9.1.3 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
如果想看更完整的 AI 时间线，可以把本节和 A.3 AI 发展史：15 个阶段与关键论文 放在一起读。本节只聚焦 Agent 这条线。
Agent 之前，自动化早就存在了
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。
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。
工作流时代：比规则更强，但还是偏固定
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：
- 识别用户意图
- 调数据库
- 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”。
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。
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。
大模型出现前，为什么很难做通用 Agent？
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
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
大模型把哪件事改变了？
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。
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。
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”。
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。
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"))
预期输出：
请查看退款政策。
请查看证书说明。
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"))
预期输出：
根据知识库：退款政策：7 天内且学习进度低于 20% 可退款。
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)
预期输出：
['先判断问题类型', '决定调用政策检索工具', '拿到证据：退款政策：7 天内且学习进度低于 20% 可退款。']
根据检索到的政策，回答如下：退款政策：7 天内且学习进度低于 20% 可退款。
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。
从 AutoGPT 热潮到今天
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。
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。
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。
今天的 Agent 更像什么？
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
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
初学者常见误区
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。
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。
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
- 给
simple_agent()再增加一个工具，比如“计算器”。 - 用自己的话总结规则机器人、工作流和 Agent 的区别。
- 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？