维特根斯坦于 1921 年出版《逻辑哲学论》，正式提出“语言即世界”这一命题。语言是一种工具，可以实现对客观世界或主观世界进行理解和表达。要让机器理解世界，就需要语言作为桥梁，让机器具备“感知、思考、决策、执行”的能力。

在 1950 年，图灵就提出“如果一台机器能通过文本对话让人类无法分辨它是人还是机器，那它就具有了智能”。短短数年后，在1956年达特茅斯会议上，约翰·麦卡锡等科学家首次提出“人工智能（Artificial Intelligence 缩写为AI）”的专业术语，明确提出了“让机器模拟人类智能”的研究目标。在这一时期，“自然语言处理”则成为了AI早期发展最重要的相辅相成的模块。

“自然语言处理（NLP）”就是：让计算机能够理解、解释、操纵和生成人类自然语言，通俗点讲就是教计算机“听懂人话、说人话、看懂人写的字、写出人能看懂的内容”。

一、发展历程

AI 起源与发展（1950-1989）： 早期以“自然语言处理（NLP）”为基础，机器基于符号逻辑和专家系统，在明确的规则和知识库下运行。例如：机器翻译通过词典、语法规则库、转换规则等来实现语言翻译。随着技术演进，在 1959 年“机器学习”的概念已经正式诞生，亚瑟·塞缪尔定义其为“在不被显式编程的情况下赋予计算机学习能力的研究领域”。1980 年之后，深度学习（特别是卷积神经网络和循环神经网络）的核心雏形和基础算法也在这个阶段被提出来了。由于其智能水平有限，应用场景狭窄，主要集中在工业控制、棋类游戏等封闭环境中。

机器学习：让机器从数据中自己学习规律，而不是仅仅依靠人类为它编写固定的指令 卷积神经网络：专为处理网格结构数据（如图像）设计的深度学习模型，通过卷积层提取局部特征、池化层压缩信息，并最终通过全连接层进行分类或回归等任务，广泛应用于图像识别、目标检测等领域。 循环神经网络：是一种能够处理和建模序列数据的神经网络，通过循环结构使网络能够记忆和利用先前输入的信息，广泛用于自然语言处理、时间序列分析等需要上下文关联的任务。

AI 复兴与突破（1990年代-2016年）：随着计算机硬件技术的进步和数字化数据的快速发展，推动了深度学习和强化学习的成熟，AI 也具备从数据中学习的能力。同时，基于监督学习的对话机器人和推荐系统也开始广泛应用。但这一阶段的Agent通常是为特定任务训练的“专家模型”，泛化能力和自主性仍然受限。

AI 蓬勃发展（2017 年至今）：Google的研究团队于 2017 年发表了一篇名为《Attention Is All You Need》的论文，正式提出了Transformer架构。进一步推动发展了大语言模型（Large Language Model，简称LLM），LLM强大的通用能力（语言理解、知识推理、代码生成）为构建通用自主Agent提供了可能。通过自然语言指令和上下文学习来理解和执行复杂任务。

Transformer： 是一种 基于注意力机制的神经网络架构，用于处理序列到序列（seq2seq）任务（如机器翻译）。它完全不使用循环（RNN）或卷积（CNN），而是靠 自注意力（Self-Attention） 和 前馈网络 来建模长距离依赖。核心是利用了词在上下文中具有位置、关联性、语义属性。

处理流程：文本输入并将词向量化 > 加上位置编码 > 编码处理（多头自注意力、前馈、残差和归一）> 生成富含上下文信息的向量序列> 解码输出文本

自注意力：“自注意力”是在句子中计算词和其他词的相关性。一个注意力机制可能只捕捉到一种关系（比如“谁做了什么”），但句子中的关系是复杂的。

多头注意力就是并行运行多个不同的自注意力机制 ，每个“头”可以学习到不同类型的关系。例如读书会分成几个小组，一个小组专门讨论“人物关系”，另一个小组讨论“时间顺序”，第三个小组讨论“情感色彩”，最后把各小组的结论汇总起来，就得到了对文本更丰富的理解。

位置编码：因为自注意力机制是‘一视同仁’地看所有词，打乱顺序计算结果也一样，所以必须人为地给它加上‘位置标签’。

前馈网络：对每个词的“理解”进行一次深加工。如果自注意力机制解决了‘关注上下文’（即‘看哪里’）的问题，那么前馈网络解决的就是‘独立思考与特征提取’（即‘怎么理解’）的问题。它像一个独立的处理器，对每个词进行深度的特征加工。

残差连接：允许信息绕过某些层直接传递，防止深层网络中的信息丢失或梯度消失（直接引用原始文本）

层归一化：对数据进行标准化，保持分布稳定，加速训练（主持人总结，防止跑题）

为了更直观地理解Transformer为何能取代前代技术，我们可以对比一下不同网络类型的特性：

网络类型	形象比喻	上下文记忆能力	擅长任务	主要缺点
FFN (前馈)	流水线工人	❌ 完全不能	图像分类、简单预测	忽略顺序和关系
RNN (循环)	读书人	✅ 短期记忆	语音识别、短文本生成	长句子会遗忘，训练慢
CNN (卷积)	放大镜侦探	⚠️ 只看局部	图像识别、短语检测	难以建模远距离关系

二、模型演进

Transformer 最初是为处理文本（一维序列数据）设计的，但它的核心机制——自注意力（Self-Attention），其实是一种通用的数据处理能力。只要把图片、声音、视频都转化成计算机能看懂的“词汇”（Token），原本用来“接龙写文章”的 Transformer，就能用来“接龙画图”或“接龙生成视频”。AI 模型也从单模态发展到多模态，而多模态大模型（如GPT-4o）不仅仅是输入输出的多模态，更是内部表征的统一。

单模态：在输入和输出端分别专注于一种类型的信息处理。例如文生文、文生图、图生文、图生图等

多模态：输入或输出端能同时处理、理解和关联多种不同类型信息。例如视觉问答、生成带图片的问答等

模型就像是一个超级搏学的大脑，但仅有大脑是无法自主的行动。为了让 AI能够感知环境、进行决策，并自主采取行动以实现某种目标，从而发展出智能体（Agent）。虽然‘智能体’的概念早在20世纪就已萌芽，但直到LLM赋予了其强大的通用大脑，现代意义上的AI Agent才真正爆发。

三、AI Agent

1、核心能力

• 感知：通过多模态输入接口，感知和理解外部的复杂信息，包括文本、图像、声音、视频和传感器数据。关键技术包括自然语言处理（NLP）、计算机视觉（CV）、自动语音识别（ASR）、多模态融合

• 大脑：处理感知模块输入的信息，进行推理（逻辑分析、因果判断、意图推断）和规划（将宏大目标拆解为有序、可执行步骤，并能动态调整计划能力）。核心驱动是思维链，先生成推理过程再解决问题。主流决策框架包括

• ReAct：思考（基于当前状态和目标进行推理并决定下一步采取什么行动）、行动（选择合适工具执行，以获取外部信息或改变环境状态）、观察（Agent接收行动执行后的结果并将其作为下一轮“思考”的输入）。

• Plan-and-Execute：规划（分析用户目标并分解成详尽有序的步骤列表）、执行（调用工具按照规划逐个执行任务）。

• Reflection & Self-Critique（反思与自我批判）：核心思想是在 Agent 完成一次任务或一个重要步骤后，引入“反思”环节

• 行动：Agent 调用各种工具（API服务、数据库、软件应用等）来执行任务

• 记忆：Agent 拥有短期记忆和长期记忆机制，使其能够存储和检索在任务执行过程中的关键信息、经验和知识

2、多智能体系统

AI Agent 从“工具”向“组织”的演进，核心机制在于智能体之间高效的通信与协作。

2.1、MAS 核心架构模式：

• 层级式架构：类似传统的公司管理结构。系统中存在一个“管理者”或“协调者”，负责理解最终目标、分解任务，并将子任务分配给下属的“工作者”。工作者完成各自任务后，将结果汇报给管理者，由管理者进行汇总和最终决策。

• 平等式架构：Agent 地位都是平等的，通过直接通信进行协商、分配任务和共享信息，共同推进任务的完成

• 混合式架构：结合以上两种模式的优点，在宏观上采用层级式进行任务分解和管理，在局部则采用平等式进行协作。

2.2、通信协议：

• 模型上下文协议（MCP）：为 LLM与外部工具、数据和服务之间建立一套标准化的通信“语言”

• 智能体间协议（A2A）：定义了 Agent 之间如何发现彼此、协商能力、交换信息和协调任务

2.3、协调机制：定义 Agent 如何分配任务、解决冲突和达成共识

• 黑板系统：所有 Agent共享一个公共的数据区域（黑板），它们可以从中读取任务、写入结果，通过这种间接方式进行通信和协调

• 合同网协议：基于市场机制的招标-投标模式。一个 Agent 可以发布任务“招标”，其他 Agent 根据自身能力进行“投标”，最终由发布者选择最合适的 Agent 来“中标”并执行任务

四、生态图谱

基础底座层：AI 芯片/算力、大语言模型、数据服务

智能体平台层：开发框架与工具链、LLMOps/AgentOps平台、连接器与插件市场

通用/行业智能体层：通用智能体、行业智能体

终端用户层：个人用户、企业用户

1、主流的开源框架

维度	LangChain	LangGraph	AutoGen	CrewAI
核心定位	事实上的行业标准 功能全面、生态丰富的开源 AI 应用开发框架。	为复杂工作流而生 一个基于图（Graph）结构构建有状态、可循环的多智能体应用的扩展库。	为多智能体协作而生 一个由微软研究院推出的，专注于简化多智能体对话应用编排的开源框架。	像管理团队一样管理 Agent 一个以角色扮演（Role-Playing）为核心，旨在让多智能体协作更简单、更符合人类直觉的编排框架。
核心理念	组合 将各个环节抽象为独立的、可复用的组件（如模型、提示词、记忆、工具等），开发者可以像搭积木一样将它们组合起来。	状态图 将 Agent 的执行流程建模为一个状态图（State Graph）。图中的每个节点（Node）代表一个计算单元，每条边（Edge）则定义了计算单元之间的流转逻辑。	可对话的 Actor AutoGen 将每个 Agent 视为一个可对话的 Actor。开发者只需要定义好每个 Agent 的系统消息、LLM 配置以及何时需要人类介入，AutoGen 就能自动协调它们之间的对话。	角色和任务 CrewAI 的核心是角色（Role）和任务（Task）。开发者需要明确定义每个 Agent 的角色、目标和背景故事，并为它们分配具体的任务。
最强优势	生态最完善 拥有最庞大的社区、最丰富的插件和最全面的文档。	精确的流程控制 支持循环和长时运行，内置的 Checkpoint 机制可以轻松保存和恢复工作流的每一步状态。	强大的对话管理 对多 Agent 对话的抽象和自动化做得非常出色。内置代码执行，UserProxyAgent 可以无缝地执行 LLM 生成的代码。	概念清晰，上手简单 角色、任务、团队的隐喻非常直观，代码结构清晰，易于理解和维护。
主要劣势	学习曲线陡峭 抽象层次多，概念复杂，官方文档曾一度混乱，新手上手难度较大。	更高的抽象层次 需要开发者理解图论和状态机的概念，心智负担更重。代码结构更复杂，相比线性的 Chain，定义一个完整的 Graph 需要更多的模板代码。	流程控制不精确 基于对话的模式有时难以预测和控制，Agent 的行为可能不符合预期。状态管理较弱，相比 LangGraph，对长时任务的状态管理和持久化支持较弱。	灵活性较低 相比 AutoGen 和 LangGraph，其固定的“角色-任务”模式在处理非结构化、需要动态决策的复杂问题时可能不够灵活。
适用场景	构建复杂的、需要深度定制的 AI 应用 特别是那些需要集成多种数据源、模型和工具的复杂场景。	任何需要精确控制、包含循环或需要多 Agent 协作的复杂任务 例如：需要“反思-修改”循环的代码生成、需要多专家交替介入的报告撰写。	需要多个 AI 专家通过对话协作解决问题的场景 尤其是软件开发、数据分析、科学研究等。它非常适合用于构建能够自我修正、迭代优化的自动化工作流。	非常适合模拟和自动化具有明确分工和流程的业务场景 如内容创作、市场分析、客户支持、软件开发流程等。它是在“易用性”和“流程控制”之间取得良好平衡的优秀框架。

五、商业模式

模型即服务：底层大模型厂商API 调用次数或 Token 消耗量收费

平台即服务：智能体开发平台提供开发工具、运营环境和算力资源，通过订阅费的模式收费

软件即服务：将成熟的通用或行业智能体打包成标准化 SaaS 产品，按照用户数或功能模块收取订阅费

结果即服务：根据 Agent 为客户创造的实际业务价值（如节约的成本、带来的销售额）进行分成