智泊Agent–Agent生态的认知

 

1.认知重构–Agent从诞生到出圈

1.1 AI的改变

• AI角色的改变
• 交互的深度改变
• 价值产出改变

 

1.2 Agent需要具有的能力

• 规划能力
• 工具调用能力
• 记忆能力

 

1.3 范式转移的本质

• 从被动响应到主动规划
• 从信息提供到任务执行
• 从单次交互到持续闭环
• 从辅助工具到执行主体

 

1.4 范式转移的三个必然条件

1. 大模型上下文能力突破百万级（记忆力）
2. 从LLM到LAM的架构演进（工具调用能力）
3. 开源生态的引爆效应（openclaw）

 

2.深度拆解–Agent如何运作

2.1 Agent的底层公式

Agent = LLM（大脑）+ Planning（规划）+ Memory（记忆）+ Tool Use（工具调用）

LLM：作为Agent大脑，进行意图识别、推理、生成以及输出等功能

Planning：作为Agent执行导演，对任务进行动态规划，不断调整，有区别于传统的自动化脚本

Memory：作为Agent记忆模块，分为短期记忆与长期记忆

Tool：Agent的手脚，调用工具进行操作

 

2.2 Agent任务解构

• 任务定义层：明确目标与成功标准
• 状态感知层：构建执行上下文（文件、日志、历史）
• 流程控制层：规划执行路径与退出条件

 

2.3 Agent任务执行模型–ReAct

相比于传统编程的规则有限，由开发者预先定义，ReAct的方法使得推理是无限的，由模型实时生成

 

3.趋势演进–从API到Agent的必然之路

四个阶段：

1. 阶段一：基础API调用 （2022-2023）
2. 阶段二：提示词工程（2023-2024）
3. 阶段三：Function Calling（2024-2025）
4. 阶段四：Agent 框架（2025-2026）

 

4.架构演进–从单体到群体

4.1 单体

单体就是由一个智能体负责所有内容，优势是更加简单容易构造，缺点是逻辑断裂，缺乏深度

 

4.2 群体

4.2.1 群体角色分布

第一类角色：指挥中枢

• 任务分解与调度
• 智能体沟通协调
• 执行结果整合

第二类角色：专家agent

• 各司其职
• 调用其他智能体

第三类角色：审计agent

• 合规性审查和质量把关
• 结果反馈

4.2.2 优势

强调分工，各司其职，多层质保

 

5.工程化协议

5.1 MCP

MCP全称ModelContextProtocol，Anthropic在2024年末开源的一套协议，本质上就是给 AI 模型定一个”插头标准”,让模型能连外部工具和数据。

 

5.2 A2A

A2A=Agent to Agent,是Google2025年4月开源的一套协议,管的是智能体跟智能体之间怎么协作。

 

5.3 二者区别

• MCP 是垂直的:agent → 工具/数据。数据库、API、搜索索引,那边是被动的,叫它干啥它干啥。
• A2A 是水平的:agent → agent。另一头也是个 agent,有自己的模型、自己的上下文、自己的判断力,而且它可以拒绝你。