Agent 核心技术概念与范式发生了哪些演变以及背后的思考

📌 一句话摘要

本文系统梳理了 Agent 技术从早期 ReAct 到自进化阶段的四个范式演变，并从 Prompt、Planning、Memory、Tools、Workflow、Environment 六个核心维度深入分析了技术概念与实现方式的前后变化及背后的工程化思考。

📝 详细摘要

文章基于作者长期的技术实践与独立思考，回顾了 2023 至 2026 年间 Agent 技术经历的四个显著阶段：早期被动式 ReAct Agent、结构化工作流 Agent、具备复杂规划能力的自主 Agent，以及 2026 年兴起的自进化 Agent。作者指出，这四个阶段并非简单的替代关系，而是并存互补的。随后，文章从六个核心技术维度展开深度分析：Prompt 从深耦合的「小作文」演变为「System Prompt + 渐进式加载上下文文件」的解耦模式；Planning 从简单的思维链升级为复杂长程任务的结构化分解与动态规划；Memory 从传统的向量检索主导转向「文件系统化沉淀 + 向量检索」的混合架构；Tools 从高成本的 Function Call 回归到更原生的 CLI 命令与 Script 脚本；Workflow 从刚性的外部编排内化为灵活的 Agent Skills 封装；Environment 从无状态调用演变为有状态的隔离运行时系统。文章强调，这些变化的底层驱动力是基础模型推理能力的跃升，以及工程化思想从「魔法调优」向「系统工程」的转变，核心目标是在保证安全可控的前提下，最大化释放模型的推理与执行潜力。

💡 主要观点

- Agent 技术经历了四个显著阶段：早期 ReAct、工作流 Agent、自主 Agent 和自进化 Agent。 这四个阶段反映了从被动响应到结构化控制，再到复杂规划与持续学习的能力跃升，它们并非替代关系，而是根据业务复杂度、稳定性要求和成本预算可组合使用。

Prompt 从深耦合的「单体小作文」演变为「System Prompt + 渐进式加载上下文文件」的解耦模式。 将动态的任务要求、领域知识等剥离到外部的 Markdown 文件（如 SKILL.md、MEMORY.md）中，通过渐进式披露加载，实现了系统指令的稳定与业务逻辑的灵活挂载。

Tools 从高成本的 Function Call 回归到更原生的 CLI 命令与 Script 脚本。 CLI 对模型而言是「先天知识」，无需定义复杂 API Schema；Script 脚本将工具逻辑封装为独立文件，降低了模型理解门槛，实现了从「人为适配模型」到「利用模型原生能力」的转变。

Memory 从纯向量检索转向「文件系统化沉淀 + 向量检索」的混合架构。 短期记忆引入压缩策略，长期记忆通过文件系统（如 MEMORY.md）记录事项型记忆，同时保留向量检索处理海量知识，追求更高的记忆效果、可读性和效率的均衡。

Workflow 从刚性编排转向动态的 Skill 封装与混合架构。 逻辑内聚化到 Skill 的 Markdown 文件中，执行脚本化，同时保留关键主干流程的 Workflow 作为兜底，形成「Skill 为主，Workflow 为辅」的最佳实践。

💬 文章金句

- 从宏观架构上看，今天的 Agent 依然由 Prompt、Planning、Memory、Tools 等经典模块组成，这与 Lilian Weng 早期提出的理论框架并无二致。'形'未变，但'神'已大不同。

• Tools 的演进核心是从'人为适配模型'转向'利用模型原生能力'。
• Agent 正在从'魔法调优'到'系统工程'的转变，标志着 Agent 技术正在走向成熟。
• 这种 '通过工程化手段构建确定性，以承载模型不确定性' 的核心思想，将是未来很长一段时间内构建高质量 Agent 的基石。
• 每一个模块背后的运行逻辑、数据流转方式以及工程实现范式，都发生了翻天覆地的变化。

📊 文章信息

AI 初评：90

来源：阿里云开发者

作者：阿里云开发者

分类：人工智能

语言：中文

阅读时间：41 分钟

字数：10200

标签： Agent, AI 智能体, 技术演进, Prompt 工程, Memory

阅读完整文章