03 · AI 技术经历了哪些主要发展阶段？ - AI Evolution
所属知识库：Agent 全栈技术地图
所属领域：01 · AI
所属章节：01 · 什么是 AI？如何发展？ - Fundamentals
文档类型：技术发展史与基础理论研究
版本：v1.1
更新日期：2026 年 10 月 27 日
核心问题：人工智能是如何产生和发展的？它经历了哪些重要技术阶段？不同技术路线如何演变？现代大语言模型、推理模型与 Agent 技术又是如何形成的？
专题导读
全文采用「历史阶段—关键技术—发展动因—技术影响」的研究结构。需要说明的是，2024—2026 年的技术变化仍在持续，本文将其视为正在发展的研究方向，而不是已经完成的历史阶段。
一、研究概述
人工智能（Artificial Intelligence，AI）的发展，是计算理论、数学、统计学、认知科学、神经科学和计算机工程等多个领域长期交叉研究的结果。
人工智能的核心研究目标，是探索如何通过计算方法，使机器能够执行感知、学习、推理、规划、决策和语言处理等具有智能特征的任务。
这一研究目标在不同历史时期形成了不同的技术路线。
早期研究者主要探索如何使用符号、逻辑和搜索算法实现推理与问题求解。随后，专家系统尝试将专业知识转化为计算机能够执行的规则。统计机器学习进一步推动了数据驱动的方法，而深度学习则通过多层神经网络扩展了计算机处理复杂数据的能力。
2017 年以后，Transformer 和大规模预训练推动了基础模型与生成式人工智能的发展。2024—2026 年，复杂推理、多模态交互、工具使用和 Agent 系统工程成为重要的研究与应用方向。
这些变化不仅提高了 AI 模型的任务表现，也逐渐改变了 AI 软件的开发方式。
1.1 人工智能发展的主要阶段
为了建立整体认知，本文将人工智能的发展划分为九个阶段。
| 阶段 | 大致时期 | 主要技术方向 | 核心变化 |
|---|---|---|---|
| 第一阶段 | 1940s—1950s | 理论奠基与学科形成 | 将机器智能转化为计算研究问题 |
| 第二阶段 | 1950s—1970s | 符号主义与早期神经网络 | 使用逻辑、搜索和学习模型实现智能行为 |
| 第三阶段 | 1970s—1980s | 专家系统与知识工程 | 将领域知识组织为可执行的推理系统 |
| 第四阶段 | 1980s—2000s | 统计机器学习 | 通过数据、概率模型和优化算法学习规律 |
| 第五阶段 | 2010s | 深度学习 | 利用多层神经网络学习复杂的数据表示 |
| 第六阶段 | 2017—2022 | Transformer 与基础模型 | 大规模预训练推动模型能力复用 |
| 第七阶段 | 2022—2024 | 生成式 AI 与通用模型应用 | 对话式 AI、多模态生成和模型服务快速发展 |
| 第八阶段 | 2024—2026 | 推理模型与 Agentic AI | 推理阶段计算、工具使用和复杂任务执行发展 |
| 第九阶段 | 2025—2026 | AI 系统工程与平台化 | 运行环境、可靠性、治理和平台能力受到更多关注 |
说明：以上是本文采用的研究性分期，并非学术界统一认可的历史阶段划分。
不同阶段存在明显重叠。尤其是第六至第九阶段，分别强调模型架构、应用形态、执行能力和系统工程，并不是互相取代的连续技术代际。
1.2 如何理解人工智能的技术演进？
人工智能的发展可以从四条相互关联的线索理解。
第一条是智能实现方法的演进。 从符号规则、逻辑推理和搜索，发展到统计学习、神经网络和大规模预训练模型。
第二条是模型能力的演进。 从解决特定问题，逐渐扩展到复杂感知、语言处理、内容生成、多模态理解和复杂任务求解。
第三条是模型使用方式的演进。 从为特定任务开发独立模型，逐渐发展为通过 API、SDK、本地推理服务和工具接口复用通用模型。
第四条是系统工程的演进。 随着 AI 开始参与真实软件操作，开发者需要进一步解决任务编排、权限控制、状态管理、执行可靠性和平台治理等问题。
这四条线索共同构成了现代 AI 技术体系的发展背景。
二、第一阶段：理论奠基与学科形成（1940s—1950s）
2.1 计算理论为人工智能提供基础
人工智能的发展首先依赖现代计算理论和电子计算机技术的形成。
1936 年，Alan Turing 提出了后来被称为图灵机的抽象计算模型，为可计算性理论提供了重要基础。
随着电子计算机的发展，研究者开始探索一个新的问题：
如果机器能够执行形式化计算，那么是否也能够实现推理、学习和其他智能行为？
1950 年，Turing 发表《Computing Machinery and Intelligence》，讨论机器能否思考的问题，并提出模仿游戏（Imitation Game）。[1]
这一研究的重要意义，是尝试通过可观察的行为表现讨论机器智能。
但模仿游戏并不是评价所有 AI 能力的统一标准，也不能直接证明机器具有意识。
2.2 早期神经计算思想
1943 年，Warren McCulloch 和 Walter Pitts 发表《A Logical Calculus of the Ideas Immanent in Nervous Activity》，提出一种形式化的神经元计算模型。[2]
这项研究尝试使用逻辑与计算方法描述神经活动，为人工神经网络研究提供了重要思想基础。
由此可以看到，人工智能在早期就出现了两种重要研究方向。
一种强调通过符号、逻辑和规则实现智能行为；另一种则尝试通过神经网络式的计算结构研究学习与信息处理。
这两条路线在后续几十年中长期并存，并持续相互影响。
2.3 达特茅斯会议与人工智能学科形成
1955 年，John McCarthy、Marvin Minsky、Nathaniel Rochester 和 Claude Shannon 提交了达特茅斯人工智能研究项目提案。
提案使用了 Artificial Intelligence 这一名称，并提出探索机器学习、语言使用、抽象推理和问题求解等研究问题。
1956 年，达特茅斯夏季人工智能研究项目正式举行，通常被视为人工智能作为独立研究领域形成的重要标志。[3]
这一事件的意义，不仅在于确立了人工智能这一名称，也在于将多个原本分散的研究方向组织到一个共同领域中。
2.4 阶段总结
这一阶段主要完成了人工智能的理论准备与学科形成。
研究者开始将智能视为可以通过计算机制进行研究的问题，并探索如何使用形式化模型描述推理和学习。
核心突破：人工智能从哲学与认知问题，逐步发展为计算机科学中的正式研究领域。
三、第二阶段：符号主义与早期神经网络（1950s—1970s）
人工智能学科形成后，研究者开始构建能够解决实际问题的计算程序。
这一时期的重要技术方向包括符号推理、搜索算法、问题求解、自然语言交互和早期神经网络。
3.1 符号主义人工智能
符号主义人工智能（Symbolic AI）主要研究如何使用符号表示知识，并通过逻辑规则和搜索算法实现推理。
例如：
已知：
所有人都会死亡。
苏格拉底是人。
根据逻辑规则推导：
苏格拉底会死亡。在计算机中，这类推理可以通过形式逻辑、知识表示和推理算法实现。
符号主义的一个重要特点，是知识和操作规则通常具有明确的表示形式。
因此，系统的部分推理过程可以被检查和解释。
但对于复杂、模糊或不断变化的现实环境，人工构建完整的知识表示与规则体系可能十分困难。
3.2 早期问题求解系统
1950 年代，Allen Newell、Herbert Simon 和 Cliff Shaw 开发了 Logic Theorist，尝试使用计算机程序证明数学逻辑定理。
随后，研究者进一步开发通用问题求解程序（General Problem Solver，GPS）。
这些研究推动了基于符号操作、启发式搜索和问题空间表示的人工智能方法。
研究者希望通过相对通用的计算机制，使机器能够解决不同类型的问题。
不过，早期系统通常只能在经过简化和严格定义的问题环境中工作。
3.3 早期自然语言交互
1960 年代，Joseph Weizenbaum 开发了 ELIZA。
ELIZA 使用模式匹配和文本替换规则模拟自然语言对话。
它并不具备现代语言模型的训练机制，但展示了计算机程序如何通过语言形式与人类交互。[4]
ELIZA 也引出了一个持续至今的重要问题：
机器表现出类似人类的语言行为，是否意味着它真正具备相应的理解能力？
这一问题在现代大语言模型研究中仍然具有重要意义。
3.4 感知机与早期神经网络
1958 年，Frank Rosenblatt 发表感知机（Perceptron）相关研究。[5]
感知机是一类早期神经网络模型，可以通过训练调整参数，完成特定分类任务。
与人工编写全部判断规则不同，感知机展示了通过学习机制获得判断能力的可能性。
但早期感知机存在模型表达能力等限制。
1969 年，Marvin Minsky 和 Seymour Papert 出版《Perceptrons》，系统分析了特定感知机模型的能力与局限。[6]
这项研究对神经网络领域产生了重要影响，但不能简单认为它是神经网络研究在此后发展缓慢的唯一原因。
3.5 早期人工智能面临的问题
这一时期的研究取得了重要成果，但也逐渐暴露出技术限制。
符号推理系统在复杂问题中可能面临搜索空间迅速扩大的问题。
人工设计知识和规则的成本较高，也难以覆盖现实环境中的全部情况。
早期神经网络则受到模型结构、训练算法、数据规模和计算资源的限制。
这些问题促使研究者探索新的智能实现方法。
3.6 阶段总结
这一阶段，人工智能从理论研究进入具体程序实现。
符号主义展示了逻辑推理和问题求解的可能性，早期神经网络则展示了通过训练获得智能能力的可能性。
核心突破：研究者开始通过实际计算程序实现推理、搜索、语言交互和初步学习能力。
四、第三阶段：专家系统与知识工程（1970s—1980s）
随着早期通用智能研究面临困难，人工智能研究逐渐更加重视特定领域中的实际应用。
专家系统（Expert Systems）成为这一时期的重要发展方向。
4.1 什么是专家系统？
专家系统是一类利用专业知识和推理机制解决特定领域问题的人工智能系统。
典型专家系统可以简化为：
用户输入
│
▼
推理引擎
│
├── 读取知识库
├── 匹配规则
└── 推导结论
│
▼
输出建议或判断例如，医学专家系统可以根据症状、检查结果和医学规则，推导可能的诊断或治疗建议。
4.2 代表性系统
DENDRAL
DENDRAL 是早期具有代表性的专家系统之一，主要用于辅助分析化学结构。
它展示了如何将专业领域知识与计算方法结合。
MYCIN
MYCIN 是 1970 年代开发的医学专家系统，主要研究如何通过规则和不确定性处理方法辅助诊断细菌感染及选择治疗方案。
它成为知识表示和专家系统研究中的重要案例。
4.3 专家系统的技术意义
专家系统展示了人工智能在专业领域中的应用潜力。
与追求通用问题求解的早期研究不同，专家系统通过限制任务范围、引入专业知识，在部分复杂问题上获得了较好的表现。
这一时期也推动了知识工程（Knowledge Engineering）的发展。
知识工程研究如何获取、表示、组织和维护专业知识，使计算系统能够利用这些知识解决问题。
4.4 专家系统的主要局限
专家系统的发展暴露出一些重要问题。
知识获取困难。 将专家经验转化为明确规则，需要大量人工工作。
维护成本较高。 当领域知识发生变化时，需要持续更新知识库。
适应能力有限。 许多系统无法直接从大量新数据中自动学习。
应用范围受限。 系统通常依赖特定领域的知识，难以直接迁移到其他任务。
这些问题推动研究者进一步探索数据驱动的学习方法。
4.5 人工智能寒冬
人工智能历史上曾出现多次研究热度和投资下降的时期，通常被称为 AI Winter（人工智能寒冬）。
这一现象与技术能力未能达到预期、商业化困难和研究资金变化等因素有关。
常见的历史划分会将 1970 年代中后期，以及 1980 年代末至 1990 年代初视为两次重要低潮。
但人工智能寒冬并不意味着相关研究完全停止。
机器学习、神经网络、概率推理和其他技术方向仍然持续发展。
4.6 阶段总结
这一阶段，人工智能开始通过专业知识和推理机制解决特定领域中的实际问题。
专家系统推动了知识表示和知识工程的发展，同时也暴露了人工规则系统在维护和适应性方面的限制。
核心突破：人工智能开始形成面向专业领域的知识系统与应用方法。
五、第四阶段：统计机器学习兴起（1980s—2000s）
随着统计方法、数据规模和计算资源的发展，人工智能研究逐渐更加重视从数据中学习规律。
统计机器学习成为这一时期的重要技术方向。
5.1 从人工规则到数据驱动学习
传统规则系统通常依赖研究者明确编写知识和判断条件。
机器学习则通过训练数据，使模型学习输入与输出之间的关系。
例如，开发垃圾邮件识别系统。
基于规则的方法可能需要人工维护关键词、发件人和判断条件。
机器学习方法则可以利用大量邮件样本，学习哪些特征与垃圾邮件有关。
这种变化使 AI 系统能够处理许多难以完整编写规则的问题。
5.2 重要机器学习方法
这一时期形成或得到广泛发展的方法包括：
| 技术方法 | 主要思想 | 典型用途 |
|---|---|---|
| 决策树 | 根据特征条件逐步划分数据 | 分类、回归 |
| 贝叶斯方法 | 利用概率模型进行推断 | 分类、预测 |
| 支持向量机（SVM） | 学习具有良好泛化性质的决策边界 | 分类、回归 |
| 集成学习 | 组合多个模型改善预测表现 | 分类、回归 |
| 隐马尔可夫模型（HMM） | 建模具有隐藏状态的序列过程 | 语音、序列分析 |
| 神经网络 | 通过参数化网络学习数据映射 | 分类、预测、模式识别 |
这些方法推动了统计学习理论、模型泛化和机器学习评估方法的发展。
5.3 反向传播与神经网络训练
1986 年，Rumelhart、Hinton 和 Williams 发表《Learning Representations by Back-Propagating Errors》，推动了利用反向传播训练多层神经网络的研究。[7]
反向传播并不是在 1986 年首次被提出，但这项工作对神经网络训练方法的传播和发展具有重要影响。
它使研究者能够更有效地训练具有隐藏层的神经网络，为后续深度学习发展奠定基础。
5.4 数据驱动方法的优势与限制
统计机器学习能够通过数据学习复杂的统计关系，在文本分类、语音识别、推荐系统和风险预测等领域取得实际应用成果。
但这一时期的许多方法仍然依赖人工设计特征。
例如，在图像识别任务中，研究者可能需要手动设计边缘、纹理或形状特征，再将这些特征输入分类模型。
如何让模型自动学习有效特征，成为后续深度学习研究的重要问题。
5.5 阶段总结
这一时期，人工智能逐渐形成系统化的数据驱动研究方法。
研究重点不仅包括模型能否解决问题，还包括如何利用数据、优化算法和统计方法改善模型表现。
核心突破：通过数据和统计学习方法获得智能能力，成为人工智能的重要技术路线。
六、第五阶段：深度学习快速发展（2010s）
深度学习的理论和方法早于 2010 年代，但在这一时期，数据、算法和计算资源的结合推动了其快速发展。
深度学习逐渐成为计算机视觉、语音识别和自然语言处理等领域的重要技术基础。
6.1 深度学习为什么能够快速发展？
深度学习的发展受到多个因素共同推动。
计算资源提升。 GPU 等并行计算设备提高了神经网络训练效率。
数据规模扩大。 互联网和数字化技术的发展提供了大量训练数据。
训练方法改进。 优化算法、网络结构和训练技术不断发展。
模型架构创新。 卷积神经网络、循环神经网络及其他深度模型持续取得进展。
这些条件使研究者能够训练更大、更复杂的神经网络。
6.2 ImageNet 与 AlexNet
2012 年，Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 提出的 AlexNet 在 ImageNet 大规模视觉识别挑战赛中取得突破性成绩。[8]
AlexNet 使用深度卷积神经网络，并利用 GPU 进行训练。
这一成果成为深度学习在现代计算机视觉领域快速发展的重要标志。
此后，深度神经网络逐渐成为图像识别、目标检测等任务的重要方法。
6.3 深度学习与表示学习
深度学习的重要特点，是能够通过多层神经网络学习复杂的数据表示。
例如，在图像识别任务中，模型可以从数据中学习不同层次的视觉特征。
相比依赖人工设计特征的许多传统机器学习方法，深度学习能够将特征学习与任务训练结合起来。
LeCun、Bengio 和 Hinton 在 2015 年发表的《Deep Learning》中，系统总结了这一技术方向的重要思想与进展。[9]
6.4 深度学习进入自然语言处理
在自然语言处理领域，循环神经网络、LSTM、序列到序列模型和注意力机制等方法逐渐得到广泛研究。
2014 年，Sutskever、Vinyals 和 Le 提出的 Sequence to Sequence Learning with Neural Networks，展示了利用神经网络处理序列到序列任务的方法。[10]
这些研究推动了机器翻译和其他语言任务的发展。
不过，早期序列模型在处理长距离依赖、训练效率等方面仍面临挑战。
这些问题为 Transformer 架构的发展提供了重要研究背景。
6.5 深度强化学习
深度学习也开始与强化学习结合。
2015 年，Mnih 等人在《Human-Level Control Through Deep Reinforcement Learning》中，展示了利用深度神经网络和强化学习方法完成多种 Atari 游戏任务的研究成果。[11]
这一方向说明，深度神经网络不仅可以用于分类和预测，还可以与行动策略学习结合。
深度强化学习也成为机器人控制、游戏智能体和序贯决策研究的重要方向。
6.6 阶段总结
深度学习的发展使人工智能能够更有效地处理复杂、高维的数据。
计算机视觉、语音处理和自然语言处理等领域出现了显著进展。
核心突破：多层神经网络与大规模训练推动了复杂数据表示学习能力的发展。
七、第六阶段：Transformer 与基础模型（2017—2022）
2017 年以后，Transformer、大规模预训练和基础模型的发展，显著改变了自然语言处理与现代 AI 应用的技术格局。
这一阶段的重要变化，是模型逐渐从针对单一任务训练，转向通过大规模预训练获得能够适应多种任务的能力。
7.1 Transformer 架构
2017 年，Vaswani 等人发表《Attention Is All You Need》，提出 Transformer 架构。[12]
Transformer 通过注意力机制处理序列信息，能够建模序列中不同位置之间的关系。
与当时常用的循环序列模型相比，Transformer 的架构支持更高程度的并行计算。
这一特点使其适合大规模训练，并逐渐成为许多现代语言模型的重要基础。
需要注意，Transformer 并不是人工智能历史上第一次使用注意力机制，而是将注意力机制组织为一种具有重要影响力的序列建模架构。
7.2 预训练语言模型的发展
Transformer 出现后，研究者进一步探索如何通过大规模预训练获得通用语言表示。
2018 年，Google 研究者提出 BERT，通过双向 Transformer 表示学习改善多种自然语言理解任务的表现。[13]
同一时期，GPT 系列研究展示了生成式预训练语言模型的发展方向。
2019 年，GPT-2 进一步展示了大规模语言模型的文本生成能力。
2020 年，Brown 等人发表《Language Models Are Few-Shot Learners》，介绍 GPT-3，并展示了通过上下文示例完成多种任务的能力。[14]
这些研究推动了语言模型从特定任务模型向更加通用的语言处理模型发展。
7.3 什么是基础模型？
基础模型（Foundation Models）通常指在大规模数据上训练，并能够适应多种下游任务的模型。
2021 年，Bommasani 等人在《On the Opportunities and Risks of Foundation Models》中系统讨论了这一概念及其技术与社会影响。[15]
基础模型的重要特点是：
同一个经过大规模训练的模型，可以通过不同的适配方式支持多种应用任务。
例如，一个语言基础模型可以用于摘要、翻译、问答、信息提取和代码辅助等任务。
这种能力改变了 AI 应用的开发方式。
开发者不再总是需要为每个任务从零训练独立模型，而可以使用已有基础模型，通过提示词、微调或其他适配方法完成任务。
7.4 从专用模型到通用模型服务
基础模型的发展推动了模型开发和应用开发之间的分工。
部分组织专注于模型训练、评估和推理基础设施，应用开发者则通过 API、SDK 或本地部署方式使用模型。
这种模式降低了部分 AI 应用的开发门槛，也使模型服务逐渐成为现代软件系统中的重要基础组件。
7.5 阶段总结
这一阶段最重要的变化，是大规模预训练模型逐渐成为许多 AI 应用的通用能力基础。
模型能够通过自然语言或其他输入形式适应不同任务，开发者也开始更加广泛地复用已有模型。
核心突破：Transformer 与大规模预训练推动了基础模型的发展，并改变了 AI 应用的开发方式。
八、第七阶段：生成式 AI 与通用模型应用（2022—2024）
生成式人工智能（Generative AI）并不是在 2022 年才出现的技术。
早在此前，研究者已经提出了多种生成模型，例如变分自编码器（VAE）、生成对抗网络（GAN）和扩散模型。
但在 2022—2024 年，生成式 AI 的模型能力、交互方式和应用规模出现了重要变化。
8.1 生成模型的技术发展
2014 年，Goodfellow 等人提出生成对抗网络（GAN），为生成模型研究提供了重要方法。[16]
2020 年，Ho、Jain 和 Abbeel 发表《Denoising Diffusion Probabilistic Models》，推动了扩散生成模型的发展。[17]
随着语言模型、扩散模型和多模态模型的进步，生成式 AI 的应用逐渐扩展到文本、图像、音频、视频和代码等领域。
因此，生成式 AI 是多条技术路线共同发展的结果，而不是 Transformer 单独产生的技术。
8.2 对话式 AI 的普及
2022 年，OpenAI 发布 ChatGPT，使基于大语言模型的对话式 AI 获得广泛关注。
现代对话式模型通常不仅依赖大规模预训练，还会通过指令微调、偏好优化和其他后训练方法改善模型的指令遵循与交互表现。
例如，Ouyang 等人在 2022 年发表的《Training Language Models to Follow Instructions with Human Feedback》，研究了利用人类反馈改善语言模型指令遵循能力的方法。[18]
这一时期，AI 应用逐渐形成了新的开发模式：
大规模预训练模型
│
▼
指令微调与后训练
│
▼
通用模型服务
│
▼
API / SDK
│
▼
各种 AI 应用开发者可以通过 API 调用已有模型，将语言理解、内容生成和其他能力集成到软件系统中。
8.3 多模态生成与交互
生成式 AI 的发展并不局限于文本。
图像生成、语音合成、视频生成和多模态理解等技术持续发展。
多模态模型（Multimodal Models）能够处理一种或多种不同形式的数据，例如文本、图像、音频和视频。
不同模型在输入、输出和模态融合方式上存在差异。
这一方向使 AI 应用逐渐从单一文本交互扩展到更加丰富的人机交互形式。
8.4 从模型能力到应用生态
随着模型 API、SDK 和开源模型生态的发展，开发者可以将 AI 能力集成到各种软件中。
例如：
- 智能问答与知识检索；
- 文本写作与内容生成；
- 代码辅助；
- 文档分析；
- 图像和视频生成；
- 企业业务流程辅助。
这一变化使 AI 从相对独立的模型研究，进一步进入通用软件开发和产品设计。
8.5 阶段总结
这一阶段，生成式 AI 的应用范围迅速扩大。
模型能力开始通过对话界面、API 和各类软件产品被广泛使用。
核心突破：生成式 AI 从重要研究方向发展为广泛使用的软件能力与应用形态。
九、第八阶段：推理模型与 Agentic AI（2024—2026）
2024—2026 年，AI 模型的发展出现了新的重点。
研究者和开发者不再只关注模型能否生成流畅文本，也更加关注模型能否解决复杂问题、使用外部工具，并在一定程度上完成多步骤任务。
这一时期的重要方向包括推理模型、推理阶段计算、工具增强模型、Computer Use 和 Coding Agent。
这些方向之间存在大量交叉，并不构成相互独立的技术代际。
9.1 推理模型的发展
推理模型（Reasoning Models）通常指在复杂问题求解任务上进行专门训练或优化，并可能在生成最终答案前使用更多推理阶段计算的模型。
这一方向的一个重要研究问题是：
能否通过增加推理阶段的计算、改进训练方法和优化问题求解过程，提高模型在复杂任务上的表现？
2024 年以来，推理阶段计算（Test-time Compute / Inference-time Compute）受到更多关注。
与单纯扩大预训练模型规模不同，这一方向研究如何在模型处理具体问题时分配更多计算资源。
相关方法可能涉及：
- 生成和评估多个候选解；
- 将复杂问题分解为多个步骤；
- 利用验证器或其他反馈机制检查结果；
- 根据任务难度调整计算预算；
- 通过强化学习等方法改善复杂问题求解表现。
需要注意，推理模型并不一定采用相同的内部机制，也不意味着所有模型都会显式展示完整推理过程。
9.2 Inference 与 Reasoning 的区别
在 AI 技术研究中，需要区分两个容易混淆的概念。
Inference（模型推理运行） 指模型接收输入并执行计算、生成输出的过程。
Reasoning（推理与问题求解） 指模型处理逻辑关系、数学问题、规划任务和其他复杂问题的能力。
因此，所有模型在运行时都需要进行某种形式的 Inference，但并不是所有模型都具备相同水平的 Reasoning 能力。
推理模型的发展，主要关注如何改善复杂问题求解表现，而不仅是提高模型生成文本的速度。
9.3 Agentic AI 的发展
Agentic AI 是近年来用于描述具备一定目标驱动、工具使用和任务执行能力的 AI 系统或应用的一类术语。
与单次问答相比，这类系统通常需要处理更长的任务过程。
例如：
用户提出任务
│
▼
模型理解目标
│
▼
分析当前状态
│
▼
选择下一步行动
│
▼
调用外部工具
│
▼
接收工具反馈
│
▼
判断是否继续
│
├── 继续执行
│
└── 输出最终结果这一执行过程可以通过不同的 Agent 架构实现。
需要注意，Agentic AI 并没有完全统一的技术定义，也不能将所有使用工具调用的 AI 应用都视为完整的 Agent System。
9.4 ReAct 与工具增强模型
现代 LLM Agent 的发展并不是从 2024 年才开始的。
2022 年，Yao 等人提出 ReAct 方法，研究如何在语言模型任务执行过程中结合推理与行动。[19]
2023 年，Schick 等人发表《Toolformer》，研究语言模型如何学习调用外部工具。[20]
这些研究为现代工具增强模型和 LLM Agent 提供了重要技术基础。
2024—2026 年的变化，主要体现在模型能力、工具接口、运行环境和实际应用的持续发展。
9.5 Computer Use：通过图形界面操作软件
Computer Use 是现代 Agent 技术中值得单独研究的方向。
传统工具调用通常要求开发者提供明确的 API 或函数接口。
Computer Use 则进一步研究 AI 如何通过图形界面与软件交互。
例如：
- 识别网页和应用界面；
- 点击按钮和菜单；
- 输入文本；
- 滚动页面；
- 在多个软件之间切换；
- 根据界面反馈继续操作。
其基本过程可以表示为：
用户任务
│
▼
Agent
│
▼
获取界面状态
│
▼
模型判断操作
│
▼
执行点击、输入等动作
│
▼
获取新的界面状态
│
└──────→ 继续执行Computer Use 的重要意义，是扩展了 AI 与现有软件环境交互的方式。
但这一能力也带来了新的工程问题，包括操作准确性、权限控制、界面变化、敏感信息保护和错误恢复。
因此，Computer Use 不仅是模型能力问题，也是 Agent Runtime 和系统安全问题。
9.6 Coding Agent：从代码生成到软件工程任务执行
AI 编程工具早期主要提供代码补全、代码解释和片段生成。
随着模型能力和工具执行环境的发展，Coding Agent 开始参与更加完整的软件工程任务。
例如，一个 Coding Agent 可能需要：
- 读取并理解代码仓库。
- 分析用户提出的开发需求。
- 定位需要修改的文件。
- 修改代码。
- 执行测试或构建命令。
- 根据错误信息继续调整。
- 总结修改结果。
这种工作方式与单次代码生成存在明显差异。
Coding Agent 不仅需要模型生成代码，还需要文件系统、终端工具、版本控制和测试环境等软件能力支持。
因此，Coding Agent 是研究模型能力与 Agent System 如何结合的重要案例。
9.7 多模态与实时交互
2024—2026 年，多模态模型和实时交互能力持续发展。
AI 系统可以通过不同形式的信息理解用户和环境。
例如，模型可能同时处理文本、图像、语音或视频，并根据任务需要生成相应输出。
对于 Agent 而言，多模态能力扩展了环境感知和人机交互方式。
例如，一个具有视觉能力的 Agent 可以分析软件界面，而具有语音能力的 Agent 可以通过语音与用户交互。
但多模态能力并不自动意味着 Agent 具备可靠的自主执行能力。
9.8 阶段总结
这一时期，AI 技术的重要发展方向逐渐从内容生成扩展到复杂问题求解和任务执行。
推理模型改善了部分复杂任务的处理方式，工具使用和 Computer Use 扩展了模型与外部环境交互的能力，Coding Agent 则展示了 AI 参与完整软件工作流的可能性。
核心变化：AI 模型开始更加深入地参与问题求解、工具操作和多步骤任务执行。
十、第九阶段：AI 系统工程与平台化（2025—2026）
随着 AI 应用从单次模型调用扩展到持续运行的任务系统，开发者需要解决的问题也发生了变化。
模型能力仍然重要，但仅有模型能力已经不足以保证复杂任务能够稳定完成。
例如，一个 Agent 可能需要持续运行数分钟甚至更长时间，在执行过程中调用多个工具、处理大量数据，并根据环境反馈调整行动。
这要求软件系统提供更加完整的运行和管理机制。
因此，AI 系统工程和平台化成为值得重点研究的方向。
10.1 从模型能力到系统能力
早期 AI 应用通常可以简化为：
用户输入
│
▼
模型调用
│
▼
返回结果复杂 Agent 应用则可能涉及：
用户任务
│
▼
任务管理
│
▼
Agent Runtime
│
├── 模型调用
├── 工具执行
├── 状态管理
├── 上下文管理
├── 权限控制
└── 错误处理
│
▼
任务结果两者的区别不在于是否使用 AI，而在于系统需要承担的执行责任不同。
对于复杂任务，系统必须考虑模型调用之外的运行机制。
10.2 Agent Runtime 与 Agent Harness
Agent Runtime 是 Agent 执行任务时所依赖的运行环境与执行机制。
它可能负责驱动模型调用、执行工具、维护状态和控制任务生命周期。
Agent Harness 通常指围绕模型组织的一组执行控制机制，例如工具接口、上下文管理、执行循环和安全约束。
不同项目对 Runtime 和 Harness 的命名与边界可能有所不同。
在本知识库中，可以将它们理解为 Agent System 中的重要执行基础。
需要注意，Agent Harness 不是人工智能历史上独立出现的新模型类型，而是一类与 Agent 执行相关的软件工程机制。
10.3 多 Agent 协作
当任务需要多个不同角色或能力的 Agent 参与时，系统可能采用多 Agent 架构。
例如，一个研究系统可以组织：
用户
│
▼
任务编排器
│
├── 资料检索 Agent
│
├── 数据分析 Agent
│
├── 报告撰写 Agent
│
└── 审核 Agent
│
▼
最终研究成果多 Agent 架构需要解决任务分配、信息共享、协作协议、状态同步和冲突处理等问题。
但多个 Agent 并不必然优于单个 Agent。
是否采用多 Agent，应当根据任务结构、成本、延迟、可靠性和实际评估结果决定。
10.4 可靠性与状态管理
复杂 Agent 任务可能经历多次模型调用和工具操作。
如果执行过程中发生错误，系统需要能够判断：
- 哪个步骤失败了？
- 哪些操作已经完成？
- 是否可以重试？
- 是否需要恢复之前的状态？
- 是否需要人工介入？
因此，状态管理、检查点、任务重试和故障恢复成为重要的工程能力。
这些机制主要来自成熟的软件工程与分布式系统实践，并不是 AI 模型独有的技术。
10.5 安全与权限控制
当 Agent 可以访问文件、数据库、浏览器和其他外部系统时，权限管理变得更加重要。
例如，一个 Agent 可能需要读取文档，但不应该自动获得删除所有文件的权限。
系统需要根据任务范围限制工具和资源访问。
常见问题包括：
- 工具调用权限；
- 敏感数据保护；
- 执行环境隔离；
- 提示注入攻击；
- 高风险操作确认；
- 审计日志；
- 人工监督与干预。
这些问题决定了 Agent 是否能够在实际环境中安全运行。
10.6 可观测性与评估
复杂 Agent 的执行过程可能涉及大量中间步骤。
开发者需要了解模型调用、工具执行、状态变化和任务结果。
因此，可观测性（Observability）成为重要的系统工程能力。
典型内容包括：
- 执行日志；
- 模型调用记录；
- 工具调用轨迹；
- Token 使用量；
- 延迟与成本；
- 错误信息；
- 任务完成率；
- 输出质量评估。
与单纯评价模型回答质量相比，Agent System 还需要评价整个任务过程。
例如，一个模型生成了正确的操作计划，但工具执行失败，最终任务仍然可能无法完成。
因此，模型评估和系统评估需要区分。
10.7 Agent Platform 的发展
当组织需要管理多个 Agent 应用时，可能进一步建设 Agent Platform。
平台可以提供：
- Agent 创建与配置；
- 模型和工具管理；
- 任务执行与调度；
- Agent 版本管理；
- 用户和权限管理；
- 运行监控；
- 资源与成本管理；
- 工作空间管理；
- 生命周期管理。
Agent Platform 的核心价值，是将多个 Agent 应用需要重复建设的能力组织为可复用的平台服务。
不过，Agent Platform 并不是每个 Agent 项目的必要组成部分。
对于规模较小、任务简单的应用，独立的 Agent Runtime 和业务服务可能已经足够。
10.8 阶段总结
2025—2026 年，AI 应用的发展更加突出系统工程的重要性。
模型能力仍然是核心基础，但任务执行质量越来越依赖模型与工具、状态、权限、数据和运行环境的协同。
核心变化：AI 应用的研究与开发重点，进一步从模型能力扩展到完整系统的执行能力、可靠性和治理能力。
十一、2024—2026 年有哪些值得关注的技术变化？
为了进一步理解近年来的技术发展，可以将其归纳为六个主要方向。
11.1 推理能力
研究重点从语言生成能力扩展到复杂问题求解。
重要问题包括推理阶段计算、验证机制、任务分解和复杂推理能力评估。
11.2 多模态能力
模型逐渐能够处理更加丰富的信息形式。
重要问题包括跨模态表示、信息融合、实时交互和多模态输出。
11.3 工具与环境交互
AI 模型可以通过软件提供的接口参与外部操作。
重要问题包括 Function Calling、Computer Use、工具执行和环境反馈。
11.4 Agentic AI
模型能力与目标驱动的任务执行机制结合。
重要问题包括规划、行动选择、执行循环、任务完成和自主性边界。
11.5 Coding Agent
AI 从辅助代码生成扩展到参与软件工程工作流。
重要问题包括代码仓库理解、文件修改、测试执行和错误修复。
11.6 系统工程与治理
复杂 AI 应用需要完整的软件基础设施。
重要问题包括 Runtime、Orchestration、状态管理、权限、安全、可靠性、评估和平台治理。
这六个方向相互关联。
例如，一个 Coding Agent 可能同时使用推理模型、工具调用、Computer Use 和任务状态管理。
因此，它们更适合作为现代 AI 技术发展的重要研究主题，而不是彼此独立的历史阶段。
十二、人工智能发展过程中发生了哪些重要转变？
回顾人工智能的发展历史，可以总结出六个重要变化。
12.1 从人工编写规则到数据驱动学习
早期符号主义和专家系统强调人工知识表示与规则推理。
机器学习通过训练数据学习规律，减少了部分任务对人工规则设计的依赖。
但规则系统与机器学习并不是互相替代的关系。
现代 AI 应用仍然经常结合规则、模型和传统软件逻辑。
12.2 从人工特征工程到表示学习
传统机器学习在许多任务中依赖人工设计特征。
深度学习能够通过多层神经网络学习复杂的数据表示。
这使模型能够更有效地处理图像、语言和音频等复杂数据。
12.3 从任务专用模型到基础模型
传统机器学习应用通常针对特定任务训练模型。
基础模型通过大规模预训练获得能够适应多种任务的能力。
这使开发者能够复用已有模型，并通过不同方式适配具体应用。
12.4 从模型训练到模型服务
随着基础模型规模扩大，模型训练与模型应用逐渐形成不同的工程分工。
部分组织专注于模型研发和训练，应用开发者则通过 API、SDK 或本地推理服务使用模型。
模型工程因此成为现代 AI 应用开发的重要组成部分。
12.5 从内容生成到任务执行
生成式 AI 主要关注模型生成内容的能力。
现代 LLM Agent 则进一步研究如何利用模型参与目标理解、工具选择和任务执行。
这并不意味着内容生成被任务执行取代，而是模型能力出现了新的应用方式。
12.6 从模型能力到系统能力
随着 AI 应用进入实际业务环境，仅有较强的模型能力往往不足以保证任务成功。
开发者还需要考虑数据、工具、权限、状态、可靠性、成本和可观测性。
因此，AI 应用的评价逐渐需要同时关注模型能力与系统整体表现。
十三、人工智能发展中的关键技术节点
下表汇总了人工智能发展史中具有代表性的研究成果与技术变化。
| 年份 | 重要事件或研究 | 技术意义 |
|---|---|---|
| 1943 | McCulloch–Pitts 神经元模型 | 早期形式化神经计算研究 |
| 1950 | Turing《Computing Machinery and Intelligence》 | 讨论机器智能及其行为评价 |
| 1956 | 达特茅斯人工智能研究项目 | AI 学科形成的重要标志 |
| 1958 | Rosenblatt 感知机 | 早期神经网络学习模型 |
| 1966 | ELIZA | 早期自然语言对话程序 |
| 1970s | MYCIN 等专家系统 | 专业知识表示与规则推理 |
| 1986 | 反向传播研究取得重要进展 | 推动多层神经网络训练 |
| 1990s | 统计机器学习广泛发展 | 数据驱动方法成为重要研究路线 |
| 2012 | AlexNet | 深度学习在计算机视觉领域取得突破 |
| 2014 | Seq2Seq、GAN 等研究 | 推动神经序列建模与生成模型发展 |
| 2015 | 深度强化学习 Atari 研究 | 展示深度学习与强化学习结合的潜力 |
| 2017 | Transformer | 推动现代序列建模与语言模型发展 |
| 2018 | BERT、GPT 等预训练模型 | 推动预训练语言模型研究 |
| 2020 | GPT-3、DDPM | 推动大规模语言模型与扩散模型发展 |
| 2021 | Foundation Models 研究框架 | 系统讨论基础模型的技术特征与影响 |
| 2022 | ChatGPT、ReAct | 推动对话式 AI 与现代 LLM Agent 研究 |
| 2023 | Toolformer 等工具使用研究 | 推动模型与外部工具交互能力研究 |
| 2024 | 推理阶段计算受到更多关注 | 推动复杂问题求解与推理模型研究 |
| 2024—2025 | 多模态交互与 Computer Use 持续发展 | 扩展模型的感知与行动方式 |
| 2025 | Coding Agent 应用进一步发展 | AI 开始参与更完整的软件工程工作流 |
| 2025—2026 | 推理、编程与 Agent 能力持续提升 | 模型能力进一步进入复杂任务执行 |
| 2026 | Agent Runtime 与系统治理受到更多关注 | 可靠性、安全、成本与执行管理成为重要工程问题 |
这是一份选择性时间线，并不包含人工智能历史上的所有重要成果。
同时，某项技术的论文发表时间、实际应用时间和广泛普及时间可能存在明显差异。
对于 2024—2026 年的内容，表中部分条目描述的是持续发展的技术趋势，而不是单一论文或明确的技术发明事件。
十四、人工智能发展对 Agent 技术意味着什么？
本知识库以 Agent 技术体系为研究目标，因此需要进一步理解 AI 发展与 Agent 技术之间的关系。
14.1 符号主义提供了推理与规划思想
早期符号人工智能研究中的知识表示、逻辑推理和搜索规划，为 Agent 的决策与行动研究提供了重要理论基础。
14.2 机器学习提供了从经验中学习的能力
机器学习使系统能够通过数据和经验改善任务表现。
强化学习则进一步研究智能体如何通过环境反馈学习行动策略。
14.3 深度学习扩展了信息处理能力
深度神经网络使 AI 能够处理更加复杂的图像、语言和其他数据。
这为现代 Agent 的感知、语言理解和信息分析提供了重要技术基础。
14.4 大语言模型提供了通用语言交互能力
大语言模型使开发者能够通过自然语言描述任务，并利用同一个模型处理多种语言相关问题。
这降低了构建部分复杂 AI 应用的门槛。
14.5 推理模型扩展了复杂任务求解能力
推理模型的发展使 AI 在部分数学、编程和复杂问题求解任务中获得了更强的表现。
对于 Agent，这意味着模型可能更好地支持任务分析、行动选择和多步骤问题求解。
但模型能力的提高并不自动保证 Agent 能够可靠完成任务。
14.6 工具使用与运行机制支持任务执行
当模型能够生成工具调用请求，并由外部软件执行操作时，AI 应用可以进一步支持多步骤任务。
Agent Runtime、Agent Harness 和 Orchestration 等技术负责组织和控制这些执行过程。
14.7 系统工程决定实际应用能力
在实际软件中，Agent 的任务完成质量不仅取决于模型，还取决于工具、数据、执行环境、状态管理和可靠性等因素。
因此，现代 Agent 技术研究需要同时理解人工智能与软件工程。
十五、核心结论
人工智能的发展经历了长期的理论探索、技术创新和工程实践。
从符号主义、专家系统和统计机器学习，到深度学习、Transformer、基础模型、生成式 AI、推理模型与现代 Agent，不同技术路线持续推动人工智能能力的发展。
理解这段历史，需要建立以下认识。
第一，人工智能并不是从机器学习才开始的。 逻辑推理、知识表示、搜索和规划等方法构成了人工智能的重要研究传统。
第二，机器学习推动了从人工规则到数据驱动方法的转变。 计算系统能够通过数据和经验改善任务表现。
第三，深度学习推动了复杂数据表示学习的发展。 多层神经网络在视觉、语言和语音等领域取得了重要进展。
第四，Transformer 和基础模型改变了现代 AI 应用的技术基础。 大规模预训练使同一个模型能够适应多种任务。
第五，生成式 AI 并不是单一技术路线的结果。 语言模型、生成对抗网络和扩散模型等方法共同推动了内容生成能力的发展。
第六，推理模型扩展了复杂问题求解的研究方向。 推理阶段计算、训练方法和验证机制成为重要研究主题。
第七，现代 LLM Agent 扩展了模型能力的应用方式。 模型可以在受控的软件环境中参与任务理解、工具使用和多步骤执行。
第八，AI 系统工程正在成为复杂应用的重要基础。 Runtime、Orchestration、状态管理、安全和可靠性决定了模型能力能否转化为稳定的任务执行能力。
第九，人工智能的发展并不是单向替代过程。 符号推理、统计学习、深度学习和软件工程仍然在不同场景中发挥作用。
对于 Agent 技术研究而言，理解人工智能的发展史，有助于认识现代 Agent 为什么同时涉及模型、推理、规划、工具和软件系统。
十六、参考文献与延伸阅读
以下文献按照本文主要研究主题整理。正文中的编号对应相关原始研究或权威资料。
16.1 人工智能起源与早期研究
[1] Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460.
讨论机器智能与模仿游戏，是人工智能思想史中的重要文献。
原文：Computing Machinery and Intelligence
[2] McCulloch, W. S., & Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics, 5, 115–133.
早期形式化神经计算研究。
论文：A Logical Calculus of the Ideas Immanent in Nervous Activity
[3] McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
达特茅斯人工智能研究项目提案，是人工智能学科形成的重要历史资料。
原始资料：Dartmouth AI Proposal
[4] Weizenbaum, J. (1966). ELIZA—A Computer Program for the Study of Natural Language Communication Between Man and Machine. Communications of the ACM, 9(1), 36–45.
介绍早期自然语言对话程序 ELIZA。
论文：ELIZA
[5] Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, 65(6), 386–408.
感知机研究的重要原始文献。
论文：The Perceptron
[6] Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.
系统分析特定感知机模型的表达能力与限制。
16.2 机器学习与深度学习
[7] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning Representations by Back-Propagating Errors. Nature, 323, 533–536.
反向传播训练多层神经网络的重要研究。
论文：Learning Representations by Back-Propagating Errors
[8] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 25.
AlexNet 研究论文，是现代深度学习发展中的重要成果。
论文：ImageNet Classification with Deep Convolutional Neural Networks
[9] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521, 436–444.
深度学习领域的重要综述。
论文：Deep Learning — Nature
[10] Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to Sequence Learning with Neural Networks. Advances in Neural Information Processing Systems, 27.
神经序列到序列建模的重要研究。
论文：Sequence to Sequence Learning with Neural Networks
[11] Mnih, V., et al. (2015). Human-Level Control Through Deep Reinforcement Learning. Nature, 518, 529–533.
深度强化学习的重要研究成果。
论文：Human-Level Control Through Deep Reinforcement Learning
16.3 Transformer、基础模型与生成式 AI
[12] Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.
提出 Transformer 架构。
论文：Attention Is All You Need
[13] Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019.
BERT 预训练语言模型研究。论文于 2018 年首次公开，2019 年正式发表于会议。
论文：BERT
[14] Brown, T. B., et al. (2020). Language Models Are Few-Shot Learners. Advances in Neural Information Processing Systems, 33.
介绍 GPT-3 及其上下文学习能力。
论文：Language Models Are Few-Shot Learners
[15] Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models.
系统讨论基础模型的概念、能力与风险。
论文：On the Opportunities and Risks of Foundation Models
[16] Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems, 27.
提出生成对抗网络（GAN）。
论文：Generative Adversarial Nets
[17] Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33.
扩散生成模型的重要研究。
论文：Denoising Diffusion Probabilistic Models
[18] Ouyang, L., et al. (2022). Training Language Models to Follow Instructions with Human Feedback. Advances in Neural Information Processing Systems, 35.
介绍利用人类反馈改善语言模型指令遵循能力的研究。
论文：Training Language Models to Follow Instructions with Human Feedback
16.4 现代 LLM Agent 与工具使用
[19] Yao, S., et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations (ICLR).
研究如何结合语言模型的推理与行动。预印本于 2022 年公开。
论文：ReAct
[20] Schick, T., et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems, 36.
研究语言模型如何学习调用外部工具。
论文：Toolformer
16.5 2024—2026 年技术发展参考
[21] Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026.
提供人工智能技术能力、研究进展、产业发展和社会影响等方面的年度研究资料。
官方报告：Stanford AI Index
[22] OpenAI. (2024). Learning to Reason with LLMs.
介绍推理模型与强化学习在复杂问题求解中的应用研究。
官方研究介绍：Learning to Reason with LLMs
[23] DeepSeek-AI, et al. (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning.
研究如何通过强化学习发展大语言模型的推理能力。
论文：DeepSeek-R1
[24] Anthropic. (2024). Introducing Computer Use, a New Claude 3.5 Sonnet, and Claude 3.5 Haiku.
介绍模型通过计算机界面执行操作的能力。
官方资料：Introducing Computer Use
[25] OpenAI. (2025). Introducing Operator.
介绍通过浏览器执行任务的 Computer Use Agent。
官方资料：Introducing Operator
[26] OpenAI. (2025). Introducing Codex.
介绍面向软件工程任务的 Coding Agent。
官方资料：Introducing Codex
[27] Anthropic. (2024). Building Effective Agents.
讨论 Agent 工作流、工具使用、任务编排和系统设计方法。
官方技术文章：Building Effective Agents
[28] Google. (2024). Agents.
介绍 Agent 的基本概念、模型、工具和编排机制。
官方技术资料：Google Agents Whitepaper
16.6 综合参考资料
[29] Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
人工智能经典教材，可用于系统研究人工智能的主要技术路线与发展背景。
官方教材网站：Artificial Intelligence: A Modern Approach
[30] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
深度学习经典教材，系统介绍神经网络、表示学习与优化方法。
官方在线教材：Deep Learning Book
十七、关联研究
| 关联文档 | 研究内容 |
|---|---|
| 01 · 什么是人工智能？ | AI 的定义、研究对象与技术边界 |
| 02 · AI、ML 与深度学习 | 不同 AI 技术路线之间的关系 |
| 04 · 生成式人工智能 | 生成式 AI 的定义、技术与应用 |
| 05 · 能力与局限 | 当前 AI 的主要能力及局限 |
| M2 · 神经网络如何学习和处理信息？ | 神经网络与反向传播 |
| M3 · Transformer 如何处理和生成信息？ | Transformer 架构 |
| M4 · 大语言模型是如何构建的？ | 大语言模型的发展与实现 |
| M5 · AI 模型如何理解和处理不同模态？ | 多模态模型 |
| M6 · AI 模型如何通过训练获得能力？ | 预训练与后训练 |
| M7 · AI 模型如何生成输出？ | 模型推理、解码与推理阶段计算 |
| A7 · Agent 如何调用工具并执行操作？ | 工具调用与 Computer Use |
| A9 · Agent 如何推理、规划和决定行动？ | Agent 推理与规划 |
| L4 · Agent 如何被驱动并持续执行任务？ | Agent Runtime 与 Harness |
| L5 · 如何编排任务并组织多个 Agent 协作？ | 多 Agent 协作与编排 |
| H3 · 如何评估 Agent System 的能力与执行质量？ | Agent 系统评估 |
| P1 · 平台如何统一管理和控制 Agent？ | Agent Platform 控制平面 |