**摘要：**AI 智能体（AI Agents）——即结合了基座模型与推理、规划、记忆及工具调用能力的系统——正迅速成为自然语言意图与现实世界计算之间的实用接口。本综述综合分析了新兴的 AI 智能体架构景观，重点关注以下三个维度：(i)审议与推理（如：思维链式分解、自我反思与验证、以及约束感知决策）；(ii)规划与控制（从反应式策略到层级化及多步规划器）；(iii)工具调用与环境交互（检索、代码执行、API 接口及多模态感知）。
我们将前序工作组织为一个统一的分类体系，涵盖了智能体组件（策略/大语言模型核心、记忆、世界模型、规划器、工具路由及批判器）、编排模式（单智能体与多智能体；中心化与去中心化协作）以及部署场景（离线分析与在线交互辅助；安全敏感型与开放式任务）。此外，本文探讨了设计的关键权衡——包括延迟与准确性、自主性与可控性、以及能力与可靠性——并强调了评估工作的复杂性，这种复杂性源于非确定性、长程信用分配（long-horizon credit assignment）、工具与环境的可变性，以及重试机制和上下文增长等隐性成本。
最后，我们总结了测量与基准测试实践（任务集、人类偏好与效能指标、约束下的成功率、鲁棒性与安全性），并指出了亟待解决的挑战，包括工具行为的验证与护栏机制、可扩展的记忆与上下文管理、智能体决策的可解释性，以及真实工作负载下的可重复评估。
1.1 动机 (Motivation)
基座模型已使自然语言成为计算的实用接口，但大多数现实任务并非单轮问答。这些任务涉及从多个来源搜集信息、维护跨时间的执行状态、在不同工具间进行选择，以及在特定约束（延迟、权限、安全和成本）下执行多步动作。AI 智能体通过将基座模型与执行循环（Execution Loop）耦合，填补了这一空白；该循环能够观察环境、制定规划、调用工具、更新记忆并验证结果 [10, 31]。换言之，智能体不仅是文本生成器，更是一个控制器，负责将意图转化为在现实世界（软件仓库、浏览器、企业系统或物理机器人）中执行的程序。
1.2 背景 (Background)
现代数字化工作分散在各种界面和 API 之中：知识分布高度碎片化（文档、数据库、仪表盘），动作通过工具介导（搜索、代码执行、工单系统），而成功与否取决于端到端的最终结果，而非回复的“似真性”（Plausibility）。由于存在幻觉（Hallucinations）、缺乏**接地性（Grounding）**以及无法执行或验证动作，纯对话系统在这些场景中往往表现不佳。工具增强（Tool-augmented）与检索增强（RAG）设计通过将断言绑定至证据，并使中间产物可检查，从而提升了可靠性 [24, 64]。模块化的工具路由（如 MRKL 风格）通过将语言理解与专用工具分离，并强制执行可审计的结构化接口，进一步提升了治理能力 [21, 50]。
1.3 综述 (Overview)
在当前时代，智能体尤为重要，原因有三：
- 任务范畴扩展：从写作辅助转向工作流自动化。代码智能体可端到端解决问题 [20, 61]，Web 智能体能在多变环境下操作真实网站 [14, 62, 67]，企业助手则能在政策约束下编排多步操作。
- 部署模式演进：部署日益呈现出交互性与**长程性（Long-horizon）**特征。微小错误会随时间累积，且非确定性（如采样、工具故障）使可重复性变得复杂，这促使了验证循环与基于追踪（Trace-based）评估的发展 [29, 44, 65]。
- 安全与防护压力：提示词注入（Prompt Injection）、不可信的检索内容以及具有副作用（Side-effecting）的工具，要求在最终回复之外建立深度防御的对齐机制与护栏 [5]。
目前，若干技术趋势使实用的智能体系统成为可能。基座模型提供了强大的泛化能力、指令遵循能力以及涌现的语境学习（In-context Learning）能力，支持在不重训的情况下快速适配 [9, 36]。对齐与偏好优化（如 RLHF）提升了易用性并减少了有害行为，使智能体在面对真实用户输入时更具鲁棒性 [11, 37]。工具调用通过 Schema 和 API 将语言转化为可执行动作 [40, 50]，而检索与记忆则将决策锚定在外部证据和持久状态中 [24, 38, 50]。**推理与行动（Reasoning-and-acting）**的编排模式将审议与环境交互交替进行，提升了接地性并能从失败中恢复 [53, 64]。最后，多模态感知通过将语言锚定在视觉输入中，将动作空间扩展到了图形用户界面（GUI）、文档及具身环境 [26, 28, 45]。
1.4 当前局限 (Current Gaps)
尽管进展迅速，智能体系统在规模化应用中仍受限于可靠性、可重复性和治理能力。长程任务会放大复合错误，而非确定性（采样、工具变动）使得在缺乏标准化协议和完整追踪记录的情况下，评估与调试变得极其困难 [29, 30, 44]。以工具为中心的智能体也引入了新的安全风险：不可信的检索内容和提示词注入可能操纵工具的使用，且具有副作用的动作需要比纯文本审核更强的约束机制 [5, 21, 48]。最后，系统层面的权衡——如自主性 vs. 可控性、延迟 vs. 可靠性以及能力 vs. 安全性——在跨领域和不同部署场景下尚未得到深入理解 [49, 66]。
本综述综合了推理、规划、工具使用及部署领域的新兴智能体架构。我们沿以下维度组织研究全景：(i) 学习策略与系统优化 (§3)；(ii) 强调不同能力与评估体系的应用任务 (§5)。在全文中，我们将重点探讨循环往复的设计权衡，并强调在现实工具和环境多变性下的可重复评估。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
（支持资料、图片参考_相关定制）)
