AI Agent为何从'代理'升级为'智能体'?智能的内涵是什么? | 思考
作者：微信文章最近一段时间，和客户交流的全是智能体，以及智能体未来的形态应该是什么样子？是智己×阿里斑马智行开启“No Touch & No App”人车交互的新体验？还是阿里巴巴国际站的 AI 搜索引擎 Accio？亦或是夸克的 AI 超级框？
但最近一直在想一个问题，为何 ‘Agent’ 如今被翻译成了‘智能体’？而非沿用之前的‘代理’或者‘助理’？二者的本质区别何在？借鉴王坚院士在《在线》中的思路，回看历史可以帮助回答上述疑惑，因此概要的借助通义、DeepSeek 、快刀广播站等内容快速梳理了如下要点。学术上对智能体的定义可参考上篇笔记《智能体的本质及结构 | 笔记》。
1. 智能体概念的由来
从思想史维度看，智能体的概念萌芽可追溯至1950年。计算机科学先驱艾伦·图灵（Alan Turing）在论文《Computing Machinery and Intelligence》中抛出划时代之问：‘机器能思考吗？’（Can machines think?）。尽管文中未直接使用‘Agent’一词，但其对‘机器模拟人类思维’的探讨，为后续智能体的‘自主性’研究埋下伏笔。。
不过，那时候连个人计算机都没有，AI的能力也非常有限，只能下下国际象棋、做做简单的数学计算，根本无法完成复杂任务。因此，一些科学家开始思考：有没有可能让软件在不同的计算机或网络环境下，自主行动？如果让多个这样的智能体（Agent）互相协作，能不能完成更复杂的任务？
正是基于这种设想，那个时代开始逐渐发展出Agent智能体和多智能体系统的概念。科学家们希望让计算机程序不仅仅是被动执行命令的工具，而是能够自主决策、协作完成任务的“智能体”。
在1973 年，研究者卡尔·休伊特（Carl Hewitt）提出了“演员模型”（Actor Model，又译“参与者模型”，其核心是并发计算模型）。他把AI想象成一群活跃的“小演员”，它们能够在计算环境中自由发挥，不仅可以接收指令，还可以彼此交流、发送消息、做出反应。这种思想，为后来多智能体系统的研究奠定了基础。
到了1990年，智能体的概念开始逐步完善，一批学者开始尝试给它下定义，并在论文和书籍中进行系统阐述。其中，澳大利亚人工智能研究院的Anand Rao和Michael Georgeff提出了BDI模型，它成为了智能体研究中的重要理论框架。
这个模型由三部分组成：信念（Belief）指的是智能体对世界的基本认知，比如地图、信息库、知识库等，它需要有足够的背景信息才能做出决策；愿望（Desire）是智能体希望达成的目标，比如完成一项任务、实现某种效果；意图（Intention）则是智能体决定采取的具体行动计划，是它在各种可能性中选择的一条执行路径。
再往后，我们就进入了移动互联网时代，从Alexa到Siri，各种“智能个人助理”开始登场。只不过，以今天的标准来看，那时候的个人助理实在是太过基础，远远称不上真正的智能体。它们本质是预设指令的语音交互工具，功能局限于简单问答，甚至难以维持连贯的自然对话。而如今，随着AI能力的进化，智能体终于走到了真正实用的门槛前。
过去一年，GitHub上也冒出了不少这样的项目，比如Auto-GPT、BabyAGI 等，都号称能“自我思考、自我规划”，可以处理一系列复杂任务。虽然我们测试后发现，它们目前仍处于早期阶段，离真正的自主智能体还有差距，但已经足够令人兴奋和期待了。
最近 Manus的爆火，标志着智能体概念进一步升级。以前的智能体，通常需要提前设定好任务和角色，才能投入使用。而现在，Manus就像一个能力超群的全能助手，不管是编程还是绘画，拿到任务就能迅速上手，干得有模有样。
2. Agent 为什么现在被翻译成了智能体而不是沿用之前的代理？
从上述智能体概念的由来看，我想可能是但随着AI技术的复杂化，“代理”一词已难以涵盖其自主决策、学习能力等特性，故采用“智能体”以强调其智能化本质，也就是智能体中强调的“智能”属性：
（1）自主决策与规划：例如AutoGPT通过自我对话拆分任务，斯坦福虚拟小镇（Stanford Virtual Town）通过赋予智能体长期记忆与社会关系，模拟人类协作行为。
（2）持续学习与适应：例如基于强化学习的Agent（如AlphaGo Zero）可通过反馈优化策略，基于向量数据库的长期记忆模块，使GPT-4驱动的智能体可跨会话持续学习。
（3）多模态与环境交互：例如Claude 3 Sonnet可通过API调用工具链完成复杂任务，体现对物理与数字环境的深度理解。
因此，智能体取代代理的核心原因在于：
（1）技术内涵升级：从被动执行到自主决策、多模态交互的质变。
（2）功能边界扩展：覆盖推理、规划、协作等人类核心智能特征。
（3）行业需求驱动：我们需要更精准的术语描述其智能化价值。
总结如下表格做对比：
维度传统代理现代智能体决策模式规则驱动目标驱动+环境感知交互能力单一API调用多模态输入/输出学习机制静态知识库在线强化学习+RAG应用场景自动化流程开放式任务协作
3. 智能体会是大模型发展的新一幕
如下图的材料是最近同客户讨论最多的一页材料，核心观点和内容借鉴了陆奇博士的观点。应该来讲是大模型在知识和能力两个维度的快速进步，已能够支撑“智能”的属性。
页:
[1]