2025年作为Agent发展元年，Manus敲响了AI 应用大发展的号角，各种Agent应用层出不穷。这些智能体基本框架是怎样的，哪些更有前景？
最近在海外看到一张「2025 年 AI Agent 技术趋势全景图」，觉得非常精彩，分享出来和大家交流。
这张图是《Agentic AI：利用 AI 代理重塑商业与工作》作者拉凯什·戈赫尔所做，看趋势图之前，可以先看这张涵盖LLM Workflow、RAG、AI Agent、Agentic AI等常见概念名词的解读。
再来重点看这张趋势图，把未来一年最有可能落地的 Agent 形态、核心协议栈、工程框架与典型场景全部压缩在一张图里，非常清晰明了帮助大家完整理解Agent。
1
中心主题
中间的圆环标明了 2025 AI Agent Trends 的六大类趋势：
Agentic RAG（推理型检索增强生成）
Voice Agents（语音智能体）
CUA（Computer Using Agents，能像人类一样操作电脑的智能体）
Coding Agents（代码智能体）
Deep Research Agents（深度研究型智能体）
Agent Protocols（智能体协议）
六大Agent趋势的外圈是代表产品，圆圈四周是每个Agent的流程图。我们来具体解读下，这里在每个Agent领域，鲸哥增加了国内这个类型的代表产品。
6大 Agent 模式
1
Agentic RAG
定义：一种结合检索与推理的 AI 智能体工作流，用于实时数据检索和生成。
流程：
Memory（记忆）：保存上下文信息
Planning（规划）：确定任务步骤
System Prompt（系统提示）：定义任务逻辑
Agent（智能体）：执行任务
Tools（工具） + Vector Search（向量搜索） + Knowledge DB（知识库）：从外部数据库检索信息
Generate（生成）：输出结果
国外代表：
PerplexityAI：主打即时信息检索+引用来源，类似搜索引擎+AI顾问
Harvey：面向法律行业的专业推理与检索
Glean：企业内部知识检索与智能问答
国内代表：
秘塔AI搜索：聚焦本地化搜索+实时问答
百度文心一言 + 搜索增强：结合百度搜索做事实检索
360纳米搜索：整合360搜索的即时信息流
2
Voice Agents
定义：通过自然语言与用户交互的智能体，支持语音输入与输出。
STT（Speech-to-Text） 将语音转文字
Embedding Model + Retrieval API + Vector DB 处理信息
Agent 进行任务执行
TTS（Text-to-Speech） 将结果转为语音
可接入 Gmail、Telephony 等渠道
场景：智能客服、语音助理、电话机器人
国外代表：
OpenAI GPT-4o Voice：多模态对话，低延迟语音交互
Alexa LLM（亚马逊）：智能家居+语音助手
Apple Siri（升级版）：与Apple Intelligence结合的智能助手
Meta’s Voicebox（研发中）：多语言语音生成
国内代表：
豆包：强实时语音识别与合成
小爱同学（小米）：深度嵌入IoT生态
天猫精灵（阿里）：智能家居+购物语音控制
华为小艺：跨设备语音助手
3
CUA（Computer Using Agents）
定义：能够像人类一样操作电脑的软件和界面。
使用 语言模型 解析用户指令
获取 桌面环境数据（Desktop Sandbox）
结合 Vector DB、Memory、第三方工具（如 Stripe、DoorDash） 执行任务
场景：自动化办公、桌面软件操作、RPA（机器人流程自动化）
国外代表：
Devin（Cognition AI）：能直接在电脑环境中开发、调试、部署代码
MultiOn：能代替用户操作网页、表格、日历等
Adept ACT-1（研发暂停）：早期探索自动化办公
国内代表：
扣子空间（字节跳动）：低代码构建多场景桌面操作
MuleRUN：具备系统级操作的能力
Fellou：网页与桌面操作的自动化执行
4
Coding Agents
定义：能 10 倍速构建和调试应用的 AI 智能体。
用户提出 Query
Agent 选择合适工具执行（代码生成、调试、测试）
输出成品代码或测试结果
工具链：
Code Generator：生成代码
Code Debugger：调试代码
Test Runner：自动化测试
场景：软件开发、自动化调试、代码审查
国外代表：
GitHub Copilot Workspace：支持从需求到部署的全链路编码
Cursor：IDE级AI编程助手
Replit Agents：可多步生成、运行、调试代码
国内代表：
通义灵码（阿里）：嵌入IDE的代码生成与调试
百度Comate：结合文心大模型的智能编程工具
字节Trae：全流程的AI IDE产品
5
Deep Research Agents
定义：多智能体协作，构建深度研究型报告。
用户需求 → Aggregator（聚合器）
分发给多个 Sub-Agent（子智能体）
各自检索、引用（Citation Agent）、分析
聚合输出报告
场景：市场调研、学术研究、情报分析
国外代表：
OpenAI Deep Research（2025新功能）：多Agent长期调研
Perplexity Pro Search：支持多步调研与引用
LangChain + Agents：自定义研究工作流
Vulcan Research AI：行业情报自动生成
国内代表：
夸克深度搜索：支持多轮长程研究
阿里通义助理 Deep Search：针对行业报告和市场分析
百度文心智研：自动生成调研大纲与全文
6
AI Agent Protocols
定义：统一的多智能体通信协议，简化跨平台协作。
关键技术：
MCP、ACP、A2A（Agent-to-Agent） 协议
Google ADK、LangGraph、Cisco SLIM
Agent 发现与连接
任务流转与结果回传
支持流式与非流式数据处理
意义：打通不同智能体和工具间的交互，形成互通生态
国外代表：
Google AI Device Kit（ADK）：多Agent跨设备调用
LangGraph：可视化多智能体协作编排
Cisco SLIM：企业级Agent通信标准
OpenAI MCP（Model Context Protocol）：跨模型的上下文共享
国内代表：
字节跳动Coze协议层：支持不同Bot的消息与任务协作
阿里云AgentFlow：跨Agent编排与协议转换
腾讯云智链协议：支持企业多Agent互通
华为MetaAgent标准：IoT与大模型互通协议
整体趋势总结
戈赫尔还制作了Agent L1-L5的发展标准：
Level 5 – 完全自治智能体
具备自我改进能力，完全自主
持续学习与推理
无需人工干预
Level 4 – 半自治智能体
以目标为驱动，具备多模态感知
能感知复杂环境
能基于过往经验进行规划
Level 3 – 智能体工作流
能基于反馈进行推理和学习
具备自然语言理解
工具编排
Level 2 – 智能自动化
基础AI系统，自治性有限
简单机器学习用于模式识别
提供部分决策支持
Level 1 – 基于规则的自动化
刚性、基于规则的系统，无学习能力
简单的 if-then 逻辑
手动使用工具完成操作
无适应性和智能
如何学习AGI大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取