在人工智能快速發展的今天，"AI智能體"(AI Agents)和"智能主體AI"(Agentic AI)這兩個術語經常被混用，但它們實際代表著截然不同的技術范式和能力水平。康奈爾大學的Ranjan Sapkota和Manoj Karkee，以及希臘伯羅奔尼撒大學的Konstantinos I. Roumeliotis在2025年5月發表在arXiv預印本平臺上的這篇綜述論文《AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges》，系統性地剖析了這兩種AI系統的本質區別、應用場景和未來挑戰。這篇研究不僅對專業人士有重要參考價值，對于普通人理解AI技術的演進路線圖也具有啟發意義。

一、AI智能體與智能主體AI的基本概念：從單兵作戰到團隊協作

想象一下，AI智能體就像一位能力不錯的獨立工作者，它可以接受指令、使用工具完成特定任務，但工作范圍有限且需要明確的指示。比如，你告訴它"幫我整理收件箱中的郵件"，它會按照預定規則分類你的郵件，但不會主動提出改進郵件管理系統的建議。

而智能主體AI則更像是一個協調有序的專業團隊，由多個專長不同的AI共同工作，能夠分解復雜目標、相互溝通，并在持續記憶的基礎上調整策略。就好比你對它說"幫我計劃一次商務旅行"，它會自動分配不同的"團隊成員"來查詢航班、預訂酒店、安排會議時間，并在遇到沖突時主動協調解決。

研究者通過谷歌趨勢數據發現，自2022年11月ChatGPT發布以來，這兩個術語的搜索量顯著上升，反映了公眾對AI技術演進的濃厚興趣。這一技術轉變源自大型語言模型(LLM)的突破，從ChatGPT這樣的生成式AI，到能夠操作工具的AI智能體，再到如今能夠協同工作的智能主體AI系統。

在智能體發展的早期歷史中，卡斯特爾弗蘭奇(Castelfranchi)在1998年和費伯(Ferber)在1999年的研究奠定了重要基礎，他們提出了社會行動建模和多智能體系統的核心概念。這些早期系統主要基于規則和符號推理，遠不及當今基于大型語言模型的系統那樣靈活和自適應。

二、研究方法：全面的文獻分析與系統評估

研究團隊采用了混合文獻檢索方法，結合傳統學術數據庫和AI增強的文獻發現工具。他們查詢了包括Google Scholar、IEEE Xplore、ACM數字圖書館、Scopus、Web of Science、ScienceDirect和arXiv等學術平臺，以及ChatGPT、Perplexity.ai、DeepSeek、Hugging Face Search和Grok等AI驅動的接口。

檢索使用了關鍵詞組合，如"AI Agents"、"Agentic AI"、"LLM Agents"、"工具增強LLM"和"多智能體AI系統"。更精準的查詢如"Agentic AI + Coordination + Planning"和"AI Agents + Tool Usage + Reasoning"被用來檢索同時涉及概念基礎和系統實現的論文。

研究的整體方法論遵循一個連續的、分層的結構，從AI智能體的基礎理解開始，然后探討LLM作為核心推理組件的角色，接著分析智能主體AI的出現，審視它們的架構演變、應用領域、面臨的挑戰及潛在解決方案。這種系統性的方法使得研究能夠全面把握從基礎AI智能體到高級智能主體AI系統的整個演進過程。

三、AI智能體：單兵作戰的智能助手

AI智能體本質上是一種自主軟件實體，設計用于在有界數字環境中執行特定任務。這些智能體能夠感知結構化或非結構化的輸入信息，對上下文進行推理，并采取行動實現特定目標，通常代表用戶或子系統執行操作。

與傳統的自動化腳本不同，AI智能體展示出反應性智能和有限的適應能力，使其能夠解讀動態輸入并相應地調整輸出。它們已被應用于多個領域，包括客戶服務自動化、個人生產力助手、內部信息檢索和決策支持系統。一個值得注意的例子是Anthropic的"Computer Use"項目，他們的Claude模型被訓練為能夠導航電腦、自動化重復流程、構建和測試軟件，甚至執行開放式任務如研究。

AI智能體的三個核心特征可以總結為：自主性、任務特異性和反應性。自主性指智能體在部署后能夠獨立行動，最大限度減少對人工干預的依賴。任務特異性體現為智能體為特定范圍的任務進行專門設計，如日程安排、查詢或過濾。反應性則是指智能體對環境變化的響應能力，包括用戶命令、軟件狀態或API響應；當擴展為適應性時，這包括反饋循環和基本學習啟發式。

這些智能體依賴大型語言模型(LLM)和大型圖像模型(LIM)作為核心推理和感知引擎。LLM如GPT-4和PaLM經過大規模數據集訓練，展現出自然語言理解、問答、摘要、對話連貫性甚至符號推理的能力。在智能體架構中，LLM作為主要決策引擎，幫助智能體解析用戶查詢、計劃多步解決方案并生成自然反應。

例如，一個用于農業檢測的自主無人機智能體使用視覺模型來識別病果或受損樹枝，并觸發預定的干預協議。這種工作流程展示了AI智能體在農業環境中的自主性和反應性。

四、從生成式AI到智能體：能力進階之路

在AI智能體出現之前，生成式AI系統是更簡單的基礎。這些系統主要基于預訓練的LLM和LIM，設計用于基于輸入提示生成新內容（文本、圖像、音頻或代碼）。雖然表達能力強，但生成式模型本質上表現出反應性行為：它們只在明確提示時生成輸出，不會自主追求目標或進行自啟動推理。

生成式AI的關鍵特征包括： - 反應性：作為非自主系統，它們完全由輸入驅動，缺乏內部狀態、持久記憶或目標追蹤機制 - 多模態能力：現代生成系統可以產生各種輸出，包括連貫敘述、可執行代碼、逼真圖像甚至語音轉寫 - 提示依賴和無狀態性：盡管GPT-4.1等最新模型支持更大的上下文窗口（高達100萬個標記），但它們在交互中不保留上下文，除非顯式提供

盡管生成能力令人印象深刻，這些系統仍受限于無法獨立行動于環境或操作數字工具。例如，它們不能搜索互聯網、解析實時數據或與API交互，除非通過人工設計的包裝器或腳手架層。因此，它們不符合真正AI智能體的定義，后者的架構整合了感知、決策和外部工具使用于閉環反饋循環。

對于生成式AI在處理動態任務、維持狀態連續性或執行多步計劃的限制，推動了工具增強系統的發展，這些系統通常被稱為AI智能體。這些系統建立在LLM的語言處理骨干上，但引入了額外的基礎設施，如記憶緩沖區、工具調用API、推理鏈和規劃例程，以彌合被動響應生成與主動任務完成之間的差距。

五、語言模型：AI智能體進化的引擎

AI智能體作為一種變革性范式的出現，與大規模語言模型的演進和重新利用密切相關。這些模型，如GPT-3、Llama、T5、Baichuan 2和GPT3mix，最初為自然語言處理任務而訓練，但越來越多地嵌入到需要適應性規劃、實時決策和環境感知行為的框架中。

研究證實，從反應性生成模型到自主、目標導向智能體的飛躍是由將LLM作為核心推理引擎整合到動態智能體系統中驅動的。這些模型通過自監督目標預訓練在海量文本語料庫上，并使用監督微調(SFT)和人類反饋強化學習(RLHF)等技術進一步調整。它們編碼了豐富的統計和語義知識，使其能夠執行推理、摘要、代碼生成和對話管理等任務。

在智能體環境中，LLM的能力被重新利用，不僅僅是生成響應，還作為認知基質解釋用戶目標、生成行動計劃、選擇工具和管理多輪工作流程。例如，AutoGPT和BabyAGI使用GPT-4同時作為規劃者和執行者：該模型分析高級目標，將其分解為可操作的子任務，根據需要調用外部API，并監控進度以確定后續行動。

為克服生成式系統固有的局限性，如幻覺、靜態知識截止和受限交互范圍，研究人員提出了工具增強LLM智能體的概念。這些系統將外部工具、API和計算平臺整合到智能體的推理管道中，允許實時信息訪問、代碼執行和與動態數據環境交互。

工具調用的工作方式是：當智能體確定需要借助外部資源（如查詢當前股票價格、檢索最新天氣信息或執行腳本）時，它會生成結構化函數調用或API請求。一旦收到工具的響應，輸出會被解析并重新整合到LLM的上下文窗口中，使智能體能夠合成新的推理路徑、更新其任務狀態并決定下一步行動。

ReAct框架展示了這種架構，通過結合推理（鏈式思考提示）和行動（工具使用），LLM在內部認知和外部環境交互之間交替。一個突出的工具增強AI智能體例子是ChatGPT，當它無法直接回答查詢時，會自主調用Web搜索API檢索更多近期和相關信息，對檢索內容進行推理，并基于理解形成響應。

六、智能主體AI：從單兵作戰到團隊協作

雖然AI智能體在自動化狹窄任務方面取得了顯著進展，但研究文獻指出它們在復雜、多步驟或協作場景中的可擴展性存在明顯限制。這些限制催生了一種更先進的范式：智能主體AI。

智能主體AI系統延伸了傳統智能體的能力，支持多個智能實體通過結構化通信、共享記憶和動態角色分配協作追求目標。這種新興系統級的智能模式被定義為由模塊化智能體組成的系統，每個智能體負責更廣泛目標的不同子組件，并通過集中式編排器或分散式協議進行協調。

這種架構標志著從傳統單智能體架構中典型觀察到的原子、反應性行為向動態、分散、目標驅動的系統智能的概念性轉變。

智能主體AI的核心使能技術是目標分解，用戶指定的目標會自動解析并分解為更小、可管理的任務，然后分配給智能體網絡。多步推理和規劃機制促進了這些子任務的動態排序，使系統能夠實時適應環境轉變或部分任務失敗，即使在不確定性條件下也能確保強健的任務執行。

智能體間通信通過分布式通信通道（如異步消息隊列、共享記憶緩沖區或中間輸出交換）進行調解，實現不需要持續中央監督的協調。此外，反射性推理和記憶系統允許智能體在多次交互中存儲上下文，評估過去的決策，并迭代完善其策略。這些能力共同使智能主體AI系統展現出靈活、適應性和協作性智能，超越了單個智能體的操作限制。

研究中廣泛接受的概念說明通過智能家居系統的類比描繪了AI智能體和智能主體AI之間的區別。如圖所示，左側代表傳統的AI智能體，以智能恒溫器形式呈現。這個獨立智能體接收用戶定義的溫度設置，并自主控制加熱或冷卻系統維持目標溫度。雖然它展現出有限的自主性，如學習用戶日程或減少外出期間能源使用，但它在孤立中運行，執行單一、明確定義的任務，不參與更廣泛的環境協調或目標推斷。

相比之下，右側展示了嵌入全面智能家居生態系統的智能主體AI系統。這里，多個專業智能體協同管理各種方面，如天氣預報、日程安排、能源價格優化、安全監控和備用電源激活。這些智能體不只是反應性模塊；它們動態通信，共享記憶狀態，協作調整行動以實現高級系統目標（例如，實時優化舒適度、安全性和能源效率）。例如，天氣預報智能體可能發出即將到來的熱浪信號，促使在高峰定價時段前通過太陽能提前預冷，由能源管理智能體協調。同時，系統可能在占用者外出期間延遲高能耗任務或激活監控系統，整合跨領域的決策。

七、智能主體AI與AI智能體的關鍵差異

為系統性捕捉從生成式AI到AI智能體再到智能主體AI的演變，研究設計了一個基礎分類法，以生成式AI作為基線。盡管AI智能體和智能主體AI代表著越來越自主和交互的系統，但兩種范式都根本性地植根于生成式架構，特別是LLM和LIM。

從AI智能體到智能主體AI的關鍵區別包括：

- 定義：AI智能體是執行特定任務的自主軟件程序，而智能主體AI是多個AI智能體協作實現復雜目標的系統。 - 自主性水平：AI智能體在特定任務中具有高度自主性，而智能主體AI則擁有更高的自主性，能夠管理多步驟、復雜任務。 - 任務復雜性：AI智能體通常處理單一、特定任務，智能主體AI則處理需要協調的復雜、多步驟任務。 - 協作：AI智能體獨立運行，而智能主體AI涉及多智能體協作和信息共享。 - 學習與適應：AI智能體在特定領域內學習和適應，智能主體AI則能在更廣泛的任務和環境范圍內學習和適應。 - 應用場景：AI智能體適用于客服聊天機器人、虛擬助手、自動化工作流等場景，而智能主體AI適用于供應鏈管理、業務流程優化和虛擬項目管理等更復雜場景。

研究還從多個維度進行了更細致的比較，包括主要能力、規劃范圍、互動風格和學習機制。AI智能體針對離散任務執行進行了優化，規劃范圍有限，依賴監督或規則基礎學習機制。相比之下，智能主體AI系統擴展了這種能力，通過多步規劃、元學習和智能體間通信，使它們能夠在需要自主目標設定和協調的復雜環境中使用。

八、架構演變：從AI智能體到智能主體AI系統

智能體架構的演變從模塊化的AI智能體到更復雜的智能主體AI系統，標志著人工智能設計中的根本轉變。基礎AI智能體通常由四個主要子系統組成：感知、推理、行動和學習。這些子系統構成了稱為"理解、思考、行動"的閉環運行周期。

感知模塊攝取來自用戶的輸入信號或外部系統，對數據進行預處理為智能體推理模塊可解釋的格式。知識表示和推理模塊位于智能體智能的核心，將符號、統計或混合邏輯應用于輸入數據。行動選擇和執行模塊將推斷的決策轉化為使用行動庫的外部行動?；A學習和適應層面包括有限的學習機制，例如啟發式參數調整或歷史信息上下文保留。

智能主體AI系統繼承了AI智能體的模塊化特性，但擴展了它們的架構以支持分布式智能、智能體間通信和遞歸規劃。智能主體AI系統由多個智能體組成，每個智能體都分配了專門功能（例如，匯總器、檢索器、規劃者）。這些智能體通過通信通道（如消息隊列、黑板或共享內存）進行交互。

智能主體AI中的一個關鍵創新是引入了編排層或元智能體，這些編排層或元智能體協調從屬智能體的生命周期，管理依賴關系，分配角色，解決沖突。這些架構支持高度復雜的協作行為，遠遠超出了單智能體系統的能力，包括分布式規劃、適應性工作流調整和多模態協調。

九、應用領域：從簡單任務到復雜協作

研究系統性地分析了AI智能體和智能主體AI在多個應用領域的不同使用場景。

AI智能體的應用主要集中在：

1. 客戶支持自動化和內部企業搜索：AI智能體廣泛應用于企業環境中，用于自動化客戶支持和內部知識檢索。它們利用檢索增強的LLM連接APIs和組織知識庫回答用戶查詢、分類工單和執行操作。

2. 郵件過濾和優先級排序：在生產力工具中，AI智能體通過內容分類和優先排序自動化郵件分類。通過分析元數據和信息語義，它們檢測緊急性、提取任務并推薦回復，減輕認知負擔。

3. 個性化內容推薦和基礎數據報告：AI智能體通過分析行為模式支持自適應個性化。平臺如亞馬遜、YouTube和Spotify部署這些智能體通過協同過濾、意圖檢測和內容排名推斷用戶偏好。

4. 自主調度助手：集成日歷系統的AI智能體自主管理會議協調、重新安排和沖突解決。工具如x.ai和Reclaim AI解釋模糊的調度命令，訪問日歷API，并使用學習的用戶偏好識別最佳時間段。

相比之下，智能主體AI應用在更廣泛、更動態的場景中展現價值：

1. 多智能體研究助手：在學術和工業研究管道中部署智能主體AI，自動化多階段知識工作。專門角色分配給多個智能體（檢索者、匯總者、合成者、引用格式化者），由中央編排器協調。

2. 智能機器人協調：在機器人和自動化中，智能主體AI支持多機器人系統中的協作行為。每個機器人作為專門任務智能體（如拾取者、運輸者或繪圖者）運行，而編排器監督和調整工作流程。

3. 協作醫療決策支持：在高風險臨床環境中，智能主體AI通過將診斷、生命體征監測和治療規劃等任務分配給專門智能體，實現分布式醫療推理。這些智能體通過共享內存和推理鏈同步，確保連貫、安全的建議。

4. 多智能體游戲AI和自適應工作流自動化：在模擬環境和企業系統中，智能主體AI促進了分散任務執行和緊急協調。游戲平臺如AI Dungeon部署獨立的NPC智能體，具有目標、記憶和動態交互性，創造緊急敘事和社交行為。

這些應用案例突顯了AI智能體與智能主體AI之間的操作差異，前者更適合結構化、狹窄的任務，后者則在需要復雜協作和適應性決策的環境中表現出優勢。

十、挑戰與解決方案：智能系統的未來路線圖

盡管AI智能體和智能主體AI展現出廣闊的應用前景，但兩種范式都面臨著重要的技術挑戰。

AI智能體的關鍵挑戰包括：

1. 缺乏因果理解：AI智能體嚴重依賴LLM，而這些模型善于識別訓練數據中的統計相關性，但缺乏區分單純關聯與因果關系的能力。例如，導航智能體可能在城市駕駛中表現出色，但缺乏路面牽引力或空間遮擋的內部因果模型，可能在雪地或施工區表現不佳。

2. 繼承自LLM的限制：AI智能體特別是基于LLM的智能體繼承了多種固有限制，影響其可靠性和適應性。其中最突出的是產生幻覺（似乎合理但事實上不正確的輸出）的傾向。

3. 不完整的智能體屬性：大多數當前的AI智能體無法完全滿足經典文獻中定義的規范智能體屬性，如自主性、主動性、反應性和社交能力。例如，自主性通常是部分的，智能體在初始化后可以執行任務，但仍然嚴重依賴外部支持。

4. 有限的長期規劃和恢復能力：AI智能體在執行復雜、多階段任務時往往力不從心，尤其是在需要擴展時間一致性或應急規劃的場景。

智能主體AI面臨著更復雜的挑戰：

1. 放大的因果挑戰：在智能主體AI中，單智能體架構中已經存在的因果缺陷被放大。多智能體動態使得錯誤可能在系統中級聯，一個智能體的錯誤或幻覺可能污染其他智能體的決策。

2. 通信和協調瓶頸：智能主體AI的一個核心挑戰是實現多個自主智能體之間的高效通信和協調。目標一致性、協議限制和資源爭用常常阻礙智能體間的無縫合作。

3. 緊急行為和可預測性：智能主體AI管理緊急行為（從自主智能體交互中產生的復雜系統級現象）面臨重大挑戰。雖然這種緊急性可能產生適應性和創新解決方案，但也可能導致未預期后果。

4. 可擴展性和調試復雜性：隨著智能主體AI系統在智能體數量和專門角色多樣性方面的擴展，維持系統可靠性和可解釋性變得越來越復雜。

針對這些挑戰，研究提出了十種前瞻性設計策略：

1. 檢索增強生成(RAG)：通過在實時數據中扎根輸出，減輕幻覺并擴展靜態LLM知識。

2. 工具增強推理(函數調用)：擴展智能體與現實世界系統交互的能力，將LLM從靜態預測器轉變為交互式問題解決者。

3. 智能體循環：推理、行動、觀察：引入迭代循環，使智能體對任務進行推理，通過調用工具或API采取行動，然后在繼續之前觀察結果。

4. 反思和自我批評機制：通過二次推理通道引入自我評估能力，增強健壯性并減少錯誤率。

5. 程序化提示工程流程：自動化提示優化過程，使用任務模板、上下文填充器和檢索增強變量，改進泛化并減少與提示變化相關的失敗模式。

6. 因果建模和基于模擬的規劃：將因果推斷嵌入智能體，使其能夠區分相關性和因果，模擬干預，并更穩健地規劃。

7. 多智能體編排與角色專門化：在復雜任務中使用專門化（如規劃者、匯總者）的分解，增強可解釋性、可擴展性和故障隔離。

8. 記憶架構(情景性、語義性、向量化)：通過在任務中堅持信息來解決長期規劃和會話連續性的限制。情景記憶允許智能體回憶先前行動，語義記憶編碼結構化領域知識，向量記憶啟用相似性檢索。

9. 監控、審計和可解釋性流水線：缺乏透明度使調試和信任復雜化。日志系統記錄提示、工具調用、記憶更新和輸出，支持事后分析和性能調整。

10. 治理感知架構(問責制+角色隔離)：引入基于角色的訪問控制、沙箱和身份解析，確保智能體在范圍內行動，其決策可被審計或撤銷。

隨著這些解決方案的進展，研究還展望了AI智能體和智能主體AI的未來路線圖。AI智能體預計將圍繞五個關鍵領域發展增強模塊化智能：主動推理、工具整合、因果推理、持續學習和面向信任的操作。

同樣，智能主體AI強調通過多智能體協調、上下文持久性和領域特定編排來實現協作智能。未來系統將展現多智能體擴展，由分布式控制下的專門智能體進行復雜問題解決。

十一、總結與未來展望

這項全面的研究提供了關于AI智能體和智能主體AI的詳細分類法，揭示了從模塊化、任務特定系統到協作、多智能體生態系統的演進。它不僅詳細說明了這些范式的架構區別、操作機制和應用領域，還識別了它們面臨的重大挑戰和有前景的解決策略。

研究的關鍵洞見表明，盡管AI智能體和智能主體AI都建立在LLM的基礎上，但它們在自主性水平、目標復雜性、協調能力和內存持久性方面有根本差異。這些差異促使它們適用于不同的用例場景，AI智能體最適合離散、工具輔助任務，而智能主體AI則專注于需要分布式認知和自適應規劃的復雜工作流。

對于未來發展，技術聚焦于增強因果推理、工具使用、協作框架和可解釋性，這些都將是實現可靠、可擴展的智能體系統的關鍵。研究還指出了關注模擬規劃、角色隔離、動態記憶架構和統一治理標準的必要性。

隨著AI智能體和智能主體AI繼續發展，它們預計將從當前的原型變成可部署在高風險應用中的穩健系統。盡管面臨挑戰，他們協同工作的潛力預示著人工智能的新時代，標志著從靜態回應系統到動態、環境感知、目標導向智能體的轉變。