「Hello Agents 第02章」智能体60年：从会下棋到能打工

一句话结论：AI已经研究了近70年，但真正意义上的”智能体时代”是在2022年之后才突然爆发的——不是因为某一项单独的技术突破，而是三股力量同时成熟后的共鸣。

---

为什么AI已经60岁了，但Agent才刚刚开始？

1956年，一群科学家聚在达特茅斯学院，正式提出了”人工智能（Artificial Intelligence）”这个词。那一年，他们乐观地认为，用一个暑假的时间，就能让机器学会人类所有的智慧。

结果，他们用了将近70年。

这70年里，AI经历了两次”寒冬”（大量投入、没有成果、资金撤退），也经历了若干次”黄金时代”（专家系统、深度学习）。每一次人们都说”这次真的不一样”，然后撞上现实的墙。

但2022年之后发生的事情，真的不一样了。

ChatGPT在5天内用户数破百万——相比之下，Netflix用了3.5年，Facebook用了10个月。GPT-4、Claude、Gemini、Llama……大模型们的涌现速度之快，让整个行业来不及消化。在这基础上，AI Agent正在迎来属于自己的黄金时期。

为什么偏偏是现在？要回答这个问题，我们得先回顾这段漫长的历史。

---

一、智能体的进化时间线

70年的AI历史，可以清晰地分为四个阶段：

graph LR
    A["🏛️ 符号主义时代<br/>1950s-1980s<br/>规则 & 逻辑"]
    B["🤝 多智能体时代<br/>1980s-2000s<br/>分布式 & 协作"]
    C["🧠 学习驱动时代<br/>2000s-2020s<br/>机器学习 & 深度学习"]
    D["🚀 LLM智能体时代<br/>2020s至今<br/>推理 & 工具 & 自主"]

    A -->|"规则不够用了"| B
    B -->|"分布式也不够"| C
    C -->|"涌现出语言理解"| D

    style A fill:#C7CEEA,stroke:#9FA8DA,color:#333
    style B fill:#FFDAB9,stroke:#FFAB76,color:#333
    style C fill:#E8D5F5,stroke:#CE93D8,color:#333
    style D fill:#B5EAD7,stroke:#80CBC4,color:#333

🏛️ 第一阶段：符号主义 + 专家系统（1950s-1980s）

早期的AI研究者相信，智能可以被规则化。只要把足够多的人类知识写成逻辑规则，机器就能变聪明。

代表作是专家系统（Expert System）。1970年代的MYCIN系统，通过600条诊断规则来推断血液感染疾病，准确率高达69%，甚至超过了部分住院医生。听起来很厉害？

问题在于：医学本来就有几万条规则，而且规则之间会互相矛盾。人工编写、维护这些规则的成本呈指数爆炸。“知识获取瓶颈”成了专家系统最大的死穴。

这个阶段的Agent概念：如果符合条件X，则执行动作Y。 确定、可预期，但极度脆弱。

🤝 第二阶段：多智能体系统（1980s-2000s）

研究者们想到：既然一个全知全能的大脑做不到，那能不能让多个”小脑”分工协作？

**多智能体系统（Multi-Agent System, MAS）**应运而生。每个Agent负责一个专门领域，它们通过通信协议相互配合。

这个想法在特定工业场景下很成功——工厂的物流调度、交通灯控制、分布式传感器网络。但在需要语言理解和开放域推理的场景下，它依然束手无策。一堆互不理解对方”意图”的小Agent，协作效率极其有限。

🧠 第三阶段：学习驱动（2000s-2020s）

这个阶段有两个里程碑：

里程碑一：深度学习的崛起（2012年）
AlexNet在ImageNet竞赛上，以碾压性优势击败传统方法，错误率从26%降至16%。这证明：让机器自己从数据中学习规则，远比人工编写规则更有效。

里程碑二：强化学习（Reinforcement Learning, RL）大放异彩
2013年，DeepMind的DQN学会玩Atari游戏，很多游戏超过人类最高分。2016年，AlphaGo击败世界围棋冠军李世石。Agent不再需要编程规则，而是通过”试错+奖励”自学如何达成目标。

但强化学习的Agent有个致命弱点：每换一个任务，就要从头训练。 一个学会下围棋的Agent，对”帮我订机票”完全无从下手。泛化能力依然是障碍。

🚀 第四阶段：LLM + Agent时代（2020s至今）

这是真正的转折点。

年份	里程碑
2020	GPT-3发布，1750亿参数，首次展示强大的零样本能力
2021	GitHub Copilot公测，AI写代码成为现实
2022.03	WebGPT：首个能使用搜索引擎的LLM
2022.10	ReAct论文：Reasoning + Acting，Agent范式的奠基论文
2022.11	ChatGPT发布，5天破百万用户，AI进入主流视野
2023.03	GPT-4发布，多模态、推理能力大幅提升
2023.03	AutoGPT开源，一周10万Star，Agent概念爆火
2023.04	BabyAGI：展示自主任务规划与执行
2024.01	OpenAI发布GPTs，工具调用标准化
2025.01	DeepSeek-R1发布，开源推理模型引发全球关注

---

二、关键里程碑深度解析

WebGPT（2022）：Agent有了”眼睛”

微软和OpenAI合作的WebGPT，第一次让LLM能够主动搜索网页、阅读内容、综合信息来回答问题，而不只是靠训练数据中的知识。

这意义重大：它打破了LLM的”知识截止日期”限制，也开创了**”工具调用”**这个Agent核心范式。

ReAct论文（2022）：Agent有了”思维框架”

Google的研究者Yao等人提出了ReAct框架——让LLM交替进行推理（Reasoning）和行动（Acting），就像人类解决问题时”想一步做一步”。

这篇论文是目前引用量最高的Agent相关论文之一。它证明：让LLM”说出自己的思考过程”，能显著提升任务成功率。（第四章会详细实现这个框架）

AutoGPT（2023）：Agent有了”自驱力”

AutoGPT是第一个大规模流行的”全自主”Agent项目。给它一个目标，它会自己分解任务、搜索信息、写代码、运行代码、自我纠错……

一周内GitHub Star破10万，这个数字说明了什么：人们渴望一个能”自己把事情办完”的AI助手，而不只是一个聪明的聊天机器人。

当然，AutoGPT也暴露了Agent的局限：容易陷入无限循环，有时会做出超出预期的操作，成功率在复杂任务上仍然偏低。

---

三、为什么Agent的黄金时代是现在？

不是1980年，不是2016年，偏偏是2022年以后。这背后是三股力量同时成熟：

graph TB
    subgraph "能力层 🧠"
        M["💡 模型能力<br/>推理/规划/代码/多语言"]
    end
    subgraph "工具层 🔧"
        T["🛠️ 工具生态<br/>API/搜索/代码执行/浏览器"]
    end
    subgraph "应用层 🌏"
        A["📱 应用场景<br/>编程/办公/数据分析/客服"]
    end
    AGENT["🚀 AI Agent<br/>爆发"]
    M --> AGENT
    T --> AGENT
    A --> AGENT

    style M fill:#E8D5F5,stroke:#CE93D8,color:#333
    style T fill:#FFDAB9,stroke:#FFAB76,color:#333
    style A fill:#C7CEEA,stroke:#9FA8DA,color:#333
    style AGENT fill:#B5EAD7,stroke:#80CBC4,color:#333

第一，模型能力达到了关键阈值。
GPT-4首次在真实考试（律师资格考试、医学执照考试）中超过人类平均水平。这不是数字游戏，这代表LLM真正具备了复杂推理和领域理解能力——Agent的”大脑”终于够用了。

第二，工具生态完成了基础建设。
搜索API（Bing API、Google API）、代码执行沙箱、浏览器自动化（Playwright）、结构化输出（OpenAI Function Calling）……这些工具的存在，让Agent”有手可以用”。

第三，应用需求已经到了临界点。
信息爆炸 + 工作复杂度提升 + 人力成本上升，每个行业都在寻找降低重复劳动的方法。Agent恰好处在这个需求爆发点上。

---

四、对未来的预判：Agent会如何改变工作方式？

这里我要给出一个明确的判断，而不是”两边都有道理”的骑墙分析：

Agent不会替代所有工作，但会让”信息密集型、流程清晰”的工作发生结构性变化。

具体来说：

• 最先被深刻影响的：软件开发（GitHub Copilot已证明）、数据分析、内容生成、客户服务
• 中期会被重塑的：法律文件审阅、医疗影像初步诊断、财务报表分析
• 长期依然需要人的：需要信任关系的决策、创意方向制定、道德判断、复杂谈判

一个实际例子：Devin（一个AI软件工程师Agent）在2024年展示了它能独立完成SWE-bench（真实软件工程问题集）中13.86%的任务，而GPT-4只能完成1.74%。这个数字在2025年还在快速增长。

更重要的是：即使Agent今天只能完成20%的任务，那也意味着——如果你的工作中有20%是机械重复的，这20%将很快消失。而剩下80%的工作，会因为工具的辅助而效率大幅提升。

---

五、下一步怎么学？

回顾这段历史，你会发现每一次AI范式的跃迁，都是因为”解决了上一代的核心痛点”：

• 专家系统解决了”纯逻辑推理”的问题，但卡在知识获取
• 深度学习解决了”模式识别”的问题，但缺乏泛化
• LLM解决了”语言理解和泛化”的问题，但缺乏行动能力
• Agent正在解决LLM的”行动能力”问题

下一个瓶颈是什么？ 我认为是可靠性——让Agent在复杂长链任务中保持稳定的成功率。这是当前最热门的研究方向之一。

推荐行动：

1. 去GitHub搜索”awesome-ai-agents”，看看现在有哪些Agent项目在解决什么问题
2. 思考：你今天的工作里，有哪些任务符合”目标明确 + 步骤可重复”的Agent适用场景？
3. 下一章，我们会深入LLM的技术原理，理解这个”大脑”究竟是怎么工作的

---

📚 本文参考：datawhalechina/hello-agents 第二章

---

📚 Hello Agents 系列导航

本文是《Hello Agents》开源系列第 2/16 章，适合 AI Agent 开发入门到进阶学习。

方向	章节
◀ 上一章	第01章：初识智能体：LLM会聊天，Agent能办事
下一章 ▶	第03章：LLM原理：它不理解语言，却比你更会用语言

📖 全部 16 章目录（点击展开）

1. 初识智能体：LLM会聊天，Agent能办事
2. 智能体60年：从会下棋到能打工 ← 当前
3. LLM原理：它不理解语言，却比你更会用语言
4. Agent思考三剑客：ReAct、Plan-and-Solve与Reflection
5. 不会写代码也能搭AI Agent？低代码平台实战指南
6. 当一个Agent不够用时：三大框架多智能体实战
7. 为什么要造轮子？200行Python手写Agent框架
8. Agent为何失忆？RAG与记忆系统深度解析
9. Context Engineering：让Agent真正聪明的隐秘武器
10. AI Agent如何与世界对话：MCP、A2A、ANP协议全解析
11. 用强化学习驯服AI Agent：GRPO与Agentic RL全解析
12. 你的Agent真的好用吗？智能体评估体系完全指南
13. 用Agent规划日本5日游，2分钟搞定2小时的活
14. 自动写研究报告的Agent：比ChatGPT深，但有盲点
15. 赛博小镇：25个AI角色自主生活，涌现了什么？
16. 学完16章，现在从0构建你自己的Agent

本章梳理 Agent 60 年演进，对比维度：历史脉络 vs 相邻章节的现状概念 vs 现代主流框架的演进结果。

对比分析

一、本章概念 vs 相邻章节

维度	ch02 智能体历史	ch01 智能体是什么	ch03 LLM 原理	ch04 经典范式
时间轴	1960s 至今	概念定义	当前主流模型	当代抽象范式
关注问题	为什么 Agent 现在火	Agent 由什么组成	LLM 能力来源	如何思考执行
与本章互补	——	给出”是什么”	给出”为什么能”	给出”怎么做”

二、对比生产中类似框架

阶段	代表系统	解决的问题	与本章的对应
符号主义	SHRDLU、SOAR	规则与逻辑推理	“专家系统”段
行为主义	Brooks 包容架构	环境驱动反应	“具身智能”段
RL 时代	AlphaGo、DeepMind Agent	强化学习决策	“游戏 Agent”段
LLM 时代	AutoGPT、BabyAGI	自然语言驱动	“现代 Agent”段
框架化	LangChain、CrewAI	工业化落地	当下生态位

三、本章观点的优缺点

优点：

• 把”AI Agent 热潮”放在 60 年时间轴里，避免过度炒作
• 把每一次范式转移（符号→行为→学习→LLM）讲清楚

缺点：

• 偏科普，没有工程细节
• 对 LLM 之后还会怎样演化没有预测

四、何时选

• 想了解”为什么是现在”：读 ch02
• 已经接受”就是现在”，想动手：跳过 ch02，直接 ch05+ch06