Agent全景图：分类、流程与主流产品
AI Agent 是当前 AI 应用落地的核心范式之一。本文系统梳理了 Agent 的能力分类体系、完整执行流程、多轮 LLM 交互机制，以及截至 2025 年的主流产品格局。无论是工程师选型、产品经理规划路线，还是希望深入理解 Agent 底层逻辑的技术读者，本文都提供了完整的参考框架。
一、什么是 AI Agent？
从本质上说，AI Agent 是一种能够「感知环境 → 自主决策 → 执行行动 → 观察结果」并持续循环的智能系统。与传统的一问一答式 LLM 使用不同，Agent 具备三个核心特征：
- 自主性（Autonomy）：无需人类每步干预，能根据目标自行规划并采取行动。
- 工具使用（Tool Use）：可调用外部工具，如搜索引擎、代码执行器、数据库、API 等。
- 持久记忆（Memory）：维护跨轮次的上下文，积累知识，而不是每次从零开始。
Agent = LLM + 记忆 + 工具 + 执行循环
二、AI Agent 分类体系
AI Agent 的分类可以从两个维度来理解：经典的能力架构分类，以及更贴近工程实践的自主程度与交互方式分类。
2.1 视角一：按能力架构分类（学术经典）
这是由 Russell & Norvig 在《人工智能：现代方法》中奠定的框架，描述了 Agent 从简单到复杂的演进层次：
| 类型 | 核心能力 | 局限性 | 典型代表 |
|---|---|---|---|
| 简单反射型 Simple Reflex |
条件→动作规则 无记忆，无规划 |
无法处理未见过的情况 | 早期规则型聊天机器人 邮件自动回复系统 |
| 模型型 Model-Based |
维护内部世界状态 能记住上下文 |
无目标导向，被动响应 | 当前基础对话 AI ChatGPT 对话模式 |
| 目标型 Goal-Based |
任务分解 多步规划达成目标 |
不衡量方案优劣 | 早期 BabyAGI LangChain ReAct Agent |
| 效用型 Utility-Based |
多方案评分 选择最优行动 |
需定义准确效用函数 | 金融交易 Agent 推荐系统 Agent |
| 学习型 Learning Agent |
从经验自我改进 持续优化决策 |
训练成本高，收敛慢 | Devin（代码调试） AlphaCode |
2.2 视角二：按交互方式 & 自主程度分类（工业主流）
🔵 类型一：对话增强型（Chat + Agentic Tools）
本质是在对话框中加入工具调用能力，用户保持一问一答节奏。自主程度 L1～L3，是目前用户基数最大的 Agent 形态。
| 产品 | 核心特点 | 工具能力 |
|---|---|---|
| ChatGPT (OpenAI) | 最广泛用户基础，插件生态丰富 | 搜索、代码执行、图像生成、浏览 |
| Claude (Anthropic) | 超长上下文、强推理、工具调用 | 文件分析、搜索、代码执行 |
| Gemini (Google) | 与 Google 搜索深度集成，多模态 | 实时搜索、图像理解、文档分析 |
| Perplexity Pro | 搜索增强型，实时引用来源 | 联网搜索、学术库、多源整合 |
| Microsoft Copilot | 深度集成 Office 365 套件 | Word/Excel/PPT 操作、邮件、日历 |
🟠 类型二：通用自主型（General-Purpose Autonomous）
接受一个高层目标后自行规划执行，人类干预较少。自主程度 L3～L5，是当前技术边界探索最活跃的方向。
| 产品 | 核心特点 | 适用场景 |
|---|---|---|
| Manus AI | 跨应用自主执行，连接浏览器、代码编辑器 | 复杂信息汇总、自动化工作流 |
| OpenAI Deep Research | 长程推理 + 多轮联网搜索，自动输出报告 | 学术研究、竞品分析、市场调研 |
| Claude Code | 终端接口，不限于写代码，可执行系统级任务 | 代码库分析、文件操作、自动化脚本 |
| AutoGPT | 2023 年先驱，定义自主 Agent 概念范式 | 实验性任务，开源社区探索 |
| MetaGPT | 多角色协作，模拟软件开发团队 | 软件项目从需求到代码全流程 |
🟢 类型三：计算机控制型（Browser / Computer Use）
直接操控浏览器或操作系统 UI，像数字人类一样使用电脑。自主程度 L4～L5，行动边界最广也最具争议。
| 产品 | 控制范围 | 特色 |
|---|---|---|
| OpenAI Operator | 专属浏览器，网页操作 | 订餐、购票、填表单，面向普通用户 |
| Claude Computer Use | 完整桌面（鼠标+键盘） | 跨应用协调，Anthropic API 提供 |
| Google Project Mariner | Chrome 浏览器 | Gemini 驱动，Google 生态深度集成 |
| Devin (Cognition) | 完整虚拟机（IDE+浏览器+终端） | 软件工程专用，可自主完成完整项目 |
| Browser Use（开源） | 多 LLM 后端支持 | Python 库，开发者自托管首选 |
🟣 类型四：多智能体协作型（Multi-Agent）
多个专业 Agent 组成协作团队，通过相互通信分工完成大型复杂任务。
| 框架 / 产品 | 协作模式 | 适用场景 |
|---|---|---|
| AutoGen（微软） | Agent 互相对话、辩论、审查 | 需要验证和反驳的推理任务 |
| CrewAI | 定义角色分工（研究员+作家+审校） | 内容生产、市场分析、报告生成 |
| LangGraph | 状态机驱动的 Agent 工作流 | 生产级复杂工作流，需精确控制 |
| Amazon Bedrock Agents | 企业级托管，内置安全护栏 | 企业内部自动化，合规要求高 |
| OpenClaw（前Clawdbot） | 本地自托管，消息平台驱动 | 个人 24h 助理，隐私优先场景 |
自主程度越高，能力越强，但风险和不可预测性也越高。
三、AI Agent 完整执行流程
理解 Agent 的执行流程，是理解所有 Agent 产品差异的关键。几乎所有主流框架都在这套元流程上做裁剪或强化，而不是推翻重建。
3.1 执行流程图
3.2 各主流框架实现方式对比
| 框架 / 模式 | 规划方式 | 循环控制 | 特色 |
|---|---|---|---|
| ReAct（LangChain） | 每步交替 Reasoning + Acting | 步骤级循环 | 最接近通用流程，透明度高 |
| Plan-and-Execute | 先完整规划再逐步执行 | 计划与执行分离 | 规划稳定，适合结构清晰任务 |
| AutoGPT / BabyAGI | 先生成完整 Task List | 外层任务列表循环 | 高度自主，容易越跑越偏 |
| Reflection Agent | 执行后自我评估并修正 | 结果驱动反思循环 | 质量最高，但调用次数多 |
| Multi-Agent | 多 Agent 分工规划 | Agent 间消息循环 | 适合复杂大任务，可并行 |
感知 → 检索 → 规划 → 行动 → 观察 → 判断（完成？）→ 输出 / 继续这个 OODA 循环（观察-判断-决策-行动）是所有 Agent 的共同本质。
四、多轮 LLM 交互：一个任务需要几次调用？
这是很多开发者初次接触 Agent 时最大的认知盲区：一个用户输入，可能会触发大量后台 LLM 调用。每一轮「推理→工具→观察→再推理」就是一次完整的 LLM 交互。
| 任务复杂度 | 典型场景 | LLM 调用次数 |
|---|---|---|
| 极简 | 直接回答，无需工具 | 1 次 |
| 简单 | 单次工具调用（如搜索一次） | 2～3 次 |
| 中等 | 多步骤任务（查询→计算→汇总） | 4～8 次 |
| 复杂 | 多工具、多阶段综合任务 | 10～20 次 |
| 自主型任务 | AutoGPT 类长程任务 | 无上限 ♾️ |
4.1 多轮交互带来的工程挑战
挑战一：Context 窗口膨胀
每轮都要将上轮推理和工具返回结果追加进 Prompt，Context 随轮次线性增长。到第 10 轮时，一个任务可能已消耗数万 Token。主流解法：
- 记忆压缩（Memory Summarization）：定期将历史轮次总结成摘要，替换原始对话。
- 记忆分层（Hierarchical Memory）：热记忆保留近期上下文，冷记忆归档到向量数据库按需检索。
- 滑动窗口（Sliding Window）：只保留最近 N 轮，丢弃过早的历史。
挑战二：错误累积（Error Propagation）
第 3 轮的推理偏差会在第 5 轮被放大，第 8 轮可能完全跑偏。主流解法：
- 自我反思（Self-Reflection）：每步执行后显式让 LLM 评估是否符合目标。
- Critic Agent：引入独立评审 Agent 对主 Agent 的行动进行纠偏。
- 最大步数限制（max_iterations）：设置硬上限防止无限循环，保障系统可控性。
max_iterations（建议 10～20）、记忆压缩策略，以及 Fallback 机制，否则容易出现超时、超额计费、结果漂移等问题。
五、2025 年主流 Agent 产品版图
| 类型 | 代表产品 | 开源 | 部署方式 | 核心优势 |
|---|---|---|---|---|
| 🔵 对话增强型 | ChatGPT / Claude / Gemini | ❌ | 云端 SaaS | 用户体验最成熟，生态最完整 |
| 🟠 通用自主型 | Manus AI / Deep Research | ❌ | 云端 SaaS | 任务自主程度高，少需人工干预 |
| 🟠 通用自主型 | Claude Code / AutoGPT | 部分 ✅ | 本地/云端 | 开发者友好，可定制性强 |
| 🟢 计算机控制型 | Operator / Computer Use | ❌ | 云端 API | 最广行动边界，可操控任意 UI |
| 🟢 计算机控制型 | Devin (Cognition) | ❌ | 云端 SaaS | 软件工程专用，完整虚拟环境 |
| 🟣 多 Agent 协作 | AutoGen / CrewAI | ✅ | 本地部署 | 灵活组合，适合复杂工作流 |
| 🏠 本地自托管型 | OpenClaw（前Clawdbot） | ✅ | 本地自托管 | 数据隐私，24h 在线个人助理 |
值得关注的 2025 年新趋势：
- 底层模型趋同：几乎所有主流 Agent 产品都依赖 GPT-4、Claude、Gemini 系列，产品差异越来越体现在工具链整合和架构设计上。
- 标准协议出现：Anthropic 发布 MCP（Model Context Protocol），尝试标准化 Agent 与外部工具的接口。
- 本地化 Agent 兴起：OpenClaw（前身 Clawdbot）等开源本地 Agent 走红，显示用户对数据隐私的强需求。
- Multi-Agent 走向生产：AutoGen、LangGraph 等框架逐渐从实验走向生产部署。
六、总结
AI Agent 经历了从「规则→记忆→目标→学习」的能力演进，又在工程实践中分化出对话增强、通用自主、计算机控制、多智能体协作四大产品类型。每种类型在自主程度、风险控制、用户体验上各有取舍。
在执行层面，Agent 的本质是一个持续循环的「感知-推理-行动-观察」系统，一个复杂任务可能需要数十次 LLM 调用。理解这一点，是设计可靠 Agent 系统的前提。
展望未来，随着 LLM 能力提升、工具协议标准化（如 MCP）和本地模型成熟，AI Agent 将从开发者工具快速向普通用户的日常助理演进。