跳到主要内容

Agent 发展历程

学习目标​

完成本节后，你将能够：

  • 理解 Agent 不是突然出现的新概念
  • 说清楚规则系统、工作流和现代 Agent 的演化关系
  • 看懂“为什么大模型让 Agent 真正变得可用”
  • 用一个小例子体验不同阶段系统的差别

一、Agent 之前，自动化早就存在了​

1.1 最早的自动化更像“固定脚本”​

在没有大模型之前，很多自动化系统就已经在工作了：

  • 定时任务
  • 表单自动处理
  • 规则引擎
  • RPA 流程机器人

这些系统有价值，但共同特点是：

路线基本提前写死。

1.2 规则机器人更像“严格照剧本演”​

比如一个客服规则机器人可能这样工作：

  • 如果用户提到“退款”，回复退款条款
  • 如果用户提到“证书”，回复证书说明

它不太会真正规划，也不太会灵活换招。

二、工作流时代：比规则更强，但还是偏固定​

2.1 工作流是“可组合的固定流程”​

后来系统变得更复杂一些，开始出现：

  • 条件分支
  • 多步骤串联
  • 工具组合

比如：

  1. 识别用户意图
  2. 调数据库
  3. 调模板生成回复

这已经比纯规则更强，但很多时候仍然是“预先设计好的路”。

2.2 工作流为什么到今天仍然重要？​

因为它：

  • 稳定
  • 可控
  • 好调试

所以今天即使 Agent 很火，很多真实项目里依然大量使用工作流。

2.3 为什么工作流这条线直到今天都没过时？​

因为它满足了工程里最现实的三件事：

  • 稳定
  • 可控
  • 可审计

这也是为什么很多初学者后来会发现：

  • “更像 Agent”的系统不一定总比工作流更值

很多真实场景里，
工作流并不是旧时代残留，
而更像：

Agent 时代里仍然非常重要的地基。

三、大模型出现前，为什么很难做通用 Agent？​

3.1 因为“理解任务”本身很难​

过去系统擅长：

  • 按规则执行
  • 按结构化字段处理

但不擅长：

  • 读懂开放式自然语言指令
  • 在不确定场景里决定下一步

3.2 所以很多系统只能“自动化”，很难“智能体化”​

它们能做事，但做的通常是：

  • 固定、明确、结构化的事

而不是：

  • 带歧义、带上下文、需要动态判断的事

四、大模型把哪件事改变了？​

4.1 它让“自然语言 -> 可执行动作”的桥接变强了​

大模型最关键的改变之一，不只是更会聊天，而是更会：

  • 理解开放式指令
  • 生成结构化输出
  • 选择工具
  • 组织中间步骤

这意味着系统终于可以：

不必每一步都人工写死，而是让模型辅助决定下一步。

4.2 这就是现代 Agent 爆发的原因​

当大模型具备：

  • 指令跟随
  • 工具调用
  • 长上下文
  • 更强的规划能力

Agent 才真正从概念走向可用。

4.3 为什么很多人会把这一步看成真正的“门槛被迈过去”？​

因为在大模型之前，自动化系统大多只能：

  • 按模板走
  • 按固定结构走

而大模型第一次明显增强了：

  • 理解开放式指令
  • 生成结构化动作
  • 在模糊条件下继续推进任务

这就让很多人产生一种很强的感觉：

系统终于不只是“照着流程做事”，而开始更像“能围绕目标自己组织步骤”。

五、一个“进化版”小例子​

下面我们用同一个任务，看三种不同阶段的实现味道。

5.1 规则机器人​

def rule_bot(query):
    if "退款" in query:
        return "请查看退款政策。"
    if "证书" in query:
        return "请查看证书说明。"
    return "抱歉，我不理解你的问题。"

print(rule_bot("怎么退款"))
print(rule_bot("证书怎么拿"))

5.2 工作流系统​

def workflow_bot(query):
    if "退款" in query:
        doc = "退款政策：7 天内且学习进度低于 20% 可退款。"
        return f"根据知识库：{doc}"
    if "证书" in query:
        doc = "证书说明：完成项目并通过测试后可获得证书。"
        return f"根据知识库：{doc}"
    return "未命中流程节点。"

print(workflow_bot("怎么退款"))

5.3 简化版 Agent​

def tool_search_policy(keyword):
    docs = {
        "退款": "退款政策：7 天内且学习进度低于 20% 可退款。",
        "证书": "证书说明：完成项目并通过测试后可获得证书。"
    }
    for k, v in docs.items():
        if k in keyword:
            return v
    return "未找到相关政策。"

def simple_agent(query):
    steps = []
    steps.append("先判断问题类型")

    if "退款" in query or "证书" in query:
        steps.append("决定调用政策检索工具")
        evidence = tool_search_policy(query)
        steps.append(f"拿到证据：{evidence}")
        answer = f"根据检索到的政策，回答如下：{evidence}"
    else:
        steps.append("当前无法决定合适工具")
        answer = "抱歉，我还不会处理这个任务。"

    return steps, answer

steps, answer = simple_agent("如果我没学多少，可以退款吗？")
print(steps)
print(answer)

这个例子里，Agent 虽然还是简化版，但已经体现出“判断 -> 选工具 -> 利用结果”的结构了。

六、从 AutoGPT 热潮到今天​

6.1 早期热潮带来了什么？​

早期大家看到大模型可以：

  • 自己写计划
  • 自己调用工具
  • 自己循环执行

于是出现了大量“全自动 Agent”尝试。

6.2 后来大家更理性了​

实践下来发现：

  • 完全自由的 Agent 不一定稳定
  • 多步系统容易累计错误
  • 成本和时延会很高

所以行业逐渐走向更成熟的方向：

  • 用工作流约束 Agent
  • 用工具调用增强稳定性
  • 用评估和观测提升可控性

这是一种“从兴奋走向工程化”的过程。

6.3 为什么这段历史对初学者特别有价值？​

因为它会帮你避免一个很常见的误区：

  • 以为 Agent 一定是越自由越高级

但真实世界往往不是这样。
很多时候真正值钱的是：

  • 稳定
  • 可解释
  • 可恢复
  • 可回放

所以 AutoGPT 这段历史最值得记住的，不是热度本身，
而是它像一次全行业一起上的公开实验：

大家先看见了可能性，然后又被现实拉回工程约束。

七、今天的 Agent 更像什么？​

7.1 不再是“无限自主”，而是“有限自主”​

更成熟的 Agent 系统通常会：

  • 给定明确目标边界
  • 限制可用工具
  • 记录中间状态
  • 设置超时和安全护栏

7.2 它更像“带流程约束的智能执行器”​

这也是为什么现在很多团队并不追求“最自由的 Agent”，而更重视：

  • 稳定
  • 可回放
  • 可审计

八、初学者常见误区​

8.1 以为 Agent 历史就是从 ChatGPT 开始​

不是。
ChatGPT 和 LLM 只是让 Agent 进入了新阶段。

8.2 以为旧系统都落后了​

很多规则系统和工作流到今天依然是工业主力。

8.3 以为越自主越先进​

真实工程里，可控往往比“听起来更聪明”更重要。

小结​

这一节最重要的认识是：

Agent 不是凭空出现的新物种，而是自动化系统在大模型时代的一次能力跃迁。

理解它的历史，能帮助你更冷静地判断：
什么时候该用 Agent，什么时候其实工作流就够了。

练习​

  1. 给 simple_agent() 再增加一个工具，比如“计算器”。
  2. 用自己的话总结规则机器人、工作流和 Agent 的区别。
  3. 想一想：为什么很多团队在 Agent 项目里，最后还是会保留大量固定流程节点？