第四个时代：Agent时代

发表于 更新于
Agent之前，大模型能够回答问题，却无法真正完成任务。

Prompt时代让大模型学会了思考。
Tool时代让大模型拥有了行动能力。
RAG时代让大模型能够获取外部知识。
但当这些能力组合在一起后，人们很快发现：
一个新的问题出现了。

1
大模型能够回答问题，却无法真正完成任务。

RAG时代为什么不够

假设用户提出一个问题：

1
苹果公司的AI战略是什么？

RAG非常擅长处理这类任务。
它可以：

  • 检索资料
  • 阅读文档
  • 组织答案

最终给出一份不错的总结。
但现实世界中的需求往往不是这样。
用户真正想说的是：

1
2
帮我研究苹果AI战略，
并分析它未来三年的竞争优势。

这已经不是一个问题。
而是一个任务。
为了完成它，系统可能需要：

1
2
3
4
5
6
7
8
9
10
11
12
13
搜索财报
↓
搜索发布会内容
↓
搜索高管访谈
↓
搜索竞争对手动态
↓
整理资料
↓
分析趋势
↓
输出结论

这里不存在一次检索就能得到答案的情况。
系统必须不断行动、不断获取信息、不断修正自己的判断。
RAG开始暴露出边界。

Agent是什么

Agent通常被翻译为“智能体”。
但从本质上说：

1
Agent并不是一种模型，而是一种工作方式。

传统方式：

1
2
3
4
5
问题
↓
思考/tool/RAG
↓
回答

Agent方式：

1
2
3
4
5
6
7
8
9
10
11
目标
↓
规划
↓
执行
↓
观察结果
↓
继续执行
↓
完成目标

最大的区别在于：

  • 用户不再告诉系统具体步骤。
  • 只需要告诉系统目标。

Agent时代的关键突破

Planning（规划）

Agent开始学会拆解任务。
规划能力让复杂任务变得可执行。

Multi-Step Execution（多步执行）

传统RAG通常只执行一次检索。
Agent则能够连续行动。

例如：

1
2
3
4
5
6
7
8
9
10
11
搜索
↓
阅读
↓
发现信息不足
↓
再次搜索
↓
再次阅读
↓
总结

形成完整闭环。

Reflection（反思）

Agent开始具备简单的自我评估能力。
例如：

1
2
3
资料是否足够？
结果是否可信？
是否需要继续搜索？

这种能力让系统逐渐摆脱“一次回答定终身”的模式。

Tool Orchestration（工具编排）

在Tool时代。
模型通常一次调用一个工具。
Agent时代则开始组合使用多个工具。

例如：

1
2
3
4
5
6
7
8
9
浏览器
↓
搜索引擎
↓
数据库
↓
代码执行
↓
文档生成

多个工具协同完成同一个目标。

Agent时代留下了什么

Prompt时代让模型拥有了思考能力。
Tool时代让模型拥有了行动能力。
RAG时代让模型拥有了知识获取能力。
Agent时代则第一次让模型拥有了任务执行能力。
从这一阶段开始，大模型不再只是问答系统，而开始成为真正的软件执行主体。