智能体的今生与来世：从 ReAct 到自我进化

核心洞察

这篇文章最有意思的地方，是把智能体四年多的演进拆成了六个阶段。看完你会发现，2023 年 AutoGPT2023年开源的目标导向自主Agent实验，虽然当时不够可靠，但证明了Agent概念可行性，推动了可控Agent框架的发展。 摔的那一跤，直接决定了今天所有大厂都在做「可控智能体」。第六阶段说的自我进化一旦真跑起来，智能体就不再是你指挥的工具了。

2026 年，大家聊 AI 的话题已经从「哪个模型更聪明」变成了「哪个智能体更能干活」。但不少人还是分不清智能体和 ChatGPT。这篇文章打算从头捋一遍：智能体是什么、怎么一路走来的、各家在做什么、接下来往哪走。

核心结论

1. 2022 年提出的 ReAct一种代理执行模式，结合推理和行动（Reasoning + Acting），使代理能够在思考后调用工具并观察结果。 循环（观察→思考→行动）是智能体的底层引擎，2022 年至今所有主流智能体框架都建立在该循环的变体和扩展之上。

2. 2023 年 AutoGPT 验证了智能体概念可行，但暴露出纯自主循环不可靠的核心缺陷，这一教训直接催生了后来所有「可控智能体」框架和工程化标准。

3. OpenAI 于 2023 年 6 月引入函数调用，把工具调用从提示词工程变成可调试、可上生产的工程标准；2024 年 11 月 Anthropic 开源 MCP 协议后，MCP 事实上成为工具连接的统一标准，2025 年官方 MCP 服务器超过 100 个，社区贡献达数千个。

4. 2024 年 10 月 Anthropic 发布电脑操作功能，让智能体无需依赖 API、直接通过截图、鼠标和键盘操作任意有界面的软件，标志着全球软件原则上都成为智能体可操作的工具。

5. 2026 年智能体进入自我维护阶段：Hermes Agent开源AI代理，可执行Shell命令、编写Python脚本、管理长期记忆，并通过Telegram等网关交互。 v0.12.0 的自主管家每 7 天自动对技能库进行评分、整合和清理；Google 主导的 A2A 协议由 Linux 基金会管理、150 多家组织加入，成为智能体间通信的开放标准。

一、智能体是什么

从问答机到行动者

大语言模型说白了就是一台做「下一个词预测」的机器，只是这台机器复杂得吓人。你问一句，它答一句。它活在对话框里，上下文窗口就是它的整个世界，窗口一关，啥都不剩。

智能体干的事不一样。它要的是「代你完成任务」，回答只是捎带的事。

最简洁的定义：智能体 = 大语言模型 + 感知 + 规划 + 记忆 + 行动

这四样凑齐了，AI 才从「帮你写一封邮件」变成「每天早上帮你检查邮件、筛出重点、起草回复、等你点头再发出去」。

和普通助手的本质差异

普通 AI 助手的流程是你在前面拉，它在后面跟，每一步都得你下指令。智能体的流程反过来：你给个目标，剩下的事它自己安排。拆任务、调工具、处理报错、交付结果，全是它的事。

这哪是渐进式改进，整个玩法都变了。

二、进化六阶段：智能体的完整历史

第一阶段：ReAct 的诞生（2022）

2022 年，普林斯顿和谷歌研究院发了篇论文，核心思想就一句话：让推理和行动协同起来。论文就是后来人人都在说的 ReAct，作者是姚顺雨等人。

论文里提出一个后来改变一切的简单循环：

观察 → 思考 → 行动 → 观察 → 思考 → 行动 → ...

拆开看是这样：

思考：「用户问的是实时天气，我得先调搜索工具」
行动：调用天气接口
观察：返回「北京 26℃ 晴」
思考：「有答案了，可以回复」
回复：「北京现在 26℃，晴天。」

这个循环看着不起眼，意义很大。它头一回让大语言模型学会了「先想清楚再动手，干完看结果再想下一步」。在这之前，大模型就是直觉机器，只会预测下一个词，谈不上规划。

ReAct 是智能体的底层引擎。从 2022 年到现在，所有智能体框架的核心都是这个循环的变体和扩展。

第二阶段：AutoGPT 的疯狂实验（2023 年初）

2023 年 3 月，一个叫 Toran Bruce Richards 的开发者把 ReAct 框架包了一层「目标导向」的外壳，取名 AutoGPT，推到了 GitHub 上。

两周之内，AutoGPT 成了 GitHub 历史上涨星最快的项目之一。

它的想法很直接：给 AI 一个长期目标，让它自己循环拆解、执行、验证，直到干完。

目标：「帮我建一个能自动发推文的账号」
→ 子任务 1：注册推特开发者账号
→ 子任务 2：研究推特接口限制
→ 子任务 3：写发帖代码
→ 子任务 4：测试
→ ...

大部分时候，AutoGPT 在转圈。

它陷入无限循环、输出无关内容、子任务越拆越碎，永远收不了尾。同期还有个更激进的 BabyAGI，表现也差不多。

为什么失败？当时的 GPT-3.5 和 GPT-4 早期版本，在循环里缺少「判断当前结果够不够好、该不该停」的能力。智能体的瓶颈在控制系统，不在智力，循环里没人做质量把关。

AutoGPT 的历史意义有两层。它证明了智能体这个概念跑得通，也告诉所有人，纯「自主循环」上了真实场景就不够可靠。这个教训直接催生了后面所有「可控智能体」框架。

第三阶段：函数调用让工具调用变成标准（2023 年中）

2023 年 6 月，OpenAI 给 GPT-3.5-turbo 和 GPT-4 加了函数调用能力。

这是智能体发展史上最关键的一个基础设施决策。

在此之前，想让 AI 调工具得靠一堆提示词工程。引导 AI 输出一段格式化文本，再用代码解析，再调用。不稳定、不可靠、不标准。

函数调用让模型直接输出结构化的 JSON：

{
  "name": "get_weather",
  "arguments": {
    "city": "北京",
    "unit": "celsius"
  }
}

开发者拿到这个 JSON，去调真实的天气接口，把结果塞回模型。整个流程可预测、可调试、能上生产。

Anthropic 随后跟进，Claude 3 系列推出了工具使用。Google 在 Gemini 上也做了类似能力。

函数调用把「AI 调工具」从实验室技巧变成了工程标准。从这一刻起，凡是有接口的软件，原则上都能被智能体操作。

同期爆发的 LangChain 生态正好吃到这波红利。一套链式编排框架，几百个预集成的工具包，开发者能快速搭出智能体原型。到 2023 年底，LangChain 已经是人工智能工程师的默认工具箱。

第四阶段：多智能体协作与 MCP 协议（2024）

单个智能体的上限，是一个啥都会但容易过载的人。多智能体的思路是让不同智能体各管一摊，像团队一样配合。

MetaGPT 来自清华团队，把软件开发流程映射成智能体角色。产品经理智能体写需求文档，架构师智能体设计系统，工程师智能体写代码，测试智能体验收。角色分工之后，复杂任务的成功率提升了不少。

AutoGen 来自微软，用的是更灵活的双智能体架构。用户代理和助手代理来回对话，人可以在任意环节插进去。

CrewAI 上手容易，适合快速搭原型，定制性弱一些。

同年 11 月，Anthropic 开源了 MCP（模型上下文协议）。

MCP 的定位是智能体工具调用的 USB 标准。

在 MCP 之前，每个框架都有自己的工具接入方式。LangChain 一套，OpenAI 一套，互不兼容。MCP 提供了一套标准接口，任何支持 MCP 的智能体，可以直接用任何 MCP 服务器提供的工具，不用重新适配。

2025 年 MCP 生态爆炸式增长。GitHub、Slack、Jira、Notion、数据库，超过 100 个主流工具发布了官方 MCP 服务器，开源社区贡献的更多，有数千个。

MCP 出来之后，智能体的工具边界第一次开始消失。

第五阶段：电脑操作与深度智能体（2024 年末 - 2025）

2024 年 10 月，Anthropic 发布了 Claude 3.5 Sonnet 的电脑操作功能。

这是一次质的跃迁。

之前的工具调用都依赖接口。软件必须有接口，智能体才能操作它。全球绝大多数遗留软件没有接口，智能体根本碰不到。

电脑操作让 Claude 直接看截图、移鼠标、点按钮、敲键盘。任何有界面的软件，不管有没有接口，Claude 都能像人一样操作。

这意味着，全球所有软件，原则上都成了智能体可以操作的工具。

同期上线的 Claude Code，是面向开发者的深度智能体。它能读整个代码库、写代码、跑测试、修 bug、提合并请求。它做的事已经超出「帮你写代码片段」的范畴，更像是作为真实开发者参与你的项目。

OpenAI 在 2025 年初推出了 Operator，一个能自主在浏览器里完成多步任务的智能体。订餐厅、填表单、下订单，不需要用户每一步都介入。

OpenAI 的 Agents SDK 也在同年发布，是 Swarm 实验项目的生产版本，提供四个核心原语：智能体、移交、护栏、追踪。

这一阶段最明显的变化是智能体开始有了全局视野。它已经走出对话框，能在你的电脑和服务器上持续运行、完成真实工作，是个不折不扣的数字员工。

第六阶段：自我进化智能体（2025 - 2026）

2026 年的新主题：智能体开始维护自己。

Hermes Agent（NousResearch 出品）的核心命题就是这样。智能体不只执行任务，每次任务结束后会自动反思，把有价值的经验写成「技能文件」，下次遇到相似问题时直接调用。

Hermes Agent v0.12.0 的自主管家功能把这个逻辑又推了一步。系统后台每 7 天自动跑一次，对技能库做评分、整合、清理。用户不用管，智能体自己保持整洁高效。

同期，Google 推出了 A2A（智能体间通信协议），由 Linux 基金会管理，150 多家组织加入。A2A 解决的是：不同框架的智能体怎么互相发现、委托任务、协作完成。如果说 MCP 是智能体和工具之间的 USB 接口，A2A 就是智能体之间的共同语言。

这一阶段的核心特征：智能体从「执行者」变成了「系统组件」，一个能自我维护、能和其他智能体协作、能持续学习的实体。

三、各家路线：一张全景地图

OpenAI：开发者生态优先

OpenAI 的智能体路线，是从产品出发，往平台进化。

OpenAI 的策略是先占领开发者的脑子，再建生态护城河。目前它拥有最大的开发者社区和最成熟的应用生态。缺点也明显，Assistants API 代表的旧路线快退役了（2026 年 8 月），给不少开发者添了麻烦，框架变动也频繁。

主打产品：ChatGPT（消费级）、Operator（浏览器智能体）、Agents SDK（开发者）

Anthropic：安全、能力、协议三管齐下

Anthropic 的特点是：每次发布都比同行慢半步，但质量更高，也更强调安全。

Anthropic 最聪明的一步是开源 MCP。用一个开放标准把生态建起来，让工具集成商都朝着它的规格做开发，形成网络效应。MCP 事实上已经是业界标准。

定位：推理质量加安全边界加企业合规。法律、金融、医疗、政府这些行业是它的主场。

Google：企业基础设施加多模型战略

Google 在智能体赛道的独特优势是垂直整合。从模型（Gemini）到开发框架（ADK）到托管运行时（Vertex AI Agent Engine）到企业前台（Gemini Enterprise），一条龙。

ADK 的设计思路和 OpenAI、Anthropic 不一样。它把多智能体系统当第一公民，单个智能体反而排在后面。语言上支持 Python、TypeScript、Go、Java，面向企业多语言团队。

A2A 协议的意义不在眼前。MCP 解决的是「一个智能体怎么用工具」，A2A 解决的是「一群智能体怎么协同工作」。

定位：企业级智能体基础设施，和 Google Workspace 深度整合。

微软：从 AutoGen 到企业 AI 平台

微软通过对 OpenAI 的战略投资（估值 1570 亿美元，占股约 30%），直接在产品层面整合了 GPT 能力。它自己的独立贡献主要有几块：

• AutoGen（2023）：双代理对话框架，专注代码生成和软件开发自动化
• Magentic-One（2024）：五个预设智能体的通用任务框架
• 微软智能体框架（2025）：AutoGen 的生产化继任，和 Azure AI Studio 深度整合
• GitHub Copilot：目前落地最广的编程智能体，月活开发者超过 1500 万

微软的策略很务实：模型那摊它不掺和，专攻场景。把智能体能力嵌进 Office 365、GitHub、Teams、Azure，靠已有的企业客户基础快速落地。

开源阵营：从 LangChain 到自托管智能体

Hermes Agent 和 OpenClaw 的出现，标志着开源智能体进入了「生产可用」阶段。持久记忆、多平台接入、技能系统、数据本地化，都是面向真实长期使用场景设计的，不再是实验框架。

四、技术架构：四个核心问题

记忆系统：智能体的长期脊柱

智能体记忆分四个层次：

1. 上下文内记忆：当前对话窗口里的内容。速度最快，但有上限，就算把上下文窗口开到 100 万 token 也会满，关了窗口就没了。
2. 外部记忆：向量数据库加检索。能装海量知识，但检索相关性是命门，质量不太稳定。
3. 文件系统记忆：结构化存到 SQLite、JSON 或 Markdown 文件里。Hermes Agent 的技能文件就是这一类，可读、可编辑、可移植。
4. 模型微调：把知识烧进权重。成本最高、最持久，更新也最慢。

生产级智能体通常用第二层加第三层的组合。向量检索覆盖大量知识，文件系统存放个人偏好和可复用技能。

工具调用：从函数调用到 MCP

工具调用的演进路径：

早期提示词工程（不稳定）
→ 函数调用 JSON（2023，结构化但各家私有）
→ MCP 服务器（2024，开放标准，一次实现到处用）
→ A2A（2025，智能体之间的协作协议）

MCP 之后，工具生态的建设成本下降了一大截。开发者实现一次 MCP 服务器，所有支持 MCP 的智能体都能用。2025 年 MCP 服务器数量从零涨到几千个，就是这个原因。

规划机制：从思维链到行动链

思维链是 2022 年谷歌的论文提出来的，让模型先输出中间推理步骤。o1 系列把它内化成了训练目标。

行动链是 2026 年的新范式。智能体不只思考，还主动探索。不确定某个工具怎么用，先发起低风险的实验去推断接口行为，再执行主任务。

这是一种元认知能力。智能体知道自己不知道，会主动去验证，不瞎猜。

多智能体协调

单个智能体的局限在认知负载。任务复杂到一定程度，一个上下文窗口装不下所有信息，可靠性断崖式下降。

多智能体的核心设计模式有三种：

• 分层架构：编排智能体负责规划和分配，子智能体负责执行具体子任务
• 专家智能体网络：每个智能体专精一个领域，代码、数据、通信、文件管理分开
• 检查点加人工介入：在关键决策点暂停，等人类审批，再继续

2026 年 4 月，Anthropic（Claude 托管智能体）和 OpenAI（Agents SDK 大更新）在同一周发布了几乎相同的多智能体基础设施架构。这是行业收敛的信号。智能体到底该怎么搭，头部厂商已经达成共识。

五、2026 年的现状：哪里还在打架

已经收敛的部分

• 工具调用标准：MCP 事实胜出，OpenAI、Google、微软都已支持
• 单智能体架构：控制面和计算面分离，带检查点的沙箱执行，已成标配
• 记忆系统：短期靠上下文，长期靠向量库或文件，组合方案基本固定

仍在争夺的部分

• 智能体间通信协议：A2A（Google 和 Linux 基金会）对各家私有实现
• 自主权边界：多少自主权算合理？出了问题谁负责？
• 本地还是云端：Hermes、OpenClaw 等自托管路线对 OpenAI、Anthropic 的托管路线
• 智能体操作系统：下一个战场，智能体会不会取代部分操作系统层的调度功能

六、未来方向

智能体操作系统：下一代操作系统的候选

2026 年 4 月，ColaOS 提出了更激进的概念。传统操作系统调度 CPU、内存、输入输出；智能体操作系统调度的是智能体、工具调用和人机交互。

它不替代操作系统。它在操作系统上面多跑一层，你的所有数字任务，都经过这个智能体层来路由和执行。

早期信号已经出现。苹果的智能功能深度整合 Gemini（Google 拿了 10 亿美元的合作），Siri 从「语音助手」往「智能体前台」转型。你和 AI 的交互界面，可能从「应用」变成「智能体」。

分布式主权智能体

当前智能体有个核心矛盾：你希望它越聪明、越能干，但越聪明越能干，意味着更多数据流向云端，更多隐私风险。

未来的方向是决策和执行解耦。

决策层在本地运行，用轻量模型加规则，处理隐私数据，做访问控制。执行层调用云端大模型完成需要强推理的部分，但只传脱敏后的任务描述。

Hermes Agent 的「数据留在你的服务器」路线，就是这个方向的早期形态。

自我进化：从规则到主动

目前 Hermes Agent 的自主管家是规则驱动的技能管理：清理、整合、评分。

下一步是意图驱动的自我进化。智能体根据主人的长期目标，主动识别自己的短板，设计实验，优化自身的技能库和行为模式。

这有点像强化学习，但发生在智能体层，比模型层成本更低、周期更短、也更贴近具体用户的场景。

已经有早期实验把遗传算法用在提示优化上。智能体自动测试不同的提示写法，留下效果最好的。这个过程本身也是一个 ReAct 循环。

结语

从 2022 年的 ReAct 论文，到 2026 年的自主管家，智能体的每一次演进，都是在让那个最基础的循环更完整、更可靠、更自动化：

观察世界 → 思考 → 采取行动 → 看结果 → 调整 → 再观察

这个循环就是智能的本质，人类如此，AI 也如此。

区别只在于，现在的智能体，第一次开始有能力自己维护这个循环了。

参考资料：OpenAI Agents SDK 文档、Anthropic MCP 官方文档、Google ADK 文档、Hermes Agent GitHub 仓库、ReAct 原论文。

常见问题（FAQ）

AI Agent和普通AI助手到底有什么区别？

普通AI助手需逐步指令，你在前面拉它在后面跟；智能体只需给目标，自己拆任务、调工具、处理报错、交付结果，从被动跟随变为主动行动，整个玩法都变了。

AI Agent的六个演进阶段分别是什么？

一、ReAct诞生（2022）；二、AutoGPT的疯狂实验（2023初）；三、函数调用成为标准（2023中）；四、多智能体协作与MCP协议（2024）；五、电脑操作与深度智能体（2024末-2025）；六、自我进化智能体（2025-2026）。

MCP和A2A协议有什么区别？

MCP是智能体与工具之间的USB标准，解决工具调用一致性问题；A2A是智能体之间的通信协议，解决跨框架智能体互相发现、委托任务、协作。MCP管工具，A2A管智能体间协作，两者互补。