外观
Agent 核心技术概念与范式发生了哪些演变以及背后的思考
摘要：回顾 2023~2026 年 Agent 技术形态的演进：四个发展阶段（ReAct → Workflow → 自主 Agent → 自进化 Agent），以及六大核心维度（Prompt / Planning / Memory / Tools / Workflow / Environment）的前后对比。核心思想：用工程化手段构建确定性，以承载模型不确定性。
前言：为什么要重新审视 Agent 范式
Agent 技术演进极快，Claude Code、Codex、OpenClaw、Hermes 等新一代产品与框架不断涌现，主流范式已与早期大不相同；而大量学习资料仍停留在早期内容，新旧概念混杂，容易越学越乱。
技术演进有继承关系，新旧范式并非替代而是互补。理解「怎样变化、为什么变化」的逻辑，比追逐新概念更重要——否则容易陷入「为升级而升级」或「盲目追新」的误区。本文梳理演化脉络，帮助读者按业务场景做技术选型。
01 四个发展阶段：从被动响应到自进化
| 阶段 | 时期 | 代表 | 核心特征 |
|---|---|---|---|
| 早期 Agent（被动式 ReAct） | 2023 | Lilian Weng 架构、AgentGPT、AutoGen、MetaGPT | 定义 LLM + Planning + Tools + Memory 基本架构；按「Reasoning → Observe → Response」单步链条被动响应，依赖明确指令，只能完成单点短任务，缺乏长期规划 |
| 工作流 Agent（结构化与可控性） | 2024 | LangGraph、Dify | Agentic Workflow：用工程化约束弥补模型不确定性（早期 Harness 形态）。固定流程 + 关键节点嵌入 LLM，牺牲灵活性换取可控性与可解释性；非长尾场景下性价比最高、落地最稳定 |
| 自主 Agent（复杂规划与长程任务） | 2025 | Manus、Claude Code、Codex、OpenClaw | 具备复杂 Planning：自主拆解任务、规划路径、多轮迭代，可长程处理企业级任务；配合轻量 Harness 自我校验，从「辅助者」变为「执行者」 |
| 自进化 Agent（持续学习与自我升级） | 2026 | Hermes Agent、LLM-Wiki | 任务中沉淀 Skill 与知识库，甚至通过 RL 微调模型，解决「静态模型 vs 动态世界」矛盾，实现「越用越好用」，Agent 从「一次性消耗品」变为「可积累资产」 |
注意：四个阶段并存互补，并非替代关系。落地时应按业务复杂度、稳定性要求与成本预算选择或组合。
02 六大核心概念的演进
2.1 Prompt：深耦合 → 渐进式加载
早期「一个任务一个 Agent」，每个 Agent 配一段独立 System Prompt（人设、目标、约束、示例），维护成本极高。现在改为动静分离：System Prompt 只保留最通用的系统级指令，保持稳定；任务要求、领域知识、人设等动态内容外置到文件（SKILL.md、USER.md、SOUL.md、CLAUDE.md、AGENTS.md），按需通过**渐进式披露（Progressive Disclosure）**加载。本质是上下文组织形式的改变：降低维护成本，提升不同场景下的上下文组合灵活性。
2.2 Planning：思维链 → 复杂长程任务
早期 Planning 依赖原生思维链（CoT，如「Let's think step by step」），只能线性推导，复杂场景易逻辑断层、死循环。模型推理能力升级后，Planning 成为真正的「智能决策中枢」：
- 结构化分解：将宏大模糊目标拆解为子任务（Sub-tasks）并生成 Todo List；
- 多步协同与长程推理：按计划有序执行、动态调整，保持长上下文下逻辑一致；
- 子 Agent 动态构建：按子任务需要动态实例化子 Agent，从「单体思考」到「协同作战」。
2.3 Memory：检索增强 → 文件系统化
早期划分为短期记忆（对话上下文）与长期记忆（RAG 向量检索）。如今两个维度都发生演变：
- 短期记忆：挑战从「存储」转向「管理与压缩」——阈值控制、结构化摘要、重点提取，保证长对话效果并提升 token 利用率；
- 长期记忆：从「向量库主导」回归「文件系统主导」：
- 事项型记忆（Episodic）：用户偏好、待办等动态事实用 MEMORY.md 等 Markdown 文件记录，比向量检索更可控、易读；
- 知识型记忆（Semantic）：LLM-Wiki、GBrain + Obsidian 等本地知识库补充甚至替代纯 RAG；企业级海量知识仍需搭配 SQLite 等轻量向量检索或企业级向量库。
本质：从纯向量检索走向「文件系统化沉淀 + 向量检索」的混合管理。
2.4 Tools：Function Call → CLI / Script
早期 Function Call 需为每个场景封装 API、维护 Schema，成本高；MCP 仅优化了注册与发现机制，未改变底层逻辑。真正的范式转移：
- CLI 原生化：命令是大模型的「先天知识」（预训练语料），无需定义 API Schema、零样本可用；未知工具可查
--help即时自学，天然契合渐进式加载；新工具可用 Skill 包装； - Script 脚本化：工具逻辑封装为独立脚本（Skill 的 Resources），本地执行与远程 API 调用统一，鉴权等细节黑盒化，Agent 只需关心「调哪个脚本、传什么参数」。
本质：从「人为适配模型」转向「利用模型原生能力」，构建更轻量、灵活、易扩展的工具生态。
2.5 Workflow：刚性编排 → 动态混合封装
早期 Workflow 类似状态机/流水线，强制按步骤执行，可控但机械化、无法随环境动态调整。Skills 体系出现后，步骤、约束、判断逻辑内聚到 SKILL.md，需精确控制的环节改为 Script 脚本编排，复杂流程可打包为可复用 Skills。
这带来可控性与稳定性的博弈：纯 Skill 驱动灵活但可能失控，刚性 Workflow 笨重但边界确定。当前最佳实践是混合架构——Skill 为主（灵活），Workflow 为辅 / 兜底（关键主干流程保留确定性）。
2.6 Environment：无状态 → 运行时环境
早期工具、子 Agent 调用无状态，几乎不需要运行环境。引入文件操作、代码执行后，Agent 成为需要持久化与状态管理的「数字员工」，必须有专属 Workspace。两种形态：
- 本地桌面（Local Desktop）：灵活便捷（OpenClaw 的典型场景），但缺乏隔离，需用户确认机制与权限控制；
- 沙箱（Sandbox / Cloud Server）：企业级主流，通过 Docker、Kubernetes 隔离，操作限制在虚拟文件系统内，提供安全边界与资源管控。
03 总结：形未变，神已大不同
宏观上，今天的 Agent 仍是 Prompt、Planning、Memory、Tools 等经典模块，与 Lilian Weng 早期框架一致，但内核已深刻重构：
| 模块 | 早期形态 | 当前形态 |
|---|---|---|
| Prompt | 单体「小作文」 | 解耦上下文工程 + 渐进式加载 |
| Planning | 线性 CoT 思维链 | 复杂长程任务拆解与动态规划 |
| Memory | 前置向量检索（RAG） | 文件系统化沉淀 + 向量检索混合 |
| Tools | 高成本 API 封装 | 原生 CLI 与脚本交互 |
| Workflow | 刚性流程编排 | Skills 封装（混合架构） |
| Environment | 无状态调用 | 有状态的隔离运行时 |
我们不再依赖模型的「智商」硬扛所有问题，而是用更精细的工程化手段（文件化解耦、CLI 原生利用、沙箱隔离）弥补模型不足、放大模型优势——Agent 正从「魔法调优」走向「系统工程」。各模块实现仍会快速演进，但核心目标不变：在安全、可控的前提下，最大化释放模型的推理与执行潜力。
理解演进背后的逻辑，比掌握某个具体工具更重要。模型、工具、框架都会持续变化，但「通过工程化手段构建确定性，以承载模型不确定性」这一核心思想，将是长期构建高质量 Agent 的基石。
参考资料
- 原文：飞樰《Agent 核心技术概念与范式发生了哪些演变以及背后的思考》，微信公众号，2026-06-01 发布：原文链接
- Lilian Weng《LLM Powered Autonomous Agents》（早期 Agent 架构理论来源）：https://lilianweng.github.io/posts/2023-06-23-agent/
- 收录说明：本文为外部文章的重写整理版，原文微信 CDN 配图未收录，可点击原文链接查看原图。