Agent核心技术概念与范式发生了哪些演变以及背后的思考
Agent核心技术概念与范式发生了哪些演变以及背后的思考
来源类型： 微信公众号文章
日期： 2026-06-02
标签： AI, OpenClaw, 记忆系统, 办公效率, 网络安全, 编程, 大模型
原文链接： https://mp.weixin.qq.com/s/11Krmb5KYmCHDQ4zN9O4uQ
摘要
阿里妹导读 文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。 背景 近几年，随着基模能力的快速升级与迭代，Agent 领域迎来了爆发式的增长。特别是近期，像 Cloud Code、Codex、OpenClaw、Hermes 等可以说是全新一代的 Agent 产品和框架在不断涌现，Agent 的能力相比早期版本也出现了进一步的跃升，进一步推动了整个 Agent 生态的繁荣发展。 在此之前，我曾写过很多文章来介绍 Agent 的基本概念定义和基础范式，详情可以参考我之前写过的《为什么一定要做Agent智能体？》、《如何构建和调优高可用性的Agent？》等等文章。在当下...
核心内容
阿里妹导读
文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。
背景
近几年，随着基模能力的快速升级与迭代，Agent 领域迎来了爆发式的增长。特别是近期，像 Cloud Code、Codex、OpenClaw、Hermes 等可以说是全新一代的 Agent 产品和框架在不断涌现，Agent 的能力相比早期版本也出现了进一步的跃升，进一步推动了整个 Agent 生态的繁荣发展。
在此之前，我曾写过很多文章来介绍 Agent 的基本概念定义和基础范式，详情可以参考我之前写过的《为什么一定要做Agent智能体？》、《如何构建和调优高可用性的Agent？》等等文章。在当下这个时间节点，我们正处在 Agent 发展的快速变化期，现在的许多主流 Agent 技术在架构理念、实现路径上，与早期的 Agent 技术已经发生了较大的变化。然而，有许多的同学在学习和阅读 Agent 相关的文章内容的时候，仍然学习到了比较早期的内容，导致这里面有许多新旧技术概念混在一起，很容易搞不清楚，加上仍然还有些营销号现阶段还在转载比较早期的文章，导致大家越了解越迷糊。我之所以突然产生写这篇文章的想法，就是因为有不少同学在和我交流的时候，突然提到的一些技术概念，甚至会让我产生一丝“穿越感”~
Agent 相关的技术，并不是一蹴而就发展成现在这样的，很多技术概念前后之间也是有一定的相关、继承关系的。即使发生了演变前后的技术，也并非简单的替代关系，甚至还是可以相互结合使用。因此，在 Agent 的技术理念已经发生较大的变化的时候，我觉得非常有必要对 Agent 演化前后的范式进行一次更深入对比，梳理出“Agent 技术是怎样变化的？为什么会这样变化？”。
如果搞不清楚 Agent 技术范式背后的演化逻辑，很容易陷入“为了升级新架构而升级架构”或者“盲目追求最新技术概念”的误区。因此，本文旨在结合最新的行业实践和技术趋势，以及我个人对 Agent 的长期理解，详细拆解 Agent 的演化范式，希望能帮助大家在纷繁复杂的技术浪潮中，理清思路，找到最适合特定场景的技术选型。
从被动响应到自进化：Agent 发展的四个阶段
回顾 2023~2026 这三年的时间，Agent 的技术形态并非线性平滑过渡，而是经历了四个我认为比较有显著特征的“四个阶段”。理解这四个阶段的演进过程，有助于我们看清当前技术选型的底层脉络。
阶段一：早期 Agent（被动式 ReAct）
2023年是LLM爆发的元年，也可以说是 Agent 概念的启蒙期。这一阶段的代表性理论源自 Lilian Weng 的那篇著名博客《LLM Powered Autonomous Agents》，它定义了基于大模型的 Agent 基本架构：LLM + Planning + Tools + Memory，给出了当时早期 Agent 比较理想的模型。这个时期，也有如AgentGPT、AutoGen、MetaGPT等等各种开源项目实现。
这个阶段的 Agent 本质上是“被动式响应”的。Agent 的核心架构基本上是基于比较初步的 ReAct 架构（Reasoning + Acting），基本上是符合单步的“Reasoning → Observe → Response”这样的过程链条，受限于基础模型的效果，能够做好3轮以上的 Reasoning 的模型都不多。
早期阶段的 Agent 基本上有如下几个特点：
●交互形态：类似于增强版的 Chatbot，处于一种“一问一答”或“指令-执行”的聊天状态。
●能力边界：严重依赖用户的明确指令。虽然引入了思维链（CoT，Chain of Thought）和简单的工具调用（Function Call）链条，但相对来将，基本上只能完成单点、短链路的小任务。
●局限性：缺乏长期规划能力，一旦任务复杂度超出上下文窗口或逻辑链条过长，极易出现偏离或中断。在这个阶段，我们曾经做过的早期 Agent 探索可以详看我在24年初的文章《基于通义千问的阿里云小智服务领域Agent设计与实践总结》。
阶段二：工作流 Agent（结构化与可控性）
在2024年时期，随着 to B 业务对稳定性要求的提升，纯靠 ReAct 这种“理想方式”解决不了复杂问题的情况下，Agentic Workflow 成为了主流，。这一阶段的核心理念是：用工程化的约束来弥补模型的不确定性。像 LangGraph、Dify 等都提供Workflow的流程编排。
与早期 Agent 阶段的纯模型驱动不同，Workflow Agent 引入了大量的硬约束和流程编排，我觉得这也可以理解为早期的 Harness （驾驭工程里的“约束”）吧，虽然当时没有这个概念，但所做事情的目标本质是一样的。这个阶段的 Agent 主要是如下几个特点：
●架构特征：要么是整个大框架是一个固定的 Workflow，关键节点嵌入 LLM；要么是 LLM 作为中枢，调用预定义好的子 Workflow。是一套比较重的 Harness，虽然牺牲了一定的灵活性，但换来了极高的可控性和可解释性。
●应用场景：Workflow 在 to B 领域极受欢迎。因为很多企业服务或日常重复性工作，并不需要真正的“智能决策”，只需要按照步骤 1、2、3 按时、按量、保质地完成即可。
●价值体现：对于非长尾、非极度复杂的场景，Workflow Agent 依然是目前性价比最高、落地最稳定的方案。时至今日，仍有大量企业在使用这种形态，因为它能确保效果的下限。
阶段三：自主 Agent （复杂规划与长程任务）
我个人认为，2025年是 Agent 迈向“自主性”的关键转折点。先是以 Manus 为代表的通用 Agent的火爆，以及 Claude Code、Codex 等 AI Coding Agent 的出现等等，标志着 Agent 能力再一次质的飞跃。随后在2026年初火爆的 OpenClaw 等框架，继续扩大了受众群体，进一步巩固了这一技术趋势。
这一阶段的 Agent 可以被称为“自主 Agent”（Autonomous Agent），主要特征如下：
●核心变化：它不再满足于快速调用几个工具后给出结论，而是具备了复杂的 Planning（规划） 能力。面对用户模糊或宏大的需求，它能自行拆解任务、规划路径、调用工具，并进行多轮迭代。
●长程任务能力：只要用户清晰描述需求，并设定好开发规范（Specs），Agent 就可以连续运行很长时间，自主处理企业级的项目代码或复杂业务流程。
●自我校验：配合轻量级的 Harness 或自我校验机制，模型能够在长程运行中不断修正错误，最终交付高质量的结果。这是从“辅助者”向“执行者”角色的根本转变。
阶段四：自进化 Agent（持续学习与自我升级）
随着2026年 Hermes Agent 等新一代框架的兴起，再配合上 LLM-Wiki 等这些开源项目，Agent 可以自我沉淀Skill、自我沉淀知识库，甚至可以通过 RL 训练来提升模型能力，让 Agent 的发展进入了“自进化”（Self
...(内容截断，完整内容请查看原文)
本页由自动化脚本生成，待人工审核补充