第27章 AI 智能体研究现状、工程瓶颈与未来理想能力架构报告

本章回答四个问题：AI 智能体从哪里来、现在发展到什么程度、接下来最值得研究什么、以及它距离“理想智能体”还有多远。

阅读导航

• 定义与范畴：澄清“智能体”在不同研究传统中的含义。
• 历史演进：回顾从符号主义到 LLM agent 的关键里程碑。
• 研究现状：总结截至 2026 年 6 月 18 日的主流系统栈与代表性进展。
• 研究方向：区分短期工程重点与中长期能力问题。
• 主要难点与瓶颈：归纳当前最难被解决的结构性问题。
• 理想智能体与现实差距：对比目标形态与现状缺口。
• 结论与建议：给出面向研究、企业和治理的落地建议。
• 附录：参考文章链接：汇总本章涉及的论文、文档、榜单与治理资料，便于延伸阅读。

执行摘要

本报告聚焦“AI智能体”这一概念在不同研究传统中的含义、从二十世纪中后期到二〇二六年六月十八日的历史演进、当下主流技术路线、关键研究方向、主要瓶颈，以及“理想智能体”与现有系统之间的结构性差距。整体结论是：智能体研究并非始于大语言模型，而是长期由三条主线共同推动——符号主义与认知架构、强化学习与行为控制、以及近年的基础模型驱动代理。今天的“智能体热”之所以爆发，本质上是大模型把语言理解、工具调用、跨任务迁移和自然交互统一到了一个可工程化的接口上，但它并没有消除早期研究中关于规划、记忆、信用分配、可解释性和安全控制的根本难题。

从能力进展看，二〇二三年至二〇二六年的提升非常快，但呈现出“局部逼近、整体未解”的特征。网页与桌面操作方面，WebArena 原始论文中的最佳 GPT-4 代理只有 14.41% 任务成功率，而人类为 78.24%；OSWorld 原始论文中最佳模型仅 12.24%，人类超过 72.36%。到二〇二六年，官方或公开来源显示，前沿系统已把 WebArena-Verified、OSWorld-Verified 推进到 67.3% 和 75.0% 一类的水平，某些系统甚至在特定验证集上接近或超过原有人类基线；但与此同时，在更接近真实工作的 TheAgentCompany 上，最强基线自动完成率仍只有约 30%，在长程软件工程基准 SWE-Bench Pro 上，统一脚手架下的最佳公开结果仍低于 25%。这说明“短到中程、规则相对清晰、工具链可控”的任务正在快速被攻克，而“长程、开放世界、跨系统、带隐性约束”的真实工作自动化仍远未解决。

研究前沿已经从“让模型会说”转向“让系统能做、做对、做稳、做得起、做得可审计”。因此，短中期最关键的投资方向并不是继续堆砌单一模型能力，而是围绕验证式执行环境、状态与记忆管理、测试时搜索与校验器、Agentic RL、协议安全、可观测性、人类审批与最小权限运行时等系统工程能力展开。官方开发文档也越来越清楚地把“编排、工具执行、审批、状态管理、可观测性”视为智能体系统的核心，而不再把智能体简化为一个会聊天的模型。

理想智能体不应只是“更强的聊天机器人”，而应是一类具备目标澄清、长期记忆、因果建模、跨环境行动、可自我修复、可解释、可控、低成本、社会适应与安全协作能力的持续运行系统。与这一理想相比，当前主流系统的最大差距不在短时推理，而在长程鲁棒性、可靠记忆、真实世界安全边界、跨任务泛化的稳定性，以及“在不牺牲可审计性的前提下”进行高自主行动。

核心判断

• 智能体研究不是从 LLM 才开始，而是符号主义、强化学习和基础模型代理三条路线长期汇流的结果。
• 2023 年到 2026 年的进展非常快，但主要集中在“短到中程、可验证、工具边界清晰”的任务上。
• 当前竞争重点已经从“模型会不会说”转向“系统能不能稳定执行、可审计、可控且成本可接受”。
• 理想智能体与现实系统之间的最大鸿沟，仍然是长程鲁棒性、记忆治理、安全边界与高自主行动的可审计性。

定义与范畴

“智能体”在 AI 领域并没有单一、跨范式一致的定义。经典 AI 教材将 agent 定义为“通过传感器感知环境、通过执行器作用于环境的实体”，并进一步强调“理性智能体”应在给定感知历史与先验知识的条件下，选择能最大化期望绩效的行动。这个定义的优点是抽象统一，适用于软件代理、机器人、博弈程序和网络服务，但它对内部实现没有限定。

九十年代的自治智能体研究则更强调“自主性”。Franklin 与 Graesser 把自治智能体刻画为持续处于环境之中、能够自主感知并行动、以实现目标的一类系统；Wooldridge 与 Jennings 则把智能体的关键性质总结为自主性、反应性、主动性与社会能力。前者试图区分“agent”和一般程序，后者则把智能体研究分为 agent theory、agent architectures 与 multi-agent systems 等层面。这一时期的研究关注点更接近软件工程与分布式系统，而不仅是机器学习。

如果按研究传统来划分，至少可以区分五类主要范畴。第一类是符号主义智能体，核心是显式知识表示、逻辑推理、规划与规则执行，代表脉络包括 GPS、物理符号系统假说、AOP、BDI 与 Soar。第二类是连接主义与行为式智能体，强调感知—行动闭环、分层控制、端到端表征学习与具身反应，Brooks 的 subsumption 体系是一个典型早期起点。第三类是强化学习智能体，以状态、动作、奖励与策略优化为中心，从 Q-learning、DQN 到 AlphaGo，再到多智能体 RL 与具身控制。第四类是多智能体系统，把多个自治实体之间的通信、协作、竞争与博弈视为研究对象。第五类则是今天最受关注的LLM 驱动智能体，它通常以基础模型作为“脑”，配合外部工具、检索、记忆、规划器、执行器和环境反馈，形成可执行的任务闭环。

近两年，工程与产业界对“智能体”的定义又出现了新的收敛。OpenAI 的 Agents SDK 把智能体定义为“能够规划、调用工具、在专家之间协作并保持足够状态以完成多步骤任务的应用程序”；Google 的 ADK 则把重点放在“构建、调试、部署可靠 AI 智能体，并从单智能体扩展到多智能体系统”；Microsoft Agent Framework 进一步把编排、部署、中间件、终止条件和 guardrails 视作 agent runtime 的核心组成。换言之，现代工程语境中的“agent”已经不只是一个模型，而是“模型 + 工具 + 工作流 + 状态 + 审批 + 观测”的复合系统。

为了便于后续讨论，可以先把不同范式的智能体放在同一个视角下比较：

历史演进

AI 智能体研究可以看作两次“大融合”的结果。第一次融合发生在二十世纪中后期：符号推理、问题求解、规划、认知架构与软件代理概念逐渐合流，形成了“把智能看作可表征、可推理、可执行的程序过程”的传统。第二次融合则发生在二〇一五年之后：深度学习、强化学习、Transformer、RLHF、多模态模型与工具调用体系逐步汇聚，最终在二〇二三年后形成今天所谓的 LLM agent 范式。

下面的时间线用于快速建立“路线演进感”，表格则补充每个节点的方法与长期影响。

timeline
    title AI智能体研究演进时间线
    1950 : 图灵提出模仿游戏，把“机器智能”转化为可检验问题
    1959 : GPS把问题求解程序化，奠定早期符号式智能体思路
    1976 : 物理符号系统假说提出“符号系统是智能行动的必要且充分条件”
    1986 : Brooks分层控制强调实时反应、具身性与行为式控制
    1987 : Soar推动通用认知架构路线
    1992 : Q-learning奠定可学习决策主体基础
    1993-1997 : AOP、BDI、自治智能体分类与多智能体研究成熟
    2015-2016 : DQN与AlphaGo带动深度强化学习智能体爆发
    2017 : Transformer成为后续基础模型与LLM智能体底座
    2021-2022 : WebGPT、InstructGPT、Gato、SayCan把搜索、对齐、通用性与具身结合
    2023 : ReAct、Toolformer、Generative Agents、Voyager、Reflexion、MemGPT形成LLM agent方法簇
    2024 : GAIA、WebArena、OSWorld、SWE-bench Verified把评测推进到真实网页、桌面与软件工程
    2025-2026 : MCP、A2A、Agents SDK、Agent Framework、ChatGPT agent、Gemini Spark等推动生产化与互操作

研究现状

截至二〇二六年六月十八日，主流智能体技术已经形成一个较为稳定的系统栈：以大模型或多模态模型作为中央策略器，外接搜索、代码执行、数据库、浏览器、桌面、API、文件系统等工具；通过 ReAct 式交替推理—行动循环、plan-and-act 分层规划、反思/校验器、记忆层级和多智能体分工来提升成功率；再用日志、轨迹、评估集、审批节点和 guardrails 去控制风险。这一架构的优势是通用、开发快、跨任务复用强；短板则是：高度依赖脚手架设计，推理成本高，长期状态脆弱，性能常常更多反映“系统编排质量”而不只是“底座模型质量”。

从评测看，智能体领域已从静态 QA 转向交互式环境。GAIA 测通用助理的多步推理、浏览和文件处理；WebArena 测自托管网页任务；OSWorld 测真实桌面与跨应用操作；SWE-bench 系列测真实 GitHub issue 修复；TheAgentCompany 则更进一步，尝试模拟软件公司中的“数字员工”工作。不同基准分别评估 reasoning、tool use、browser use、computer use、coding 和 workplace automation，但它们的环境、允许工具、步数上限、是否验证版、是否自报成绩并不统一，因此跨基准和跨榜单“横向比较”必须非常谨慎。官方或追踪站点本身也明确提醒，很多排名反映的是“系统/脚手架配置”，而不是裸模型性能。

如果只看“趋势”，进步非常显著。GAIA 原始论文中，人类答题者平均 92%，而带插件的 GPT-4 只有 15%；到二〇二六年五月，GAIA 官方测试榜单最高公开成绩已达到 93.02%。WebArena 原始论文中最佳 GPT-4 代理为 14.41%，而 OpenAI 的 CUA 在二〇二五年公开成绩为 58.1%，GPT‑5.4 在二〇二六年官方给出的 WebArena-Verified 成绩达到 67.3%。OSWorld 原始论文中最佳模型只有 12.24%，而 GPT‑5.4 在 OSWorld-Verified 上达到 75.0%。但这种迅速进步并不意味着“现实工作已被解决”：TheAgentCompany 的最强代理仍只能自动完成约 30% 任务；SWE-Bench Pro 统一脚手架下最佳仍低于 25%。这恰恰说明，当前系统擅长的是可验证、有限时长、接口相对清晰的任务，而非开放式企业流程。

当前的现实也越来越清楚：能力前沿正在从“模型尺度竞赛”转向“系统设计竞赛”。这一变化体现在三点上。第一，很多高分成绩来自模型、工具、检索、验证器、规则和提示工程的组合，而不是单模型调用。第二，协议层已成为研究前沿的一部分，MCP 与 A2A 说明 agent 生态开始把“互操作”当作基础设施问题来解。第三，开发框架越来越重视“可观察性、评估、人工审批、状态管理”，因为智能体已经不是一轮生成任务，而是会在时间中执行的“软件系统”。

如果再往前看一步，二〇二五年至二〇二六年的一个更深层变化是：很多系统增益已经不再主要来自“把底座模型再换强一点”，而是来自推理期预算、运行时容器与技能抽象层的共同优化。像 FS-Researcher 这类工作把文件系统工作区当作可持续外部记忆，让证据构建与报告写作解耦，说明长程研究任务的上限并不只由上下文窗口决定，而越来越取决于运行时如何组织状态、检索与分工。FS-Researcher

同样值得注意的是，近年的 agent 研究开始更明确地区分“底座模型能力”和“agent harness 能力”。一个稳妥的判断是：当任务跨越浏览器、代码、文件系统、API 与人工审批节点时，决定成功率的往往不是单次推理质量，而是执行循环、工具注册、上下文裁剪、状态存储、生命周期钩子与评估接口这些运行时层能力。也正因此，MCP、A2A、Agents SDK、Agent Framework 之类工作的重要性，不在于它们又提供了一套新语法，而在于它们把智能体逐步推向可组合、可治理、可审计的软件系统。

从这个角度看，今天所谓“能力竞争”，越来越像三层耦合竞争：一是底座模型的推理与多模态能力，二是测试时搜索、reviewer / verifier 与反思回路带来的系统增益，三是 harness、skills、memory、protocol 这些运行时部件的工程质量。前沿系统的差异，已经越来越多地体现在这三层如何协同，而不是体现在“谁有一个更会聊天的模型”。

现状小结

• 主流架构已经稳定为“模型 + 工具 + 工作流 + 记忆 + 评估/审批”的系统栈。
• 榜单分数提升很快，但不同 benchmark 的环境、预算和权限差异很大，不能简单横向比较。
• 当下的领先优势，越来越多来自系统编排、验证器和运行时设计，而不只是底座模型本身。

研究方向

截至当前，研究方向已经明显分化为“短期可交付的工程增量”和“中长期面向通用智能体的能力问题”两大类。短期内，最有效的方向是提高长程任务成功率、降低成本、减少安全事故并增强可审计性；中期则是把外显脚手架方法沉淀成更可学习的 agent policy；长期才会触及因果世界模型、持续在线学习、具身泛化与 agent society 的治理问题。

可以把这些方向粗略理解为三层：

• 短期工程层：验证式执行、状态管理、成本优化、审批与可观测性。
• 中期学习层：把外部脚手架经验沉淀为可训练策略，如 Agentic RL 与在线适应。
• 长期能力层：世界模型、因果推理、终身学习、具身泛化与社会协同治理。

值得特别强调的是，测试时计算与验证器/审稿器结构有望在中短期内带来最现实的收益。ReAct、Tree of Thoughts、Graph of Thoughts、Reflexion、plan-and-act 以及 coding agent 中的 review loop 都说明：与其单纯追求更大的单次前向传播，不如让智能体拥有更好的搜索、回看、反思、校验和回退机制。对 agent 来说，“推理预算如何用”往往比“参数再大一点”更接近生产问题。

进一步说，短中期真正值得投入的并不只是“会不会多想几步”，而是如何把测试时预算稳定地转化为系统级可靠性。这意味着 verifier、reviewer、jury、execution-based cross-validation 之类结构会越来越重要，因为它们把推理期扩展从“更长的思维链”推进为“可被环境反馈约束的搜索过程”。对软件工程、研究代理和高风险工具调用任务而言，这类结构往往比单次生成更接近真实工作的质量控制逻辑。

与之并行的另一条主线，是把运行时治理直接视为研究问题而非部署细节。近年的 harness 研究、协议工作和生产框架都在指向同一件事：agent 的关键科学问题已经不只存在于模型内部，也存在于模型外部的执行容器、状态管理、工具权限、日志审计和人机协同边界之中。换言之，未来几年的重要研究方向，将不只是“提升模型能力”，还包括“把系统做得更稳、更可控、更容易验证”。

主要难点与瓶颈

当前智能体研究的关键瓶颈，可以概括为六个方面：

1. 长程任务中的误差复利
   在多步交互里，任一步的局部误解、错误工具调用、状态遗漏或环境误读，都会在后续步骤不断放大。TheAgentCompany 中最强代理只能完成约 30% 任务、SWE-Bench Pro 最佳公开结果低于 25%，都说明从“能做一步”到“稳定做完一整件事”之间仍有巨大鸿沟。Plan-and-Act 之所以被提出，正是因为长程任务会暴露规划与执行糅合时的脆弱性。

2. 记忆并不等于上下文长度
   更长的 context window 当然有帮助，但智能体真正需要的是：什么信息应被长期保留、什么应被压缩、什么时候该检索回来、什么时候该反思重写。MemGPT、Generative Agents、Voyager 和 Reflexion 都在尝试把“记忆”做成一层主动管理机制，而不是被动堆进上下文窗口；这恰恰说明长期记忆尚未被模型原生解决。这个问题在多智能体场景下会进一步放大，因为系统不仅要决定“记什么”，还要决定“谁能看什么、什么时候同步、用哪个版本为准”。如果没有明确的 scoping 规则，所谓共享记忆很容易退化为事实污染、重复劳动和过期上下文传播。

3. 安全边界在 agent 场景里显著外移
   传统聊天模型的主要风险是生成不良内容，而 agent 的风险是“被输入影响后去调用外部工具、访问系统、执行动作”。Anthropic 直接把 prompt injection 称为 browser-based agents 最显著的安全挑战之一；OWASP 也把 prompt injection 视为 LLM 应用的核心风险；OpenAI 文档则明确要求在 computer use 中把页面内容视为不可信输入，并把高影响动作置于人工审批下。这意味着 agent 安全不是简单的模型对齐问题，而是输入隔离、权限最小化、审批、日志和运行时策略的系统问题。随着 skills 生态兴起，风险边界又向外扩了一层：第三方 SKILL.md、脚本和权限声明本身已经构成新的供应链攻击面。近期针对恶意 agent skills 的实证研究与检测框架都表明，这类风险既不是传统恶意代码扫描能完全覆盖的，也不是普通提示词安全就能解决的。SkillSieve

4. 评价体系碎片化且可比性差
   同样叫“网页代理”，WebArena、WebArena-Verified、WebVoyager、BrowseComp 测的是不同事；同样叫“电脑使用”，OSWorld、OSWorld-Verified、不同步数上限和不同输入模态也会产生巨大的分数差异。GAIA、τ-bench、TheAgentCompany、SWE-bench 则分别对应通用助理、协作对话、数字员工和代码修复。今天的一个现实问题是：榜单越多，越容易“各赢一项”；真正缺的是跨环境、跨预算、跨风险等级、可复现实验设置下的综合评价。

5. 训练数据与信用分配
   很多 agent 成功来自人工脚手架，而非模型真正学会了在环境中优化策略。Agent Lightning、MUA-RL 和 EDGE 等工作共同说明，agent 学习面临三个核心困难：轨迹长而稀疏、用户与环境是动态的、好的训练样本不容易采。也正因此，agent 训练到今天仍高度依赖合成数据、工具反馈和局部 reward 设计，尚未形成类似语言建模那样统一、稳定的规模化学习范式。

6. 经济性与部署性
   前沿 agent 往往需要长上下文、多轮推理、频繁工具调用、截图/DOM/执行环境、日志与缓存，这些都会显著推高成本和延迟。Anthropic 在 computer use 发布时坦言其系统“slow and often error-prone”；而小模型与边缘 agent 方向之所以迅速升温，恰恰是因为现实应用要面对 token 成本、响应延迟、数据隐私和设备约束。换言之，很多 agent 难题并不只是“做不出来”，而是“做得出来但做不起”。在企业集成里，这个问题还会以另外三种更工程化的形式出现：把杂乱知识一股脑灌进向量库的 Dumb RAG，直接对接脆弱遗留 API 的 Brittle Connector，以及缺乏中断机制、只能靠高频轮询维持状态的 Polling Tax。它们共同说明，很多试点失败并不是因为模型完全无能，而是因为系统把非确定性的 agent 强行接在为确定性软件设计的旧接口上。

一个更稳妥的工程方向，是把 agent 从“主动高频询问一切”的流程，改造成“在受控状态下被事件唤醒”的流程。也就是说，长期看企业级 agent 更适合接入事件总线、Webhooks 和消息队列，而不是依赖持续轮询、无限上下文和层层嵌套的同步 API 链路。这样做不只为了省 token，更是为了把延迟、成本和故障传播范围控制在可治理的边界内。

理想智能体与现实差距

理想智能体至少应满足八个条件。它应当能主动澄清目标而不是机械执行模糊命令；能建立和更新世界模型，进行因果与反事实规划；拥有可持续但可修正的长期记忆；能跨文本、网页、桌面、API 和物理环境稳健行动；在出错时能定位、解释并自行修复；对人类可解释、可审计、可中断；在安全上默认最小权限、默认高风险需审批；同时具备足够高的效率、隐私保护和社会协作能力。这样的系统更像“具有制度约束的软件同事”，而不只是“更会说话的模型”。这一理想并不是空想，它恰好对应了当前所有主流研究路线正在分别修补的能力缺口。

如果把这些要求进一步落成系统设计语言，理想智能体至少应由四层能力共同支撑。第一层是运行时容器层：负责执行循环、沙箱隔离、生命周期钩子、日志审计与最小权限控制，保证 agent 的每一步都在可观测、可中断的边界内。第二层是技能与动作层：把工具调用从零散 API 提升到可复用的 skills、可执行代码动作空间和更明确的权限治理，使“会做事”不只是提示词碰运气。第三层是记忆与协同层：通过 user / run / agent / app 等不同作用域管理状态存储、共享事实与异步事件唤醒，避免把所有信息都挤进单一上下文。第四层是安全与伦理层：在语义防御、审批、多模型审计、危机阻断和合规日志之上，限定 agent 可以做什么、何时必须交还控制权。这样理解“理想智能体”，比单纯追求一个更强的基础模型，更接近真实系统的建设顺序。

如果把这八个条件压缩成一句话，理想智能体应当同时具备：

• 会澄清：知道什么时候该追问和确认约束。
• 会记忆：知道什么该保留、什么该遗忘、什么该检索。
• 会行动：能在多环境中稳定执行，而不是只会生成文本。
• 会纠错：能发现失败、解释失败并进行恢复。
• 可治理：始终处于可审计、可中断、最小权限的制度边界内。

下图是一个综合性、解释性的能力差距图。它不是单一 benchmark 的原始分数，而是根据上文涉及的公开基准、系统文档和安全资料，对当前前沿智能体在八个关键维度上的大致位置做出的归一化判断：短链工具使用、软件工程和 GUI 操作进展最快；长程规划、长期记忆、安全稳健与社会协同仍是最主要短板。其支撑依据包括 WebArena、OSWorld、TheAgentCompany、SWE-Bench Pro 以及官方安全文档。

xychart-beta
    title "前沿智能体相对理想状态的综合差距"
    x-axis ["工具","编码","GUI","规划","记忆","可控","安全","协同"]
    y-axis "归一化评分" 0 --> 10
    bar [8,7,7,4,4,5,4,5]
    line [10,10,10,10,10,10,10,10]

如果只给出一个最现实的研究路径排序，我会建议：先把“可验证长程任务成功率 + 安全运行时 + 状态管理 + 小模型路由”做到位，再讨论更宏大的通用智能体叙事。原因很简单：过去三年的经验一再表明，真实世界 agent 的主要收益不是来自“更会聊天”，而是来自“更能稳定完成任务”。而稳定性，来自验证、约束、观测、复盘和最小权限，不只来自模型本体的更强推理。

结论与建议

综合历史与现状，可以得出一个相对稳健的判断：AI 智能体研究已经从“概念期与原型期”进入“系统工程期”，但距离“通用、可靠、低成本、可审计的理想智能体”仍有实质差距。这个差距不是单点模型能力差距，而是多方面的系统性缺口：长程规划、状态管理、真实环境 grounding、工具安全、协议治理、评测统一和部署经济性。过去三年最重要的启示，是 agent 不是 LLM 的一个“插件功能”，而是在模型之上重新建立的一层软件体系。

面向研究者

对研究者而言，最值得投入的方向不是继续做“又一种脚手架”，而是围绕可复现环境、统一评测、验证器、agentic RL、长期记忆更新规则、因果/世界模型与协议安全建立更加通用的科学问题。特别是长程任务、开放约束与错误恢复，应成为比静态 benchmark 更优先的核心评价对象。

面向企业与机构

对机构和企业而言，更可操作的建议是把智能体建设分成三个层级：

1. API-first 的低风险代理：优先落在检索、文档处理、受限工具调用和结构化工作流上。
2. 带人审的高价值代理：适合代码修复、分析、报表、内部流程。
3. GUI/浏览器/桌面型高自主代理：必须运行在隔离环境、最小权限策略与全量审计日志之下。

不要一开始就把最危险、最不稳定的代理形态投向生产。官方文档和治理报告都明确支持这种“分级部署、先易后难”的路径。

如果再把顺序说得更直接一点，一个常见且可执行的落地路线是：先做受控 runtime，再做记忆治理，再做技能审计与事件驱动，最后才逐步提高自主性。原因是，缺乏运行时边界和状态治理时，新增的每一点自主能力都会放大系统风险；而在容器、权限、记忆和事件机制都可控后，智能体的能力扩张才更像“可管理的软件升级”，而不是“把更多不确定性推向生产环境”。

面向治理与标准制定

对政策制定者与行业组织而言，优先事项应是建立 agent 运行时治理标准，而不是仅按模型名称做静态监管。更重要的标准包括：

• 权限最小化
• 人类审批节点
• 事故与越权日志
• 输入隔离
• 工具注册与白名单
• 第三方协议安全要求
• benchmark 与系统卡的披露规范

就当前行业状态看，MCP、A2A、企业 agent runtime 与可观测性体系正在成为“智能体基础设施层”，这里既是创新高地，也是新的安全与治理边界。

如果用一句话概括本报告的最终判断，那就是：当前智能体已经在局部任务上接近“可用”，但距离“可信赖的通用行动者”仍相差一个完整的软件与治理层。未来几年最有价值的研究，不会是单纯追求更像人的输出，而是构建更像“可靠制度”的 agent 系统。

附录：参考文章链接

本章正文为了保持书稿可读性，没有在段落中密集保留脚注编号；如果你希望继续追溯原始资料，可以从下面这些公开文章、技术文档与榜单开始。

基础定义与经典脉络

• AIMA 第 2 章：Intelligent Agents
• Computing Machinery and Intelligence
• REPORT ON A GENERAL PROBLEM-SOLVING PROGRAM
• The Physical Symbol System Hypothesis: Status and Prospects
• How to Build Complete Creatures Rather than Isolated Cognitive Simulators
• Soar Homepage
• Agent Oriented Programming
• BDI Agents: From Theory to Practice
• Is it an Agent, or just a Program?: A Taxonomy for Autonomous Agents

强化学习与基础模型能力

• Watkins & Dayan (1992)
• Human-level control through deep reinforcement learning
• Mastering the game of Go with deep neural networks and tree search
• Attention Is All You Need
• Training language models to follow instructions with human feedback
• A Generalist Agent
• Do As I Can, Not As I Say: Grounding Language in Robotic Affordances

LLM Agent 方法与记忆研究

• WebGPT: Browser-assisted question-answering with human feedback
• ReAct: Synergizing Reasoning and Acting in Language Models
• Generative Agents: Interactive Simulacra of Human Behavior
• MemGPT: Towards LLMs as Operating Systems
• Reflexion: Language Agents with Verbal Reinforcement Learning
• Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks
• Language Agents Meet Causality – Bridging LLMs and Causal World Models
• From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges

推理期扩展与 Agentic RL

• FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents
• How Inference Compute Shapes Frontier LLM Evaluation
• TEX: Test-Time Scaling Testing Agents via Execution-based Cross-Validation
• Agent Lightning: Train ANY AI Agents with Reinforcement Learning

评测、榜单与真实任务环境

• WebArena: A Realistic Web Environment for Building Autonomous Agents
• GAIA: a benchmark for General AI Assistants
• GAIA 论文 PDF
• SWE-bench Leaderboards
• TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks
• WebArena Leaderboard 2026
• TinyAgent: Function Calling at the Edge

工程框架、运行时与互操作

• Agents SDK | OpenAI API
• Computer use | OpenAI API
• Introducing ChatGPT agent: bridging research and action
• Introducing GPT‑5.4
• Computer use tool - Claude API Docs
• Introducing the Model Context Protocol
• 智能体开发套件 | Gemini Enterprise Agent Platform
• Announcing the Agent2Agent Protocol (A2A)
• microsoft/autogen
• LangGraph overview
• OpenHands
• Agent observability

Harness、Runtime 与协议

• Agent Harness for Large Language Model Agents: A Survey
• awesome-agent-harness
• Introducing the Model Context Protocol
• Announcing the Agent2Agent Protocol (A2A)

多智能体记忆与协同

• How to Design Multi-Agent Memory Systems for Production
• TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks

安全、治理与风险控制

• Mitigating the risk of prompt injections in browser use
• Developing a computer use model
• 智能体技术和应用研究报告

Skills 与供应链安全

• SoK: Agentic Skills – Beyond Tool Use in LLM Agents
• Malicious Agent Skills in the Wild: A Large-Scale Security Empirical Study
• SkillSieve: A Hierarchical Triage Framework for Detecting Malicious AI Agent Skills