确使用了“Agent”一词，将其定义为一种自主运行的计算或认知实体，具备感知环境、推理决策和执行任务的能力。

从马文·明斯基提出“Agent”概念至 LLM 模型诞生前，AI Agent 的发展经历了四个主要阶段，每个阶段在技术特点和应用场景上都有显著差异：

理解了这些背景后，我们就能更好地认识到：LLM 的出现为何会成为 Agent 发展史上的分水岭。接下来，让我们正式进入从 LLM 到 Agentic AI 的演进历程。

02

阶段一： 裸大模型调用时期

2022 年 11 月 30 日，OpenAI 发布 GPT-3.5，引发全球轰动，开启了大语言模型时代。这一阶段的应用模式最为简单：裸大模型调用——类似后端 API 调用，输入提示词（Prompt），模型执行推理后直接返回结果。处理逻辑如下：

flowchart LR    A[提示词: prompt<br/>最大输出: max_tokens]-->|输入| B[LLM<br/>执行推理任务]    B -->|输出| C[返回结果<br/>response body]    style A fill:#e1f5ff    style B fill:#fff4e1    style C fill:#e8f5e9

03

阶段二： LLM-Based Agent 探索

LLM 诞生后，立即催生出了新一代的 Agent，即 LLM-Based Agent。2023 年春季在开源社区就诞生了基于 LLM 来搭建的 Agent 项目，其中以 AutoGPT 与 BabyAGI 两个项目最具代表性。它们共同推动了“LLM Agent”从理论概念走向大众实践，成为该领域发展的重要里程碑。这类项目首次展示了让 LLM 全自主管理复杂任务的能力。它们通过“生成–执行–反馈”的循环机制，结合浏览器、文件操作等插件，实现了对高层目标的分解与逐步推进。尽管存在效率有限与任务处理深度不足等问题，但这类项目展示了基于 LLM 让软件系统自动连贯执行任务的潜力。一时间，“让我来告诉 ChatGPT 干完这件事”的畅想变成了现实雏形，AutoGPT 的 GitHub 星标飙升，在技术圈掀起了讨论自主 AI 代理的热潮。

LLM 的“手和脚”——LLM Function Calling 诞生

不过，AutoGPT 等项目在初期也暴露出诸多问题，例如：经常调用工具失败、经常生成无效方案或陷入循环，效率低下，以及对稍复杂任务仍显力不从心。为了减少胡乱调用工具的情况，更规范函数调用，2023 年 6 月由 OpenAI 在其 GPT-4 和 GPT-3.5-Turbo 模型的 Chat Completions API 中正式推出了 LLM Function Calling。LLM Function Calling 要求模型输出结构化的函数名和参数，从而安全地调用外部 API，让 Agent 行为更加可控。至此，大模型厂商正式为 LLM 这个“大脑”装上了“手和脚”，使基于 LLM 的 AI 从一个被动的“对话者”，进化成了一个主动的“行动者”。这一举措催生了一个庞大的“LLM-Based Agent”（智能体）开发生态，也让 Agent 概念走出了研究圈子和技术圈，进入大众产品应用，从此 AI Agent 这一概念开始频繁出现在 AI 相关的宣传领域中。

04

AI Agent 与 LLM-Based Agent

从概念关系上看，LLM-Based Agent 是 AI Agent 的一个特殊子集，它继承了 AI Agent 的核心特征（自主性、任务专一性、反应性与适应性），同时通过 LLM 的强大推理能力和 Function Calling 机制，极大地改变了 AI Agent 的实现方式——让 Agent 从依赖复杂规则和训练，转变为通过自然语言理解和推理来执行任务。

随着 LLM-Based Agent 技术的快速发展和广泛应用，其在实践中的表现已经成为了 AI Agent 的典型代表。因此，在当前的 AI 应用开发领域，当我们讨论“AI Agent”时，通常指的就是基于大语言模型的智能体系统。这种术语使用的演变反映了技术发展的现实：LLM-Based Agent 继承了 AI Agent 的理论基础，并在实践中成为了 AI Agent 概念的主流实现形式。

05

阶段三： 从单一到多元，协作模式的探索（2023 年 - 2024 年）

随着智能体框架的出现，单智能体技术趋于成熟，但在实际应用中，其局限性也迅速暴露出来。

1. 单智能体的局限性

单个 AI Agent 就像一位领域专家，在特定任务上表现出色，但面对复杂问题时局限性明显。这就好比让一个人同时担任”产品经理 + 设计师 + 前端工程师 + 后端工程师”，看似高效，实则容易职责混乱、注意力分散。

强行让单个 Agent 承担多领域职责会带来以下问题：

（1）Token 爆炸与工具选择幻觉
对于跨领域的复杂任务，单个 Agent 的提示词中必须注入海量信息：系统指令、交互历史、庞大的工具库定义、多步骤执行上下文等。随着任务推进，上下文像滚雪球般膨胀，即便采用百万级长上下文窗口，也只是推迟问题的爆发。当模型陷入“信息沼泽”时，其注意力被严重稀释，关键信息被淹没，直接引发“工具选择幻觉”：混淆相似工具、错误调用 API、幻觉出不存在的参数，最终导致任务失败。

（2）维护与扩展的复杂性
当业务需求变化时，修改一个“全能型”Agent 的内在逻辑，远比调整专注于单一任务的 Agent 困难得多（牵一发而动全身）。在生产环境中，每次修改系统提示词都伴随着巨大的调试成本和不可预测的风险。

（3）单点故障风险
单个 Agent 在任务执行的任何环节出错，整个任务链就会中断。系统缺乏自我纠错和寻找替代方案的机制，鲁棒性和容错性严重不足。

面对单智能体的这些局限性，开发者和研究者们逐渐意识到多智能体的优势。通过将复杂任务分解为多个子任务，并分配给专业化的 Agent 来执行，多智能体系统能够有效克服单智能体的不足，展现出显著的优势。

2. 多 Agent 的核心优势

（1）专业分工与注意力聚焦
将复杂目标分解为具体子任务，分配给领域专家 Agent 执行。每个 Agent 专注于自身擅长领域，“注意力”高度集中，任务执行产生的上下文内聚在领域内，只对外输出必要信息。这种专业化分工极大提升了任务质量和效率，有效降低了因任务复杂导致的幻觉风险。

（2）灵活扩展与快速迭代
当需要新功能时，只需开发专业 Agent 并接入现有协作框架，无需改造整个系统。架构清晰、维护简单，能够快速响应业务需求变化。

（3）容错机制与高可靠性
通过系统设计和流程编排构建容灾能力：某个 Agent 执行失败时，协调者可重新分配任务给备用 Agent，或调整策略继续执行。系统消除了”单点故障”，容错能力和稳定性显著提升，满足企业级关键业务要求。

3. 多智能体与 Context Engineering

在多智能体协作系统中，任务执行模式类似于一个专业团队：一个“PM Agent”统筹全局，负责任务分解、进度协调和结果整合；多个”专业领域 Agent”各司其职，分别负责产品设计、UI 设计、前端开发、后端开发等具体子任务。这种协作模式带来了一个核心挑战：如何在多个 Agent 之间高效、准确地传递上下文信息？ 这直接决定了多智能体系统的成败。正因如此，在 2025 年初，AI 领域的领军人物如 Tobi Lütke 和 Andrej Karpathy 等人开始强调 Context Engineering（上下文工程）的重要性。越来越多的开发者和研究者也认识到 Context Engineering 成为多智能体系统研发中的重中之重，它不仅仅是简单的信息传递，而是一门精妙的工程与语言的艺术：

4. Context Engineering 的核心价值

• 精准的信息组装：在合适的时机，为每个 Agent 组装整合最合适的 Prompt 和上下文信息，确保 Agent 能够准确理解任务要求和执行环境。
• 上下文窗口的优化利用：在有限的 Token 预算内，填入”恰到好处”的信息——既不能信息不足导致 Agent 理解偏差，也不能信息冗余导致关键信息被稀释。
• 任务一致性的保障：确保每个子任务 Agent 都能准确理解整体任务目标，避免子任务执行偏离主航道，保证所有子任务协同服务于整体目标。
• 执行效率的提升：通过精心设计的上下文传递机制，减少 Agent 之间的无效交互，提升任务执行的可靠性和效率。

06

阶段四： 多智能体蓬勃发展

以 n8n、dify、Coze 等低代码平台为代表的工作流式平台大行其道，其核心是预先编排好的任务路径。这种模式的可控性极高、结果稳定可预测，但牺牲了系统的自主性和灵活性，更像一个高效的自动化执行器。
Workflow AI Agents（工作流式多智能体）采用确定性的流程设计：

• 确定性流程：通过预定义的流程编排，程序化地使用 AI 能力
• 可预测结果：追求确定性的流程产生确定性的结果，强调稳定性和可控性
• 应用场景：适合需要高可靠性和可预测性的企业级自动化场景

1. Agentic AI 概念崛起

与 Workflow AI Agents 追求确定性流程不同，一部分研究者和开发者开始探索更高层次的智能系统——一个能够像人类助手一样自主思考、动态规划、灵活执行的超级智能伙伴。这就是 Agentic AI 的核心理念：追求将所有的工作内容都交给 AI 自主完成，从任务理解、流程设计到具体实施，实现全流程的智能化代理。
2024 年 3 月，吴恩达首次公开提出 Agentic AI 概念，英伟达 CEO 黄仁勋于 2025 年 3 月将其列为生成式 AI 后的重要发展阶段，标志着 Agentic AI 从学术概念正式进入产业视野。阿里巴巴在 2025 年 11 月战略规划中明确当前 AI 技术已进入 Agentic AI 阶段。

2. Agentic AI 的定义

目前对 Agentic AI 的定义主要来自两个视角：
百科定义视角（2025 年 10 月版）：Agentic AI（代理式人工智能）是人工智能领域的新兴方向，其核心特征在于能够通过自主感知、推理、规划与执行，独立完成复杂多步骤任务。相较于工作流类 AI 工具，它具备主动性、自治性和环境适应性，可脱离人类直接控制进行决策与交互。
百科定义视角（2025 年 11 月版）：Agentic AI（代理式人工智能）是人工智能领域的新兴方向，其核心特征在于能够通过自主感知、推理、规划与执行，独立完成复杂多步骤任务，具备主动性、自治性和环境适应性。相较于传统 AI 工具，它可脱离人类直接控制进行决策与交互，通过感知→推理→执行→学习的闭环实现持续优化，能够跨应用程序调度任务并自主执行超 50 步操作。
研究者定义视角：Agentic AI 是一种新兴的智能架构，利用多个专业化 Agent 协作来实现复杂且高层次的目标。这些系统由模块化的 Agent 组成，每个 Agent 负责更广泛目标的一个独特子组件，并通过集中式协调器或去中心化协议进行协调。

虽然各方对 Agentic AI 的定义侧重点不同，但都指向了同一个核心方向——追求更高程度的自主性和代理能力。为了更深入地理解这一概念，我们需要跳出字面定义，从本质层面来把握 Agentic AI 的核心内涵。

3. Agentic AI 的本质理解

从本质上看，Agentic AI（代理式人工智能）追求的是最大程度的代理性和自主性，让 AI 系统能够像人类助手一样，独立代理人类思考及处理复杂事务。正如吴恩达在演讲中所指出的：“Agent” 是一个名词，代表具体的智能实体；而 “Agentic” 则是一个形容词，代表着一种程度概念——即系统具备代理能力的程度和自主性的水平。

这种“程度概念”揭示了 Agentic AI的核心特征：它不是一种固定的技术形态，而是一个从低到高的能力连续体。不同系统在这个连续体上占据不同的位置——预设流程的 Workflow AI 工作流处于连续体的较低端，具备基础的自动化能力和简单的代理能力；而 Cursor、Claude Code 等编程助手则接近连续体的高端，展现出高度的自主性和动态规划能力。结合前文的定义可以看出，只有当系统的自主性和代理能力达到一定阈值——能够自主感知、推理、规划与执行复杂任务时，才能称之为真正意义上的 Agentic AI。

4. Agentic AI 的核心特征

根据目前业界认可的 Agentic AI 项目或者软件工具， Agentic AI 一般具有以下特征能力：

• 高度自主性：无需人类持续干预，系统独立完成从任务理解、方案制定到执行验证的完整闭环
• 任务规划能力：自主理解目标并分解为可执行的子任务，动态制定执行策略，无需人类预先设计流程
• 动态执行能力：自主设计并执行多步骤工作流程，根据执行情况实时调整路径，无需预设固定流程
• 工具操控能力：自主调用现有工具、按需创造新工具、验证执行结果，实现从意图到结果的自动化
• 环境适应能力：持续感知环境变化、动态调整执行策略，必要时主动改造环境以适应任务目标

07

站在 AGI 回望 Agentic AI

AGI 本质上就是人类的万能代理，它能够像人类助手一样理解复杂意图、自主规划策略、动态调整执行路径，最终代理人类处理各类复杂事务。从这个角度看，Agentic AI 正是通向 AGI 的关键前站——它通过多智能体协作、工具创造、自主执行等核心能力，逐步逼近 AGI 所要求的“万能代理”水平。

Agentic AI 的出现是人工智能领域的一场重大变革，它代表了从“确定性自动化”向“智能自主代理”的自然进化，标志着 AI 系统从被动执行工具向主动智能伙伴的根本性转变。这种转变体现在三个关键维度：

• 从预设流程到自主规划：传统自动化系统依赖预定义的流程和规则，而 Agentic AI 能够根据任务目标自主设计执行路径，动态调整策略
• 从单一执行到协作涌现：单个 Agent 的能力边界有限，但多 Agent 协作能够产生智能涌现，实现“1+1>2”的系统级智能
• 从工具使用者到工具创造者：Agentic AI 不仅能调用现有工具，更能根据需求动态创造新工具，这种能力使其具备了无限扩展的可能性

正如人类从使用工具到创造工具的进化推动了文明的发展，Agentic AI 系统从工具调用到工具创造的跃迁，也标志着智能系统自主能力的质的飞跃。Agentic AI 正在通过这种持续的能力演进，逐步缩小与 AGI 愿景之间的差距。

08

写在最后

回到文章开篇的洞察：真正改变游戏规则的从来不是单一技术的突破，而是技术组合后涌现出的新能力。 从 LLM 到 Agentic AI 的演进历程，正是这一规律的生动印证。

LLM 的出现为技术组合进化提供了前所未有的可能性。当 LLM 的自然语言理解能力、基础性的软件工程能力、Function Calling 的准确执行能力、多 Agent 的协作机制、Context Engineering 的上下文管理能力逐步组合在一起时，我们看到了智能的涌现：AI 系统开始具备自主规划、动态执行、工具创造的能力，从被动的对话工具进化为主动的智能伙伴。

这种能力的叠加并非线性累积，而是质的跃迁。正如《技术的本质》所揭示的，新技术的组合会涌现出超越单个组件的系统能力，而这些新能力又会成为下一轮技术创新的基础，形成递归创造的循环。Agentic AI 正处在这样一个加速演进的轨道上。

在通往 AGI 的征途中，Agentic AI 是一个关键的前站。它的能力边界将持续扩展，不断刷新我们对“智能代理”的认知。我们或许无法精确预测其最终形态，但可以确信的是：当 AI 不仅能使用工具，还能创造工具；不仅能执行任务，还能规划任务；不仅能响应指令，还能理解意图——这种从工具到伙伴的转变，正在深刻地改变人类与智能系统的协作范式。

技术的进化不会停止，而我们正站在这场智能革命最激动人心的时刻。