智能体思想的历史

​

概要

智能体思想的历史，最好理解为一连串试图修补前一范式弱点的尝试：符号推理、分布式协作、学习行为和大规模预训练，各自解决了一个问题，同时也暴露了下一个问题。

​

为什么重要

当你知道现代智能体系统继承的是哪个更早的问题时，就更容易理解它们。

• 符号系统追问的是如何显式表示知识
• 多智能体思维追问的是智能如何从协作中涌现
• 学习系统追问的是能力如何在不手工编码的情况下获得
• 大语言模型系统追问的是如何在任务特定交互之前装载广泛的先验知识

当前技术栈并不是对这些时代的彻底替代。它借鉴了所有这些时代的思想。

​

心智模型

一个有用的简史可以分成四步。

• symbolic era：专家系统和逻辑驱动程序表明，显式规则在狭窄领域内可以奏效，但它们在常识、脆弱性和知识获取方面遇到了困难。
• distributed intelligence era：诸如心智社会之类的思想，将智能重新定义为许多专门过程之间的协作，而不是某个完美中心的单点控制。
• learning era：连接主义和强化学习系统表明，有用的行为可以从数据和交互中学习，而不是完全在事先设计好。
• pretraining era：大语言模型将广泛的语言与世界先验装载进一个模型中，使推理、规划和工具使用在运行时变得容易得多。

贯穿其中的主线是问题压力。每个阶段的出现，都是因为前一阶段无法扩展到更高程度的模糊性、广度或自治性。

​

架构图

​

工具格局

历史上的思想仍然可以映射到今天的设计选择。

• 符号思维延续在工具、模式、协议和确定性工作流规则中
• 分布式思维延续在多智能体系统和模块化运行时中
• 学习延续在模型权重、评估器和策略优化中
• 预训练延续在现代基于 LLM 的智能体在看到任务特定上下文之前所拥有的广泛潜在先验中

这就是为什么现代智能体往往感觉是混合体，而不是纯粹体。最有用的系统会把显式结构和学习到的行为结合起来。

​

权衡

• 符号系统具有可解释性，但难以跨越混乱现实进行扩展。
• 分布式系统支持专业分工，但会增加协作成本。
• 学习系统具有适应性，但会让推理更难被审查。
• 预训练系统很灵活，但可能在看起来连贯的同时并不正确。

扎实的历史视角有助于避免错误的二分法。实际目标不是只选一个时代，而是为真实任务组合正确的思想。

​

引用

• Source input: Chapter 2 History of Agents
• Source input: Hello-Agents reference boundary

​

延伸阅读

• What Are Agent Systems
• LLM Foundations For Agent Systems
• Foundations Overview

​

更新日志

• 2026-04-21: 基于导入的参考材料和实验室改写规则，生成的首个仓库原生草稿。