AI Agent 学习（五）：智能体的发展历程——从符号主义到 LLM Agent

上一篇介绍了智能体Agent的基本概念、运行机制以及 Agent Loop也亲手实现了一个简单的旅行助手。不过一个问题自然会出现为什么现在 Agent 会突然火起来事实上智能体并不是近几年才出现的新概念它的发展已经经历了几十年的演进。从最早的规则系统到神经网络、强化学习再到今天的大语言模型LLM每一次人工智能范式的变化都推动着智能体能力不断提升。这篇文章就按照时间线简单梳理一下 Agent 的发展过程。一、符号主义最早的智能体20 世纪五六十年代人工智能刚刚兴起当时最主流的思想叫做符号主义Symbolism。它认为人类的智能本质上就是符号推理。如果把知识全部写成规则计算机按照规则进行推理就可以拥有智能。因此当时诞生了很多专家系统Expert System。例如IF 发烧 AND 咳嗽 THEN 感冒整个系统依靠大量规则完成推理。这种方式在规则明确、领域固定的问题上效果不错因此在医疗诊断、工业控制等领域都有应用。但是它的问题也很明显。随着规则越来越多维护成本越来越高很难覆盖真实世界所有情况缺乏学习能力智能完全依赖人工编写规则一旦遇到没见过的问题就无法处理。因此符号主义逐渐遇到了瓶颈。二、联结主义让机器开始学习随后人工智能的发展进入了**联结主义Connectionism**阶段。相比人工编写规则联结主义更接近人脑神经元工作方式。它希望通过神经网络让机器自己从大量数据中学习规律而不是人为告诉它规则。真正推动这一方向快速发展的是后来深度学习Deep Learning的兴起。随着计算能力不断提高神经网络开始在越来越多任务中取得突破例如图像识别语音识别自然语言处理相比符号主义联结主义最大的优势就是不需要人为编写规则而是让模型自己学习特征。智能体也因此拥有了更强的感知能力Perception能够直接理解图片、文本、声音等原始数据。不过它仍然存在一个问题虽然能够看懂但还不会做决策。三、强化学习让智能体学会决策如果说联结主义解决的是看到什么那么强化学习Reinforcement LearningRL解决的就是下一步应该怎么做强化学习最大的特点就是智能体不断与环境交互通过试错不断学习。整个过程包括几个核心要素Agent智能体Environment环境State状态Action动作Reward奖励整个学习流程可以理解为观察环境 ↓ 执行动作 ↓ 获得奖励 ↓ 更新策略 ↓ 继续下一轮智能体并不是学习一次而是在不断循环中优化自己的策略希望获得更大的长期奖励。AlphaGo 就是强化学习最经典的案例。它通过数百万次自我对弈不断调整策略最终战胜了世界顶级围棋选手。强化学习让智能体真正拥有了自主决策能力。四、大规模预训练LLM 的诞生虽然强化学习解决了决策问题但还有一个新的难题。智能体几乎没有任何常识。很多知识都需要重新学习。于是自然语言处理领域提出了一个新的训练方式Pre-training预训练核心思想非常简单第一步利用互联网海量文本训练一个基础模型。第二步再针对具体任务进行微调Fine-tuning。这种预训练 微调模式让模型拥有了大量世界知识。相比以前每个任务都重新训练模型现在只需要一个基础模型就可以适应不同任务。随着训练数据、模型参数不断增加大语言模型LLM开始出现了一些令人惊讶的能力例如上下文学习In-context Learning零样本学习Zero-shot少样本学习Few-shot思维链推理Chain of Thought这些能力并不是人工设计出来的而是在模型规模不断扩大后自然出现的也被称为涌现能力Emergent Abilities。至此LLM 已经不仅仅是一个语言模型更像是一个拥有丰富知识和推理能力的大脑。五、LLM Agent 的出现随着 GPT、Qwen、Claude 等大语言模型的发展现代 Agent 开始真正进入大众视野。相比传统智能体LLM Agent 不再依赖大量固定规则而是由 LLM 负责推理和决策。一个典型的 LLM Agent通常由几个核心模块组成Perception感知Planning规划Memory记忆Tool Use工具调用Execution执行整个运行流程仍然遵循经典的 Agent LoopPerception ↓ Thought ↓ Action ↓ Observation ↓ 继续下一轮不同的是如今负责思考的不再是人工写好的规则而是大语言模型。同时Agent 还能调用搜索、数据库、代码解释器等各种工具不断获取新的信息并根据反馈持续调整自己的决策。也正因为如此现代 Agent 已经能够完成越来越复杂的任务。六、总结回顾整个智能体的发展历程可以发现它并不是某一种技术突然出现而是多个方向不断融合的结果符号主义让机器具备逻辑推理能力。联结主义赋予机器从数据中学习和感知世界的能力。强化学习让智能体能够通过与环境交互不断优化决策。大规模预训练让模型拥有丰富的世界知识和通用推理能力。LLM Agent将推理、规划、记忆和工具调用结合起来形成现代智能体。如今的 Agent可以看作是这些技术长期发展的成果。未来随着模型能力和工具生态不断完善Agent 也将逐渐从辅助工具发展为真正能够自主完成复杂任务的智能协作者。