译者按
2026年以来，围绕 AI智能体（AI agents）与 代理型AI（Agentic AI）的讨论迅速升温。从开发者社区到产业实践，越来越多的系统开始以“智能体”为核心组织工作流。近期在技术社区迅速走红的 OpenClaw，尤其是全民养虾热潮，正是这一趋势的缩影：AI系统正从单一模型能力，走向能够自主规划任务、调用工具并协同执行的智能体系统。
在这样的背景下，这份由OECD发布的报告《代理型人工智能的生态图景及其概念基础》具有重要意义。当前关于“AI智能体”与“代理型AI”的讨论往往被混用，但二者在技术架构与系统能力上并不完全相同。本报告通过系统梳理文献中的定义，区分了单个AI智能体与由多个智能体协同构成的代理型AI系统，并将其与OECD既有的AI系统定义框架相衔接，为政策研究和技术讨论提供了一套更为清晰的概念基础。
随着智能体技术从实验走向开发者工具链与产业应用，厘清这些概念不仅是学术问题，也将直接影响未来 AI治理、责任划分与技术标准的讨论起点。理解这些定义，实际上是在理解下一阶段AI系统形态的变化。
摘要
通过分析“AI 智能体（AI agents）”和“代理型 AI（agentic AI）”的关键特征、重叠点与差异点，以及这些关键特征与 OECD AI 系统定义核心要素之间的关系，考察这两个术语在文献中是如何被界定和使用的。分析表明，尽管 AI 智能体与代理型 AI 共享若干基础性特征，但代理型 AI 更加强调多个智能体之间的协调、任务分解与委派、跨时间的持续运行，以及在有限人类监督下于更复杂且更难预测的环境中运行。报告还提供了关于 AI 智能体采用近期趋势的描述性证据，指出尽管许多开发者已开始将其整合进工作流程，但在迈向更值得信赖的系统方面仍需进一步进展。总体而言，本报告有助于在这一新兴领域形成更清晰的概念理解，并为未来分析工作奠定基础。
执行摘要
随着基于大语言模型（LLMs）的人工智能（AI）系统变得更具自主性，并且更有能力与其环境互动，AI 智能体与代理型 AI 正受到越来越多的关注。尽管相关概念早已在学术研究中被长期讨论，近期进展引入了新的能力，这些能力挑战了既有的概念边界，并凸显出有必要更清晰、共享地理解什么构成“代理型”的 AI 系统。
本报告通过考察“AI 智能体”和“代理型 AI”这两个术语在文献中如何被定义和使用，为这一澄清作出贡献。通过分析这两个术语的定义、突出其关键特征及重叠点与差异点，并将其与 OECD AI 系统定义的核心要素联系起来，本报告支持更加精确、一致的术语使用，并为进一步分析工作建立基础。
分析发现，这两个概念共享若干基础性特征，包括一定程度的自主性、目标导向行为，以及在物理或虚拟环境中感知并行动的能力。然而，代理型 AI 更加强调多个智能体之间的协调、任务分解与委派、跨时间的持续运行，以及在有限人类监督下于更复杂且更难预测的环境中运行。基于该分析，报告提出以下共同理解：
AI 智能体是能够以一定程度的自主性感知其环境并对其采取行动的系统，在必要时使用工具以实现特定目标，并适应变化中的输入与情境。
代理型 AI 通常指由多个相互协调的 AI 智能体构成的系统，这些智能体能够分解任务、开展协作，并在较长时期内自主追求复杂目标。代理型 AI 系统被设计为在更开放、可预测性更低的物理或虚拟环境中运行，并以最少的人类监督发挥作用。
代理型 AI 系统不仅仅是技术工具；它们正越来越多地被视为嵌入社会情境与互动之中的系统，运行在一种社会—技术范式中。代理型 AI 系统的价值，来自其自主行动并通过协调和协商与其他主体——无论是人类、人工还是制度性主体——互动的能力。支撑这些互动需要先进的推理能力，以及稳健的基础设施和通信协议。这种关系性视角对于设计能够在物理和虚拟环境中负责任且有效运行的代理型 AI 系统至关重要。
许多开发者已将 AI 智能体纳入其工具箱，调查数据表明，近一半 Stack Overflow 受访者正在使用或计划使用它们。然而，采用并不意味着技术已经完全成熟：受访者仍指出在安全、隐私和准确性方面还有进一步加强的空间，这凸显出朝着更值得信赖的 AI 智能体持续推进的必要性。
总体而言，本报告对代理型 AI 生态图景提供了描述性概览，澄清了关键概念与特征，并建立了共享的分析基础。未来，对使用场景和技术架构的更好理解，能够帮助识别在哪些地方最需要保障措施与标准。进一步的分析工作可在此基础上，围绕自主性水平、适应性、运行领域与系统影响等特征发展出与政策相关的类型学，同时改进关于不同情境下采用与使用情况的经验证据。
1、背景
人工智能（AI）领域正在迅速发展，目前许多系统仍仅被设计为按需回应人类查询，并提供供人类考虑的信息。然而，人们对那些更像自主主体运作的 AI 系统的兴趣正在增长：它们能够在更广泛的任务范围内，以最少的人类干预追求目标、作出决策并采取行动。这些新兴的 AI 智能体和代理型 AI 系统有潜力通过简化流程、提升运营效率，在多个部门推动创新、吸引投资并提高生产率（Zeff and Wiggers, 2025[1]）。
尽管关注度不断上升，但人们对 AI 智能体和代理型 AI 系统的理解仍存在显著差异。尽管学术文献长期以来一直为 AI 领域中的 agent 提供定义，近期发展——尤其是大语言模型（LLMs）的整合——引入了新的复杂性和相互竞争的解释。随着这一图景持续演进，研究者、开发者和政策制定者正在努力追踪进展，并探索既支持创新又促进值得信赖 AI 的治理路径。
OECD.AI 的 AI Futures 专家组是一个跨学科、跨部门的小组，向各国政府提供关于 AI 当前及可能未来发展的见解与建议。其职责包括为政府配备制定面向未来的 AI 政策所需的证据与工具。作为这项工作的一部分，代理型 AI 已被确定为优先工作流。本文描绘“AI 智能体”和“代理型 AI”的当前定义图景，并作为代理型 AI 工作流中的首个项目。本文有意采取描述性方法，以便为未来的分析与政策工作奠定基础。该分析识别出代理型 AI 与 AI 智能体现有定义中最常被提及的特征，考察这些特征在不同来源中如何被描述，并将其映射到 OECD 对 AI 系统定义的关键要素上。通过突出共同特征与差异，本文旨在支持更清晰的概念理解，并为未来研究和政策制定提供信息。本文还提供了关于 AI 智能体与代理型 AI 采用近期趋势的描述性数据。
2、什么是 AI 系统？
2.1 OECD 对 AI 系统的定义
OECD 理事会关于人工智能的建议将 AI 系统定义为：“一种基于机器的系统，为了显性或隐性的目标，从其接收的输入中推断如何生成诸如预测、内容、推荐或决策等输出，而这些输出能够影响物理或虚拟环境。不同的 AI 系统在部署后的自主性和适应性水平上有所不同。”（OECD, n.d.[2]）
2.2 OECD 对 AI 系统定义的主要要素
《更新版OECDAI系统定义解释性备忘录》和《OECDAI系统分类框架》为该定义的关键要素提供了补充信息（OECD, 2024[3]；OECD, 2022[4]）。这些要素包括：
目标：AI 系统的目标可以是显性的，也可以是隐性的；例如，它们可以属于以下类别，而这些类别在某些系统中可能相互重叠：
a) 显性且由人类定义——开发者将目标直接编码到系统中（例如通过目标函数）。具有显性目标的系统例子包括简单分类器、博弈系统、组合问题求解系统、规划算法和动态规划算法。
b) 隐含于（通常由人类指定的）规则之中——规则规定 AI 系统在当前情境下应采取的行动。例如，一个驾驶系统可能有一条规则：“如果交通灯是红灯，就停车。”然而，这些规则背后的目标，如守法或避免事故，并不是显性的，尽管规则本身通常由人类指定。
c) 隐含于训练数据之中——最终目标并未被显式编程，而是通过训练数据以及学习去模仿这些数据的系统架构被纳入其中（例如，奖励大语言模型生成看起来合理的回答）。
d) 事先并不完全已知——例如，使用强化学习逐步缩小个体用户偏好模型的推荐系统。
输入与数据：输入既在开发阶段使用，也在部署后使用。输入可以是开发过程中人类放入系统中的数据、知识、规则和代码。人类和机器都可以提供输入。在开发阶段，输入被用来构建 AI 系统，例如通过机器学习从训练数据和/或人类输入中生成模型。输入也会在系统运行时被使用，例如用于推断如何生成输出。输入可以包括与待执行任务相关的数据，也可以表现为用户提示词或搜索查询等形式。
推理：“推理”这一概念通常指系统从其输入中生成中间或最终输出的步骤，通常发生在部署之后。
输出：AI 系统的输出通常反映其执行的功能，通常落入推荐、预测、内容生成、决策与行动等宽泛类别。这些类别对应着不同程度的系统自主性和人类参与。决策和行动往往意味着更高水平的自主性，即 AI 系统直接影响其环境，或指示其他实体这样做。相比之下，预测和推荐通常意味着更多的人类参与。然而，自主性水平并不单由输出类型决定——它还取决于系统如何被设计、部署以及在其之上如何构建。
对物理或虚拟环境的影响：AI 系统的环境或语境，是指系统能够通过数据或其他输入来观察——无论是完全观察还是部分观察——的空间，既可以是物理空间，也可以是虚拟空间。AI 系统的环境可以受到系统输出的影响。
自主性：系统在没有人类参与的情况下学习或行动的程度。人类监督可以发生在 AI 系统生命周期的任何阶段，例如设计、开发或部署期间。有些 AI 系统能够生成输出，而这些输出并未在其目标中被明确描述，也没有来自人类的具体指令。有些系统仅在被查询时才生成输出，其余时间保持不活动；另一些持续监测环境中的线索；还有一些在被启动后持续生成输出流。行动自主性包括若干层级：
a) 无行动自主性（亦称“人类支持”）：系统可以提出建议，但是否采取行动仅由人类决定。
b) 低行动自主性（亦称“human-in-the-loop”）：系统提出行动建议，但只有在人类批准后才继续。
c) 中等行动自主性（亦称“human-on-the-loop”）：除非人类介入阻止，否则系统自行采取行动。
d) 高行动自主性（亦称“human-out-of-the-loop”）：系统完全自行行动，无需人类参与。
适应性：适应性通常指 AI 系统在初始开发后仍能继续演化。适应性系统会在部署前或部署后，通过与输入和数据的直接交互来修改其行为。适应性经常被称为“学习”，并常与“适配能力”同义使用。
下一节将利用 OECD 对 AI 系统定义的关键要素，考察 AI 智能体与代理型 AI 的若干代表性定义。该节识别共享特征并强调重要差异，为围绕这些技术开展有根据的政策讨论提供清晰基础。
自主性（autonomy）与能动性（agency）这两个术语经常被交替使用，但它们指向不同的概念，并对 AI 系统具有重要含义。
自主性通常指系统在没有人类直接参与的情况下采取行动的能力。
相比之下，能动性则涉及系统独立形成目标、进行长期推理以及进行战略性适应的能力（Tallam, 2025[5]）。能动性通常预设交互：没有某种形式的互动，就不会有能动性。交互性与关系性动态是各种能动性的基础（Floridi, 2024[6]；Dignum and Dignum, 2020[7]）。
一个系统可以是自主的，但未必是代理型的。例如，恒温器或某些类型的自动驾驶车辆能够独立运行，但缺乏对目标进行推理或以有意义方式与环境互动的能力。在更充分的意义上，能动性通常至少预设某种程度的自主性，但它还包括参与更复杂、动态、多智能体环境的能力，并且往往包括把更高层次目标转化为更低层次行动的能力。
在下文分析中，自主性一词与 OECD 对 AI 系统的定义保持一致。能动性并未在 OECD 的定义中被明确界定，但可从适应性、目标、推断以及影响环境的能力等要素中推知。第3.4 节将讨论社会—技术语境中的能动性。
3、什么是 AI 智能体与代理型 AI？
“AI 智能体”和“代理型 AI”这两个术语如今已成为高级 AI 系统讨论中的核心。尽管二者都被广泛使用，但代理型 AI 是近来才更为突出地进入讨论，主要原因在于能力更强的大语言模型的出现，这些模型能够以类似智能体的方式进行规划、行动和互动。这一发展在 Google Trends 数据中有所体现：2025 年，全球对“agentic AI”的搜索量大幅上升，表明它正在迅速成为 AI 图景中的一个既成概念（图 3.1）。
【图 3.1：2025 年全球对“agentic AI”的 Google 搜索量激增】
注：Google Trends 基于搜索样本展示某一搜索词在一段时间内的受欢迎程度。图中的数字并不表示搜索总量，而是按 0 至100 进行标准化，其中 100 表示图表所示时段内的峰值关注度。下降趋势意味着相对于其他搜索，该搜索词变得不那么受欢迎，并不必然意味着总体搜索人数变少。
来源：OECD 基于 Google Trends 数据的分析（Google, n.d.[8]）。
本节通过回顾并比较多个来源中的代表性定义，探讨 AI 智能体和代理型 AI 这两个概念。尽管有些来源并未清楚区分“AI 智能体”和“代理型 AI”，本分析仍试图突出文献中这两个术语在定义上的共性与差异。
基于该分析，代理型 AI 是指由多个相互协调的 AI 智能体构成的系统，这些智能体能够分解任务、开展协作，并在较长时期内自主追求复杂目标。这些系统被设计为在更开放、可预测性更低的物理或虚拟环境中运行，并以最少的人类监督发挥作用。
框 3.1 代理性研究的演进
“agent”这一概念早在其被用于人工智能之前就已存在。该词源自拉丁语 agere，意为“行动”。在哲学中，它有着深厚根基，agent 一般被理解为具有行动能力的存在，而 agency 则指这一能力的行使（Stanford Encyclopedia of Philosophy, 2015[9]）。在经济学中，“agent”的概念也早已确立，指一种决策者，其行为被建模为优化问题或选择问题的解（Mas-Colell, Whinston and Green, 1995[10]）。
当代人工智能研究通常将智能体定义为：一个通过传感器感知其环境、并通过执行器对环境采取行动的实体；这一关系常被表示为智能体与其运行情境之间的反馈回路（Russell and Norvig, 1995[11]）。
一种常见方法区分两大类智能体：反应式智能体和认知式智能体。
反应式智能体——也称反射式智能体——只是对刺激作出响应，而不会进行规划、协调或设定目标（Teahan, 2014[12]；Russell and Norvig, 2022[13]）。例如，吸尘智能体只根据其当前位置以及该位置是否有灰尘来行动（Russell and Norvig, 2022[13]）。
认知式智能体被设计为能够感知环境、对环境进行推理，并根据目标作出决策（Teahan, 2014[12]）。理性智能体是一种认知式智能体，它会采取行动以实现最佳结果，或在存在不确定性时实现最佳期望结果（Russell and Norvig, 2022[13]）。
学术文献提出了若干智能体分类框架，主要依据其功能复杂度或其底层逻辑结构来区分：
以能力为驱动：该分类沿着自主性和智能性不断增强的光谱组织智能体。它从简单的反射式智能体出发——这类智能体即时对当下作出反应——一直到能够随着时间推移改进自身表现的学习型智能体。中间层级包括基于模型的智能体（维持对环境的内部表征）、基于目标的智能体（为实现特定目标而行动）以及基于效用的智能体（计算最“可取”或最高效的结果）（Russell and Norvig, 2022[13]）。
以架构为驱动：该框架按照智能体的内部逻辑进行分类。它区分逻辑型智能体（形式推演）、反应型智能体（刺激—反应）以及认知型智能体（利用内部世界模型进行目标导向推理）。一个关键的认知型例子是信念—欲望—意图（BDI）架构，该架构管理表示智能体信念、目标和承诺的“心理状态”（Rao and Georgeff, 1995[14]；Weiss, 2013[15]）。最后，分层架构则只是将不同层级的推理——从基本反射到高层规划——叠加在一个协调系统之中（Weiss, 2013[15]）。
在这些基础概念之上，研究已沿多条路径推进，其中包括多智能体系统（MAS）。该方向关注智能体如何协调、通信与协商，其中角色的拆分或分配通常由人为设计的系统配置所决定（AAAI, 2025[16]；Wooldridge, 2002[17]）。自 2020 年以来，大语言模型的出现重新激发了人们对 AI 智能体的兴趣，并拓宽了 AI 驱动工具的图景，进而引入了“copilot（副驾驶）”等新概念——它们通过提供实时辅助来支持特定工作流程中的用户——以及更加自主的“代理型 AI 系统”，后者能够以最少的人类输入执行复杂任务（Kashyap, 2025[18]；AAAI, 2025[16]）。一个新的前沿方向探索的是自我改进型智能体：这类智能体被设计为在运行中递归分析自身表现，从而随着时间推移变得更高效（Yin et al., 2024[19]）。
3.1 AI 智能体
3.1.1 AI 智能体的概念基础
关于 AI 智能体的讨论已经演化了数十年——从早期基于规则的系统，到今天由大语言模型赋能的智能体（框 3.1）（AAAI, 2025[16]；Dignum and Dignum, 2020[7]；IBM, 2025[20]）。要理解这些讨论，重要的是把握界定 AI 智能体的基础概念与类型学。表 3.1 汇集了来自近期文献和标准学术定义的 AI 智能体表述。将这些定义与 OECD AI 系统定义的关键组成部分进行映射的结构化分析显示，各定义要素在重要性和出现频率上存在层级差异（表 3.2）。这些要素被划分为三个层次：最常被提及的（“普遍”）、中等频率被提及的（“频繁”）以及较少被纳入的（“偶尔”）。这种分层视角为理解 AI 智能体最显著的属性提供了一个实用框架。
普遍：三个要素在大多数 AI 智能体定义中居于核心地位：1）目标，2）输出（通常表现为行动），以及 3）自主性。这些是各来源中最稳定被提及的特征，构成 AI 智能体定义的基础。例如，IBM (2025[20]) 和 NIST (2025[21]) 都强调 AI 代理被设计用于追求特定目标并产生包括决策和行为在内的输出，且具备一定程度的自主性。然而，不同定义以不同方式描述这些要素：
1）目标：大多数来源都承认目标或宗旨在引导智能体行为和输出方面的作用。尽管大多数定义都宽泛地纳入目标，但有些将 AI 智能体的适用范围限制为复杂目标（NIST, 2025[21]；Oueslati and Staes-Polet, 2025[22]；Kasirzadeh and Gabriel, 2025[23]）。大多数来源并未说明这些目标究竟是隐性的还是显性的，但 Anthropic（2024[24]）是一个例外，它似乎将目标刻画为由人类通过提示词加以指定，从而突出了与语言模型型智能体相关的一种独特框架。与此同时，某些研究，如 Sapkota、Roumeliotis 和 Karkee（2025[25]），将 AI 智能体表述为在范围较窄的领域内运行、为执行特定任务而设计的系统，而 Bengio 等（2025[26]）则将 AI 智能体界定为“通用型 AI”。不过，其他研究并未明确将任务特定性与 AI 智能体的定义相联系。
2）输出：AI 智能体中“输出”的定义在范围和强调重点上有所不同。大多数来源将输出描述为决策和行动——包括任务执行。值得注意的是，Chan 等（2025[27]）、Bengio 等（2025[26]）以及 Ferber（1999[28]）将其扩展为在开放式环境中的交互，而 Anthropic（2024[24]）、Partnership on AI（2025[29]）、Hugging Face（2025[30]）和 LangChain Docs（2025[31]）则强调由工具使用所塑造的输出，包括通过结构化应用程序编程接口（APIs）以及通过直接与图形用户界面（GUIs）互动来实现的输出（Nguyen et al., 2024[32]）。这反映出一个从简单决策和任务执行到复杂、情境敏感型响应的连续谱。
3）自主性：AI 智能体中的自主性定义在深度和范围上有所不同。一些来源，如 Russell and Norvig（1995[11]）、IBM（2025[20]）和 Fadel（2025[33]），仅隐含了基本的能动性与自主性，指出其具有“行动的能动性”或“自主采取行动”的能力。值得注意的是，NIST（2025[21]）似乎区分了自主决策——即在没有人类输入的情况下发生——与采取行动——后者可能涉及有限的人类监督。这表明一种分层的自主性观，即推理是完全独立进行的，但执行可能仍受人类监督和反馈回路的制约（Anthropic, 2024[24]）。这类配置有时被称为混合系统，在这种系统中，智能体与人类在导向某一行动的过程中发生互动（Samdani, Viswanathan and Jegadeesh, 2025[34]）。
频繁：第二层包括 1）对环境的影响，2）适应性，以及 3）推断。这些要素被频繁提及，但不像上述核心三要素那样具有普遍性。
1）对物理或虚拟环境的影响：大多数来源将智能体描述为通过其输出影响其直接的物理或虚拟环境。然而，“环境”究竟由什么构成，在不同系统和应用之间并不相同。值得注意的是，Chan 等（2025[27]）和 Oueslati and Staes-Polet（2025[22]）强调，智能体可以在开放式环境中行动，而 Sapkota、Roumeliotis 和 Karkee（2025[25]）则将这种影响限制在数字生态系统中。关于智能体可以在何处运行的这些不同假设，对应着对“环境”是什么这一问题的不同定义。
2）适应性：一些来源提到，智能体能够根据不断变化的输入或情境调整其行为和输出（Mitchell et al., 2025[35]）。这通常涉及一个为实现目标而进行的迭代过程（Masterman et al., 2024[36]；Anthropic, 2024[24]；Capgemini Research Institute, 2025[37]；Russell and Norvig, 1995[11]；LangChain Docs, 2025[31]）。在若干近期来源中，这种迭代执行与学习模式被称为“代理循环”（agentic loop）（Ashby, 2025[38]）。尽管在开放式环境中行动的能力意味着较高程度的适应性和自主性（Chan et al., 2025[27]；Oueslati and Staes-Polet, 2025[22]），Sapkota、Roumeliotis 和 Karkee（2025[25]）却将 AI 智能体中的适应性刻画为“有限的”。
3）推断：虽然来源中并未明确直接提到，但推断可被理解为 AI 系统根据给定输入生成输出的能力。一些来源还强调规划或推理——尤其是在认知型智能体的情况下——这反映了通常与推断相关的复杂性或精细程度（NIST, 2025[21]；Chan et al., 2025[27]；Masterman et al., 2024[36]；Anthropic, 2024[24]；Hugging Face, 2025[30]；Bengio et al., 2025[26]；LangChain Docs, 2025[31]；Oueslati and Staes-Polet, 2025[22]；Partnership on AI, 2025[29]）。
偶尔：第三层包括数据与输入。该要素在 AI 智能体定义中的出现不那么稳定。这一组成部分提供重要技术背景，但通常被视为支持性特征，而非定义性特征。
数据和输入：这是 AI 智能体定义中最少被强调的要素之一。只有少数来源（Sapkota、Roumeliotis and Karkee, 2025[25]；Anthropic, 2024[24]）明确提到智能体如何感知或理解输入。值得注意的是，所审阅的定义并未清楚地区分部署前训练数据——即用于塑造智能体能力的数据、实验或模拟——与部署后输入，包括与环境及其他智能体的互动，这些都可构成不同形式的输入。之所以很少被明确纳入，也许反映出这样一种假定：数据和输入并不能将 AI 智能体与其他 AI 系统区分开来。
经分析的这些定义通常都会提到自主性、适应性、输出类型以及与环境的互动。然而，对于所需的自主性或适应性水平、输出的一般性与性质，或智能体应当处于何种类型的环境以及在其中应具有何种程度的影响，目前并无明确共识。
本节旨在识别将 AI 智能体与其他 AI 系统区分开来的特征。与所有 AI 模型一样，AI 智能体依赖数据进行训练；然而，这种依赖似乎并不是一种区分性特征。尽管如此，数据和输入仍然至关重要，因此理解它们在 AI 智能体内部如何被处理仍然很重要。
总而言之，AI 智能体可以被理解为：能够以一定程度的自主性感知其环境并对其采取行动、在必要时使用工具以实现特定目标，并适应不断变化的输入与情境的系统。
表 3.1 AI 智能体的示例性定义
注：本表纳入了来自多种来源类型的定义，包括学术出版物、网站和开发者文档。之所以将这些来源一并考虑，是因为它们都对当代关于 AI 智能体的理解产生塑造作用。为捕捉当前持续进行的概念争论的广度，本文未进行加权处理。该表还纳入了一些并非专指 AI 智能体的早期“智能体”定义，因为这些定义已经为当前对 AI 智能体的理解提供了信息或作出了贡献。
表 3.2 大多数定义将 AI 智能体表述为：以一定程度的自主性为实现目标而产生输出的系统
明确阐述在AI代理定义中强调的经合组织AI系统定义关键组成部分映射
3.2.1 代理型AI的关键特征
“AI智能体”和“代理型AI”这两个术语有时会被交替使用，从而导致混淆和概念上的不清晰。然而，更仔细的考察表明，这两个概念之间存在重要区别。本节通过将代理型AI与AI智能体的定义进行系统比较，探讨代理型AI这一概念。
通过分析并对比来自学术和技术来源的关键定义（表3.3），我们的目标是澄清这些术语在语义层面和功能层面的差异。自然地，OECD 对 AI 系统定义中的若干核心组成部分——例如自主性、适应性、输出类型（如决策或行动）以及与环境的互动——也经常出现在代理型AI的定义中。
尽管 AI 智能体与代理型AI的定义之间存在显著重叠，但某些特征要么在代理型AI中被更加强调，要么是代理型AI所特有的：
目标：
任务分解与委派：代理型AI系统能够将复杂目标分解为较小、可管理的任务，并将这些任务委派给系统内的各个智能体。（Miehling 等， 2025[40]；Sapkota、Roumeliotis 和 Karkee， 2025[25]；Challapally 等人，2025[41])
延展的时间跨度：代理型AI系统能够在更长时间内追求目标，从而引入了大多数 AI 智能体定义中所缺少的时间维度。这一时间维度与自主性的概念密切相关。（CSET，2024[42]；Chan 等，2023[43]；Shavit 等，2023[44]）
推断：
系统层级架构：代理型AI常被描述为一种由多个相互协调的 AI 智能体构成的系统，通常组织在由 LLM 赋能的架构之中。
分布式问题求解：代理型系统中的智能体通过推断、规划和协调任务，与其他智能体和组件共同工作，以集体方式解决问题。在代理型AI的语境中，推断正从即时生成演化为一种复杂的“审慎推理”或“测试时计算”过程。代理型系统并非立即产出输出，而是能够在推断过程中进行内部思维链，以及递归式的多智能体批判和自我反思。
输出：
任务复杂性：Sapkota、Roumeliotis 和 Karkee（2025[25]）强调，相比 AI 智能体，代理型AI系统能够处理更高复杂度的任务以及更广泛的任务和领域，这得益于其管理动态且大规模工作流的能力。
自主性：
显著的自主性与灵活性：代理型AI系统运行于更开放且更复杂的环境中，比单个智能体更少依赖逐步式指令和监督。
更高程度的能动性与适应性：Sapkota、Roumeliotis 和 Karkee（2025[25]）将代理型AI描述为能够通过对子任务的动态排序，实时适应环境变化或部分任务失败的系统。其他若干定义则将能动性视为一个连续谱，表明不同代理型AI系统在自主性、适应性和复杂性方面存在不同程度。Pant 和 Viswanathan（2025[50]）通过提出代理型AI自主性的五个层级，进一步丰富了这种分层理解。这些层级从基础的基于规则的自动化，一直到能够实现动态适应并自主发现工具的高度自主代理型系统。
环境：
更复杂的物理或虚拟环境：代理型AI系统能够在更开放、不可预测性更强的环境中运行，在这些环境中，直接的物理或虚拟环境以及可能的行动和结果都更难建模。在这种环境下，行动后果起初可能是未知的或不确定的，因此要求智能体进行某种程度的探索。这也要求具备技术基础设施和共享协议，以指导系统如何与环境互动并对环境施加影响。第3.4 节详细说明了代理型AI系统在多智能体环境中预期应具备的部分要素。
总而言之，代理型AI是指由多个相互协调的 AI 智能体构成的系统，这些智能体能够分解任务、开展协作，并在较长时间内自主追求复杂目标。这些系统被设计为在更开放、可预测性更低的物理或虚拟环境中运行，并以最少的人类监督发挥作用。
表 3.3 代理型AI的示例性定义
注：本表纳入了来自多种来源类型的定义，包括学术出版物、网站和开发者文档。之所以将这些来源一并考虑，是因为它们都对当代关于代理型AI的理解产生塑造作用。为捕捉当前持续进行的概念争论的广度，本文未进行加权处理。这些定义处于不同的抽象层级：有些聚焦技术特征，有些则纳入社会—技术层面的内容，例如与人类的互动。两类定义均被纳入，以反映塑造当前代理型AI理解的互补性视角。
3.3 关键要素与区分性特征
AI智能体和代理型AI这两个术语正越来越多地出现在关于高级AI的讨论中，但它们的定义往往相互重叠，而且并不总是被清楚地区分开来。本报告回顾了多个来源，以澄清这两个概念，识别它们共有的属性和关键差异，并以 OECD 的 AI 系统定义作为本项分析的分析框架。
表 3.4 对这些发现作了总结，并对 AI智能体与代理型AI之间细微但重要的差别提供了一个结构化概览，帮助政策制定者理解这一不断演进的术语体系。该表说明了 OECD AI 系统定义中的哪些要素与 AI智能体和代理型AI最为相关，以及代理型AI如何在这些要素基础上进一步发展，更加强调协同、任务分解，以及在更复杂环境中以更少的人类监督运行等特征。尽管各种定义并不完全一致，这张表反映的是对 AI智能体和代理型AI进行定义分析后最常见的主题。
表 3.4 AI智能体与代理型AI系统之间的关键差异
基于 OECD AI 系统定义关键要素的比较框架
注：本表说明了 OECD AI 系统定义中的哪些要素与 AI智能体和代理型AI最为相关（蓝色表示“普遍”，绿色表示“频繁”，灰色表示“偶尔”），以及代理型AI如何在这些要素基础上继续发展，同时引入相较于 AI智能体而言更具区分性的特征。除非另有明确说明，表中的所有比较性表述（例如“更高”“更多”“更少”“更强”）均指本表内部 AI智能体与代理型AI之间的相对差异。尽管定义并不一致，这张表概括的是对 AI智能体和代理型AI进行定义分析后最常见的主题。
3.4 作为一种社会—技术范式的代理型AI
代理型AI往往与多智能体系统领域密切相关（Sapkota, Roumeliotis and Karkee, 2025[25]；IBM, 2025[20]）。在多智能体系统中，智能体与其他智能体——人类的、人工的以及制度性的——发生互动，而不是孤立地运行。这要求的不仅仅是个体“智能”；智能体还需要关系性能力，例如协商、协调以及遵守某些规范（Dignum and Dignum, 2025[45]；Trivedi et al., 2024[52]）。
早期多智能体系统研究中的一个核心洞见，是社会情境中推理的重要性，尤其是在智能体具有相互冲突的目标时（Dignum and Dignum, 2025[45]）。这促使关注点从孤立的决策转向“社会智能”，其中包括合作、论证和协商。通过这种关系性视角看待代理型AI，会使讨论超越单纯的自主性，凸显出对能够与其他主体——每一个主体都拥有其自身目标、激励和约束——进行负责任且有效互动的系统之需求（AAAI, 2025[16]）。
代理型AI的真正益处，在于其能够在社会语境中运行并作出贡献（Dignum and Dignum, 2025[45]）。这类系统不应只是追随目标或最大化结果，而应能够从经验中学习、随着时间推移调整其行为，并不仅基于效率，也基于价值和社会语境来作出决策并采取行动。按照这一观点，代理型AI系统应当能够处理潜在冲突的目标，适应现实世界情境，并知道何时“足够好”的结果比持续优化更为适当（Dignum and Dignum, 2020[7]；Dignum and Dignum, 2025[45]）。
综合来看，这些观点表明，代理型AI系统不应仅被理解为一种技术构造，也应被理解为嵌入于社会语境中的系统。这一社会—技术范式将推理、伦理和语境结合起来，以支持在复杂、多智能体环境中的有效互动和决策。代理型系统的发展，需要一个清晰的概念基础，以说明在复杂社会—技术环境中行动、决策和协调意味着什么（Dignum and Dignum, 2025[45]）。多智能体系统研究中的经验，可以为设计更可靠、具备语境感知能力的、由 LLM 赋能的多智能体互动提供有价值的基础（AAAI, 2025[16]）。
有效互动依赖于稳健的技术基础设施和共享协议，以使智能体能够通信、协调，并被编排以影响其周围环境（Chan et al., 2025[27]）。尽管在智能体通信语言、合作协议和互操作性倡议方面已有数十年的工作积累，但为了促进标准化和广泛采用，仍需要做更多工作（Anthropic, 2024[53]；Gosmar et al., 2024[54]；Surapaneni et al., 2025[55]；Hammond et al., 2025[56]；AAAI, 2025[16]）。尽管如此，近期举措，例如 Model Context Protocol（MCP）和 Agent-to-Agent protocol（A2A），表明，用于将 AI 智能体和应用程序连接到外部工具、数据源和系统的开放、共享标准，正在得到越来越多的采用（MCP, 2025[57]）。除这些协议之外，诸如 Moltbook 之类的实验性平台——一个专为 AI 智能体设计的去中心化社交网络，而人类“欢迎围观”——提供了大规模代理型互动以及新兴集体动态的早期展示（Moltbook, 2026[58]）。
4、AI智能体和代理型AI的采用趋势
根据最新数据，从 2023年初到2025年年中，GitHub 上使用 代理型AI框架（例如 AutoGPT、BabyAGI、OpenDevin 和 CrewAI）的代码仓库数量增长了 920%（SuperAGI，2025[59]）。与此同时，GitHub 仓库中的新兴趋势——包括 Model Context Protocol（MCP）和 多智能体编排策略的采用增加——突显了向 以智能体为中心的开发范式的显著转变（Ruiz，2025[60]）。
最新的 Stack Overflow Developer Survey向受访者提出了各种关于 AI智能体的问题。该调查收到了来自 177 个国家超过 49,000 份回复，总共涵盖 62 个问题。该调查将 AI智能体定义为：“能够使用人工智能技术，在几乎没有或完全没有直接人类干预的情况下运行的自主软件实体。”（Stack Overflow，2025[61]）。这些回答为理解开发者如何使用以及如何看待 AI智能体提供了有价值的见解。
调查结果表明，大约 一半的受访者已经在使用，或者计划在工作中使用 AI智能体，而 38% 的受访者没有计划采用它们（图4.1）。与此同时，绝大多数开发者强调需要进一步加强 AI智能体在安全性、隐私保护和准确性方面的能力，这突显了在构建更值得信赖的 AI智能体方面持续进展的重要性（图4.2）。
表4.1. Stack一半开发者使用AI智能体
对问题的回答：
“你是否在工作中（开发或其他工作）使用 AI智能体？”
注：
按回答该问题的受访者比例计算（n = 31,890）。
来源：
OECD 根据 Stack Overflow developer survey (2025[61])数据整理。
5、讨论
本文分析了来自学术和技术来源的AI智能体和代理型AI的定义，以识别核心概念和分类体系。以 OECD AI系统定义作为分析框架，本文强调了这些定义之间的共同特征以及分歧之处。这一概念性分析预计将通过对 代理型AI系统在实践中如何被开发和使用的示例进行补充。
分析表明，代理型AI最常指 整合并协调多个AI智能体的系统。虽然 代理型AI系统由 AI智能体构成，但 并非所有AI智能体都属于代理型AI系统的一部分。在大多数定义下，独立运行的单个智能体——即没有更广泛系统级编排的智能体——通常不被认为是代理型AI。
代理性（agency）存在于一个连续谱之上：从 反应型智能体（reactive agents），这些智能体只是简单地对刺激作出响应，到 智能体辅助工作流程（agent-assisted workflows），例如支持离散任务的 “copilot” 系统，再到 代理型AI系统，这些系统能够 协调多个智能体，并在极少人类监督的情况下管理整个工作流程。
随着 代理型AI系统变得更加有能力并被更广泛地部署，有几个领域值得进一步探索，以支持有效的政策制定。首先，需要对 支撑代理型AI的不同架构以及其技术栈有更清晰的理解（Dilmegani and Palazoglu, 2025；Chaudhary, 2025；Zhai et al., 2025）。对这些架构进行映射可以帮助识别 在哪些位置实施保障措施、标准或监督机制最为有效，从而支持 可信的创新。
第二，开发 代理型AI的相关类型学（typologies）可以支持政策制定和负责任部署。这些类型学可以根据以下因素区分不同系统：应用领域；自主程度；适应性；工具访问水平；影响其物理或虚拟环境的能力（Stryker, 2025；Chawla, 2025；Srikumar, 2025；Partnership on AI, 2025；Pant and Viswanathan, 2025）。
还需要进一步工作来评估 代理型AI的更广泛政策影响。关键问题包括：问责性、可解释性和透明性；系统在复杂社会—技术环境中的行为和性能；信息完整性和人权保护，包括言论自由；与全球差异、主权以及资源效率相关的挑战，包括水和能源使用（Partnership on AI, 2025；Information Commissioner’s Office, 2026）。
与此同时，识别能够支持 安全且可信的代理型AI开发和部署的系统性方法——例如 持续监测、评估和基准测试——可以帮助为政策制定提供信息，并补充该领域正在出现的国际努力（UK AI Security Institute, 2025；Infocomm Media Development Authority, 2026）。
未来的工作还可以优先发展 跨国家的稳健指标体系，以跟踪 AI智能体的发展和采用情况。这可能包括分析以下趋势：招聘岗位信息；报告的事件；投资活动；明确涉及 AI智能体开发、部署或使用的研究成果。
2026年以来，围绕 AI智能体（AI agents）与 代理型AI（Agentic AI）的讨论迅速升温。从开发者社区到产业实践，越来越多的系统开始以“智能体”为核心组织工作流。近期在技术社区迅速走红的 OpenClaw，尤其是全民养虾热潮，正是这一趋势的缩影：AI系统正从单一模型能力，走向能够自主规划任务、调用工具并协同执行的智能体系统。
在这样的背景下，这份由OECD发布的报告《代理型人工智能的生态图景及其概念基础》具有重要意义。当前关于“AI智能体”与“代理型AI”的讨论往往被混用，但二者在技术架构与系统能力上并不完全相同。本报告通过系统梳理文献中的定义，区分了单个AI智能体与由多个智能体协同构成的代理型AI系统，并将其与OECD既有的AI系统定义框架相衔接，为政策研究和技术讨论提供了一套更为清晰的概念基础。
随着智能体技术从实验走向开发者工具链与产业应用，厘清这些概念不仅是学术问题，也将直接影响未来 AI治理、责任划分与技术标准的讨论起点。理解这些定义，实际上是在理解下一阶段AI系统形态的变化。
摘要
通过分析“AI 智能体（AI agents）”和“代理型 AI（agentic AI）”的关键特征、重叠点与差异点，以及这些关键特征与 OECD AI 系统定义核心要素之间的关系，考察这两个术语在文献中是如何被界定和使用的。分析表明，尽管 AI 智能体与代理型 AI 共享若干基础性特征，但代理型 AI 更加强调多个智能体之间的协调、任务分解与委派、跨时间的持续运行，以及在有限人类监督下于更复杂且更难预测的环境中运行。报告还提供了关于 AI 智能体采用近期趋势的描述性证据，指出尽管许多开发者已开始将其整合进工作流程，但在迈向更值得信赖的系统方面仍需进一步进展。总体而言，本报告有助于在这一新兴领域形成更清晰的概念理解，并为未来分析工作奠定基础。
执行摘要
随着基于大语言模型（LLMs）的人工智能（AI）系统变得更具自主性，并且更有能力与其环境互动，AI 智能体与代理型 AI 正受到越来越多的关注。尽管相关概念早已在学术研究中被长期讨论，近期进展引入了新的能力，这些能力挑战了既有的概念边界，并凸显出有必要更清晰、共享地理解什么构成“代理型”的 AI 系统。
本报告通过考察“AI 智能体”和“代理型 AI”这两个术语在文献中如何被定义和使用，为这一澄清作出贡献。通过分析这两个术语的定义、突出其关键特征及重叠点与差异点，并将其与 OECD AI 系统定义的核心要素联系起来，本报告支持更加精确、一致的术语使用，并为进一步分析工作建立基础。
分析发现，这两个概念共享若干基础性特征，包括一定程度的自主性、目标导向行为，以及在物理或虚拟环境中感知并行动的能力。然而，代理型 AI 更加强调多个智能体之间的协调、任务分解与委派、跨时间的持续运行，以及在有限人类监督下于更复杂且更难预测的环境中运行。基于该分析，报告提出以下共同理解：
AI 智能体是能够以一定程度的自主性感知其环境并对其采取行动的系统，在必要时使用工具以实现特定目标，并适应变化中的输入与情境。
代理型 AI 通常指由多个相互协调的 AI 智能体构成的系统，这些智能体能够分解任务、开展协作，并在较长时期内自主追求复杂目标。代理型 AI 系统被设计为在更开放、可预测性更低的物理或虚拟环境中运行，并以最少的人类监督发挥作用。
代理型 AI 系统不仅仅是技术工具；它们正越来越多地被视为嵌入社会情境与互动之中的系统，运行在一种社会—技术范式中。代理型 AI 系统的价值，来自其自主行动并通过协调和协商与其他主体——无论是人类、人工还是制度性主体——互动的能力。支撑这些互动需要先进的推理能力，以及稳健的基础设施和通信协议。这种关系性视角对于设计能够在物理和虚拟环境中负责任且有效运行的代理型 AI 系统至关重要。
许多开发者已将 AI 智能体纳入其工具箱，调查数据表明，近一半 Stack Overflow 受访者正在使用或计划使用它们。然而，采用并不意味着技术已经完全成熟：受访者仍指出在安全、隐私和准确性方面还有进一步加强的空间，这凸显出朝着更值得信赖的 AI 智能体持续推进的必要性。
总体而言，本报告对代理型 AI 生态图景提供了描述性概览，澄清了关键概念与特征，并建立了共享的分析基础。未来，对使用场景和技术架构的更好理解，能够帮助识别在哪些地方最需要保障措施与标准。进一步的分析工作可在此基础上，围绕自主性水平、适应性、运行领域与系统影响等特征发展出与政策相关的类型学，同时改进关于不同情境下采用与使用情况的经验证据。
1、背景
人工智能（AI）领域正在迅速发展，目前许多系统仍仅被设计为按需回应人类查询，并提供供人类考虑的信息。然而，人们对那些更像自主主体运作的 AI 系统的兴趣正在增长：它们能够在更广泛的任务范围内，以最少的人类干预追求目标、作出决策并采取行动。这些新兴的 AI 智能体和代理型 AI 系统有潜力通过简化流程、提升运营效率，在多个部门推动创新、吸引投资并提高生产率（Zeff and Wiggers, 2025[1]）。
尽管关注度不断上升，但人们对 AI 智能体和代理型 AI 系统的理解仍存在显著差异。尽管学术文献长期以来一直为 AI 领域中的 agent 提供定义，近期发展——尤其是大语言模型（LLMs）的整合——引入了新的复杂性和相互竞争的解释。随着这一图景持续演进，研究者、开发者和政策制定者正在努力追踪进展，并探索既支持创新又促进值得信赖 AI 的治理路径。
OECD.AI 的 AI Futures 专家组是一个跨学科、跨部门的小组，向各国政府提供关于 AI 当前及可能未来发展的见解与建议。其职责包括为政府配备制定面向未来的 AI 政策所需的证据与工具。作为这项工作的一部分，代理型 AI 已被确定为优先工作流。本文描绘“AI 智能体”和“代理型 AI”的当前定义图景，并作为代理型 AI 工作流中的首个项目。本文有意采取描述性方法，以便为未来的分析与政策工作奠定基础。该分析识别出代理型 AI 与 AI 智能体现有定义中最常被提及的特征，考察这些特征在不同来源中如何被描述，并将其映射到 OECD 对 AI 系统定义的关键要素上。通过突出共同特征与差异，本文旨在支持更清晰的概念理解，并为未来研究和政策制定提供信息。本文还提供了关于 AI 智能体与代理型 AI 采用近期趋势的描述性数据。
2、什么是 AI 系统？
2.1 OECD 对 AI 系统的定义
OECD 理事会关于人工智能的建议将 AI 系统定义为：“一种基于机器的系统，为了显性或隐性的目标，从其接收的输入中推断如何生成诸如预测、内容、推荐或决策等输出，而这些输出能够影响物理或虚拟环境。不同的 AI 系统在部署后的自主性和适应性水平上有所不同。”（OECD, n.d.[2]）
2.2 OECD 对 AI 系统定义的主要要素
《更新版OECDAI系统定义解释性备忘录》和《OECDAI系统分类框架》为该定义的关键要素提供了补充信息（OECD, 2024[3]；OECD, 2022[4]）。这些要素包括：
目标：AI 系统的目标可以是显性的，也可以是隐性的；例如，它们可以属于以下类别，而这些类别在某些系统中可能相互重叠：
a) 显性且由人类定义——开发者将目标直接编码到系统中（例如通过目标函数）。具有显性目标的系统例子包括简单分类器、博弈系统、组合问题求解系统、规划算法和动态规划算法。
b) 隐含于（通常由人类指定的）规则之中——规则规定 AI 系统在当前情境下应采取的行动。例如，一个驾驶系统可能有一条规则：“如果交通灯是红灯，就停车。”然而，这些规则背后的目标，如守法或避免事故，并不是显性的，尽管规则本身通常由人类指定。
c) 隐含于训练数据之中——最终目标并未被显式编程，而是通过训练数据以及学习去模仿这些数据的系统架构被纳入其中（例如，奖励大语言模型生成看起来合理的回答）。
d) 事先并不完全已知——例如，使用强化学习逐步缩小个体用户偏好模型的推荐系统。
输入与数据：输入既在开发阶段使用，也在部署后使用。输入可以是开发过程中人类放入系统中的数据、知识、规则和代码。人类和机器都可以提供输入。在开发阶段，输入被用来构建 AI 系统，例如通过机器学习从训练数据和/或人类输入中生成模型。输入也会在系统运行时被使用，例如用于推断如何生成输出。输入可以包括与待执行任务相关的数据，也可以表现为用户提示词或搜索查询等形式。
推理：“推理”这一概念通常指系统从其输入中生成中间或最终输出的步骤，通常发生在部署之后。
输出：AI 系统的输出通常反映其执行的功能，通常落入推荐、预测、内容生成、决策与行动等宽泛类别。这些类别对应着不同程度的系统自主性和人类参与。决策和行动往往意味着更高水平的自主性，即 AI 系统直接影响其环境，或指示其他实体这样做。相比之下，预测和推荐通常意味着更多的人类参与。然而，自主性水平并不单由输出类型决定——它还取决于系统如何被设计、部署以及在其之上如何构建。
对物理或虚拟环境的影响：AI 系统的环境或语境，是指系统能够通过数据或其他输入来观察——无论是完全观察还是部分观察——的空间，既可以是物理空间，也可以是虚拟空间。AI 系统的环境可以受到系统输出的影响。
自主性：系统在没有人类参与的情况下学习或行动的程度。人类监督可以发生在 AI 系统生命周期的任何阶段，例如设计、开发或部署期间。有些 AI 系统能够生成输出，而这些输出并未在其目标中被明确描述，也没有来自人类的具体指令。有些系统仅在被查询时才生成输出，其余时间保持不活动；另一些持续监测环境中的线索；还有一些在被启动后持续生成输出流。行动自主性包括若干层级：
a) 无行动自主性（亦称“人类支持”）：系统可以提出建议，但是否采取行动仅由人类决定。
b) 低行动自主性（亦称“human-in-the-loop”）：系统提出行动建议，但只有在人类批准后才继续。
c) 中等行动自主性（亦称“human-on-the-loop”）：除非人类介入阻止，否则系统自行采取行动。
d) 高行动自主性（亦称“human-out-of-the-loop”）：系统完全自行行动，无需人类参与。
适应性：适应性通常指 AI 系统在初始开发后仍能继续演化。适应性系统会在部署前或部署后，通过与输入和数据的直接交互来修改其行为。适应性经常被称为“学习”，并常与“适配能力”同义使用。
下一节将利用 OECD 对 AI 系统定义的关键要素，考察 AI 智能体与代理型 AI 的若干代表性定义。该节识别共享特征并强调重要差异，为围绕这些技术开展有根据的政策讨论提供清晰基础。
自主性（autonomy）与能动性（agency）这两个术语经常被交替使用，但它们指向不同的概念，并对 AI 系统具有重要含义。
自主性通常指系统在没有人类直接参与的情况下采取行动的能力。
相比之下，能动性则涉及系统独立形成目标、进行长期推理以及进行战略性适应的能力（Tallam, 2025[5]）。能动性通常预设交互：没有某种形式的互动，就不会有能动性。交互性与关系性动态是各种能动性的基础（Floridi, 2024[6]；Dignum and Dignum, 2020[7]）。
一个系统可以是自主的，但未必是代理型的。例如，恒温器或某些类型的自动驾驶车辆能够独立运行，但缺乏对目标进行推理或以有意义方式与环境互动的能力。在更充分的意义上，能动性通常至少预设某种程度的自主性，但它还包括参与更复杂、动态、多智能体环境的能力，并且往往包括把更高层次目标转化为更低层次行动的能力。
在下文分析中，自主性一词与 OECD 对 AI 系统的定义保持一致。能动性并未在 OECD 的定义中被明确界定，但可从适应性、目标、推断以及影响环境的能力等要素中推知。第3.4 节将讨论社会—技术语境中的能动性。
3、什么是 AI 智能体与代理型 AI？
“AI 智能体”和“代理型 AI”这两个术语如今已成为高级 AI 系统讨论中的核心。尽管二者都被广泛使用，但代理型 AI 是近来才更为突出地进入讨论，主要原因在于能力更强的大语言模型的出现，这些模型能够以类似智能体的方式进行规划、行动和互动。这一发展在 Google Trends 数据中有所体现：2025 年，全球对“agentic AI”的搜索量大幅上升，表明它正在迅速成为 AI 图景中的一个既成概念（图 3.1）。
【图 3.1：2025 年全球对“agentic AI”的 Google 搜索量激增】
注：Google Trends 基于搜索样本展示某一搜索词在一段时间内的受欢迎程度。图中的数字并不表示搜索总量，而是按 0 至100 进行标准化，其中 100 表示图表所示时段内的峰值关注度。下降趋势意味着相对于其他搜索，该搜索词变得不那么受欢迎，并不必然意味着总体搜索人数变少。
来源：OECD 基于 Google Trends 数据的分析（Google, n.d.[8]）。
本节通过回顾并比较多个来源中的代表性定义，探讨 AI 智能体和代理型 AI 这两个概念。尽管有些来源并未清楚区分“AI 智能体”和“代理型 AI”，本分析仍试图突出文献中这两个术语在定义上的共性与差异。
基于该分析，代理型 AI 是指由多个相互协调的 AI 智能体构成的系统，这些智能体能够分解任务、开展协作，并在较长时期内自主追求复杂目标。这些系统被设计为在更开放、可预测性更低的物理或虚拟环境中运行，并以最少的人类监督发挥作用。
框 3.1 代理性研究的演进
“agent”这一概念早在其被用于人工智能之前就已存在。该词源自拉丁语 agere，意为“行动”。在哲学中，它有着深厚根基，agent 一般被理解为具有行动能力的存在，而 agency 则指这一能力的行使（Stanford Encyclopedia of Philosophy, 2015[9]）。在经济学中，“agent”的概念也早已确立，指一种决策者，其行为被建模为优化问题或选择问题的解（Mas-Colell, Whinston and Green, 1995[10]）。
当代人工智能研究通常将智能体定义为：一个通过传感器感知其环境、并通过执行器对环境采取行动的实体；这一关系常被表示为智能体与其运行情境之间的反馈回路（Russell and Norvig, 1995[11]）。
一种常见方法区分两大类智能体：反应式智能体和认知式智能体。
反应式智能体——也称反射式智能体——只是对刺激作出响应，而不会进行规划、协调或设定目标（Teahan, 2014[12]；Russell and Norvig, 2022[13]）。例如，吸尘智能体只根据其当前位置以及该位置是否有灰尘来行动（Russell and Norvig, 2022[13]）。
认知式智能体被设计为能够感知环境、对环境进行推理，并根据目标作出决策（Teahan, 2014[12]）。理性智能体是一种认知式智能体，它会采取行动以实现最佳结果，或在存在不确定性时实现最佳期望结果（Russell and Norvig, 2022[13]）。
学术文献提出了若干智能体分类框架，主要依据其功能复杂度或其底层逻辑结构来区分：
以能力为驱动：该分类沿着自主性和智能性不断增强的光谱组织智能体。它从简单的反射式智能体出发——这类智能体即时对当下作出反应——一直到能够随着时间推移改进自身表现的学习型智能体。中间层级包括基于模型的智能体（维持对环境的内部表征）、基于目标的智能体（为实现特定目标而行动）以及基于效用的智能体（计算最“可取”或最高效的结果）（Russell and Norvig, 2022[13]）。
以架构为驱动：该框架按照智能体的内部逻辑进行分类。它区分逻辑型智能体（形式推演）、反应型智能体（刺激—反应）以及认知型智能体（利用内部世界模型进行目标导向推理）。一个关键的认知型例子是信念—欲望—意图（BDI）架构，该架构管理表示智能体信念、目标和承诺的“心理状态”（Rao and Georgeff, 1995[14]；Weiss, 2013[15]）。最后，分层架构则只是将不同层级的推理——从基本反射到高层规划——叠加在一个协调系统之中（Weiss, 2013[15]）。
在这些基础概念之上，研究已沿多条路径推进，其中包括多智能体系统（MAS）。该方向关注智能体如何协调、通信与协商，其中角色的拆分或分配通常由人为设计的系统配置所决定（AAAI, 2025[16]；Wooldridge, 2002[17]）。自 2020 年以来，大语言模型的出现重新激发了人们对 AI 智能体的兴趣，并拓宽了 AI 驱动工具的图景，进而引入了“copilot（副驾驶）”等新概念——它们通过提供实时辅助来支持特定工作流程中的用户——以及更加自主的“代理型 AI 系统”，后者能够以最少的人类输入执行复杂任务（Kashyap, 2025[18]；AAAI, 2025[16]）。一个新的前沿方向探索的是自我改进型智能体：这类智能体被设计为在运行中递归分析自身表现，从而随着时间推移变得更高效（Yin et al., 2024[19]）。
3.1 AI 智能体
3.1.1 AI 智能体的概念基础
关于 AI 智能体的讨论已经演化了数十年——从早期基于规则的系统，到今天由大语言模型赋能的智能体（框 3.1）（AAAI, 2025[16]；Dignum and Dignum, 2020[7]；IBM, 2025[20]）。要理解这些讨论，重要的是把握界定 AI 智能体的基础概念与类型学。表 3.1 汇集了来自近期文献和标准学术定义的 AI 智能体表述。将这些定义与 OECD AI 系统定义的关键组成部分进行映射的结构化分析显示，各定义要素在重要性和出现频率上存在层级差异（表 3.2）。这些要素被划分为三个层次：最常被提及的（“普遍”）、中等频率被提及的（“频繁”）以及较少被纳入的（“偶尔”）。这种分层视角为理解 AI 智能体最显著的属性提供了一个实用框架。
普遍：三个要素在大多数 AI 智能体定义中居于核心地位：1）目标，2）输出（通常表现为行动），以及 3）自主性。这些是各来源中最稳定被提及的特征，构成 AI 智能体定义的基础。例如，IBM (2025[20]) 和 NIST (2025[21]) 都强调 AI 代理被设计用于追求特定目标并产生包括决策和行为在内的输出，且具备一定程度的自主性。然而，不同定义以不同方式描述这些要素：
1）目标：大多数来源都承认目标或宗旨在引导智能体行为和输出方面的作用。尽管大多数定义都宽泛地纳入目标，但有些将 AI 智能体的适用范围限制为复杂目标（NIST, 2025[21]；Oueslati and Staes-Polet, 2025[22]；Kasirzadeh and Gabriel, 2025[23]）。大多数来源并未说明这些目标究竟是隐性的还是显性的，但 Anthropic（2024[24]）是一个例外，它似乎将目标刻画为由人类通过提示词加以指定，从而突出了与语言模型型智能体相关的一种独特框架。与此同时，某些研究，如 Sapkota、Roumeliotis 和 Karkee（2025[25]），将 AI 智能体表述为在范围较窄的领域内运行、为执行特定任务而设计的系统，而 Bengio 等（2025[26]）则将 AI 智能体界定为“通用型 AI”。不过，其他研究并未明确将任务特定性与 AI 智能体的定义相联系。
2）输出：AI 智能体中“输出”的定义在范围和强调重点上有所不同。大多数来源将输出描述为决策和行动——包括任务执行。值得注意的是，Chan 等（2025[27]）、Bengio 等（2025[26]）以及 Ferber（1999[28]）将其扩展为在开放式环境中的交互，而 Anthropic（2024[24]）、Partnership on AI（2025[29]）、Hugging Face（2025[30]）和 LangChain Docs（2025[31]）则强调由工具使用所塑造的输出，包括通过结构化应用程序编程接口（APIs）以及通过直接与图形用户界面（GUIs）互动来实现的输出（Nguyen et al., 2024[32]）。这反映出一个从简单决策和任务执行到复杂、情境敏感型响应的连续谱。
3）自主性：AI 智能体中的自主性定义在深度和范围上有所不同。一些来源，如 Russell and Norvig（1995[11]）、IBM（2025[20]）和 Fadel（2025[33]），仅隐含了基本的能动性与自主性，指出其具有“行动的能动性”或“自主采取行动”的能力。值得注意的是，NIST（2025[21]）似乎区分了自主决策——即在没有人类输入的情况下发生——与采取行动——后者可能涉及有限的人类监督。这表明一种分层的自主性观，即推理是完全独立进行的，但执行可能仍受人类监督和反馈回路的制约（Anthropic, 2024[24]）。这类配置有时被称为混合系统，在这种系统中，智能体与人类在导向某一行动的过程中发生互动（Samdani, Viswanathan and Jegadeesh, 2025[34]）。
频繁：第二层包括 1）对环境的影响，2）适应性，以及 3）推断。这些要素被频繁提及，但不像上述核心三要素那样具有普遍性。
1）对物理或虚拟环境的影响：大多数来源将智能体描述为通过其输出影响其直接的物理或虚拟环境。然而，“环境”究竟由什么构成，在不同系统和应用之间并不相同。值得注意的是，Chan 等（2025[27]）和 Oueslati and Staes-Polet（2025[22]）强调，智能体可以在开放式环境中行动，而 Sapkota、Roumeliotis 和 Karkee（2025[25]）则将这种影响限制在数字生态系统中。关于智能体可以在何处运行的这些不同假设，对应着对“环境”是什么这一问题的不同定义。
2）适应性：一些来源提到，智能体能够根据不断变化的输入或情境调整其行为和输出（Mitchell et al., 2025[35]）。这通常涉及一个为实现目标而进行的迭代过程（Masterman et al., 2024[36]；Anthropic, 2024[24]；Capgemini Research Institute, 2025[37]；Russell and Norvig, 1995[11]；LangChain Docs, 2025[31]）。在若干近期来源中，这种迭代执行与学习模式被称为“代理循环”（agentic loop）（Ashby, 2025[38]）。尽管在开放式环境中行动的能力意味着较高程度的适应性和自主性（Chan et al., 2025[27]；Oueslati and Staes-Polet, 2025[22]），Sapkota、Roumeliotis 和 Karkee（2025[25]）却将 AI 智能体中的适应性刻画为“有限的”。
3）推断：虽然来源中并未明确直接提到，但推断可被理解为 AI 系统根据给定输入生成输出的能力。一些来源还强调规划或推理——尤其是在认知型智能体的情况下——这反映了通常与推断相关的复杂性或精细程度（NIST, 2025[21]；Chan et al., 2025[27]；Masterman et al., 2024[36]；Anthropic, 2024[24]；Hugging Face, 2025[30]；Bengio et al., 2025[26]；LangChain Docs, 2025[31]；Oueslati and Staes-Polet, 2025[22]；Partnership on AI, 2025[29]）。
偶尔：第三层包括数据与输入。该要素在 AI 智能体定义中的出现不那么稳定。这一组成部分提供重要技术背景，但通常被视为支持性特征，而非定义性特征。
数据和输入：这是 AI 智能体定义中最少被强调的要素之一。只有少数来源（Sapkota、Roumeliotis and Karkee, 2025[25]；Anthropic, 2024[24]）明确提到智能体如何感知或理解输入。值得注意的是，所审阅的定义并未清楚地区分部署前训练数据——即用于塑造智能体能力的数据、实验或模拟——与部署后输入，包括与环境及其他智能体的互动，这些都可构成不同形式的输入。之所以很少被明确纳入，也许反映出这样一种假定：数据和输入并不能将 AI 智能体与其他 AI 系统区分开来。
经分析的这些定义通常都会提到自主性、适应性、输出类型以及与环境的互动。然而，对于所需的自主性或适应性水平、输出的一般性与性质，或智能体应当处于何种类型的环境以及在其中应具有何种程度的影响，目前并无明确共识。
本节旨在识别将 AI 智能体与其他 AI 系统区分开来的特征。与所有 AI 模型一样，AI 智能体依赖数据进行训练；然而，这种依赖似乎并不是一种区分性特征。尽管如此，数据和输入仍然至关重要，因此理解它们在 AI 智能体内部如何被处理仍然很重要。
总而言之，AI 智能体可以被理解为：能够以一定程度的自主性感知其环境并对其采取行动、在必要时使用工具以实现特定目标，并适应不断变化的输入与情境的系统。
表 3.1 AI 智能体的示例性定义
| Russell and Norvig (1995[11]) | 智能体是某种在环境中感知并行动的东西……理想的智能体会在特定情境下采取尽可能最佳的行动……计算机智能体应当：自主运行、感知其环境、在较长时期内持续存在、适应变化，并创造和追求目标。 |
| Wooldridge (2002[17]) | 智能体是一种计算机系统，能够代表其用户或所有者独立行动。换言之，智能体能够自行判断其为了满足设计目标需要做什么，而不是在每一个时点都必须被明确告知应当做什么。 |
| Ferber (1999[28]) | 智能体是一个物理或虚拟实体，能够在环境中行动、与其他智能体通信、受目标驱动、拥有自身资源、感知环境、仅对环境具有部分表征、具备技能并提供服务，可能能够复制自身，并在考虑资源、技能、感知、表征及所接收通信的情况下趋向于实现其目标。 |
| IBM (2025[20]) | AI 智能体是一种软件实体，采用 AI 技术，并基于既定目标在其环境中具有行动的能动性，这意味着它能够决定应执行哪些行动，并有能力将其执行。 |
| NIST (2025[21]) | AI 智能体系统具备自主决策并采取行动的能力，能够在有限的人类监督下运行以实现复杂目标。其特征包括理解语境、推理、规划、适应和执行任务的能力。 |
| Fadel (2025[33]) | 智能体：是为实现特定目标而自主采取行动的软件实体。 |
| Chan et al. (2025[27]) | AI智能体：能够在开放式环境中规划并执行交互的 AI 系统，例如打电话或在线购物。智能体与其他计算系统有两点显著不同。第一，与作为聊天机器人的基础模型相比，智能体直接与世界互动（例如，航班预订网站），而不仅仅是与用户互动。第二，与传统软件（例如排序算法的实现）相比，智能体能够适应规定不足的任务指令。尽管 AI 社群几十年来一直在开发智能体，但这些智能体通常只执行一组狭窄的任务。相比之下，近期建立在语言模型之上的智能体，能够尝试——尽管可靠性程度不同——范围更广得多的任务，例如软件工程或办公室支持。 |
| Kasirzadeh and Gabriel (2025[23]) | 我们将 AI智能体界定为：在有限外部控制下，具有在多个领域执行日益复杂且影响重大的目标导向行动能力的系统。本质上，我们关注的是一大类人工系统，它们能够独立追求广泛的目标和任务，从而对世界施加因果影响。 |
| Masterman et al. (2024[36]) | AI 智能体是由语言模型驱动的实体，能够通过多轮迭代来规划并采取行动以执行目标。AI 智能体架构可以由单个智能体构成，也可以由多个智能体协同解决问题。 |
| Sapkota, Roumeliotis and Karkee (2025[25]) | AI智能体是在有边界的数字环境中，为目标导向的任务执行而设计的自主软件实体。这些智能体的定义特征在于：能够感知结构化或非结构化输入、对上下文信息进行推理，并发起行动以实现特定目标，而且常常作为人类用户或子系统的代理。与遵循确定性工作流的传统自动化脚本不同，AI智能体表现出反应式智能和有限的适应能力，使其能够解释动态输入并相应地重新配置输出……AI 智能体是为狭窄、界定明确的任务而构建的。它们被优化用于在固定领域内执行可重复操作，例如电子邮件过滤、数据库查询或日历协调。这种任务专门化使它们在通用推理没有必要或效率不高的自动化任务中，具有效率、可解释性和高精度。 |
| Anthropic (2024[24]) | 智能体，是这样一种系统，其中 LLM 会动态地指导其自身的流程和工具使用，并保持对其如何完成任务的控制……随着 LLM 在若干关键能力上日趋成熟——理解复杂输入、进行推理和规划、可靠地使用工具以及从错误中恢复——智能体正开始进入生产环境。智能体的工作起始于来自人类用户的命令式请求，或与人类用户进行的交互式讨论。一旦任务明确，智能体便会独立地进行规划和运行，并可能返回向人类索取进一步的信息或判断。在执行过程中，关键在于智能体在每一步都从环境中获得“真实依据”（例如工具调用结果或代码执行），以评估其进展。智能体随后可以在检查点，或在遇到阻碍时暂停，以等待人类反馈。任务会在完成时终止，但通常也会设置停止条件（例如最大迭代次数）以维持控制。智能体能够处理复杂任务，但其实现往往相当直接。它们通常只是使用工具、并基于环境反馈在循环中运行的 LLM。 |
| Capgemini Research Institute (2025[37]) | AI智能体是与具有明确边界的业务环境相连接的程序/平台/软件，能够自主作出决策，并在有人类或无人类介入的情况下采取行动以实现特定目标。随着 AI 模型推理能力的最新进展，AI智能体能够分解任务，通过对潜在路径进行“推理”来找到给定问题的解决方案，尝试这些解决方案，并呈现成功的结果。 |
| Bengio et al. (2025[26]) | AI智能体：一种通用目的的 AI，它为了实现目标而采取行动，可能使用计划，沿途对涉及多步骤和不确定结果的任务进行适应性执行，并与其环境互动——例如通过创建文件、在网络上采取行动，或将任务委派给其他智能体——几乎没有或完全没有人类监督。 |
| Oueslati and Staes-Polet (2025[22]) | 智能体的特征在于其能够：(i) 自主追求复杂、规定不足的目标，进行长期且可适应的规划；以及 (ii) 在虚拟和现实世界环境中采取行动。智能体是一种复合系统，由一个 GPAI 模型——目前是先进的 LLM 或多模态模型——以及与之连接的“脚手架”软件组成，这些软件支持组件旨在实现更有效的规划和目标执行。 |
| Mitchell et al. (2025[35]) | “AI 智能体”是能够在非确定性环境中创建情境特定计划的计算机软件系统。 |
| Partnership on AI (2025[29]) | 智能体……进行推理、规划，并执行一系列行动以实现用户目标。与生成式 AI 不同，这些系统通过使用数字工具与复杂环境互动，直接执行行动。 |
| Hugging Face (2025[39]; 2025[30]) | 智能体是一种利用 AI 模型与其环境互动以实现用户定义目标的系统。它将推理、规划和行动执行（通常以外部工具的形式）结合起来以完成任务。AI 智能体是由 LLM 输出控制工作流的程序。“能动性”沿着一个连续谱演化，这取决于你在工作流中赋予 LLM 多大或多小的权力。 |
| LangChain Docs (2025[31]) | 智能体是一种将语言模型与工具结合的系统，使其能够对任务进行推理、决定使用哪些工具，并通过迭代步骤推进直至解决问题。 |
注：本表纳入了来自多种来源类型的定义，包括学术出版物、网站和开发者文档。之所以将这些来源一并考虑，是因为它们都对当代关于 AI 智能体的理解产生塑造作用。为捕捉当前持续进行的概念争论的广度，本文未进行加权处理。该表还纳入了一些并非专指 AI 智能体的早期“智能体”定义，因为这些定义已经为当前对 AI 智能体的理解提供了信息或作出了贡献。
表 3.2 大多数定义将 AI 智能体表述为：以一定程度的自主性为实现目标而产生输出的系统
明确阐述在AI代理定义中强调的经合组织AI系统定义关键组成部分映射
| Russell and Norvig (1995[11]) | X | X | X | X | X | ||
| Wooldridge (2002[17]) | X | X | X | ||||
| Ferber (1999[28]) | X | X | X | X | X | X | |
| IBM (2025[20]) | X | X | X | X | |||
| NIST (2025[21]) | X | X | X | X | X | X | |
| Fadel (2025[33]) | X | X | X | ||||
| Chan et al. (2025[27]) | X | X | X | X | X | ||
| Kasirzadeh and Gabriel (2025[23]) | X | X | X | X | X | ||
| Masterman et al. (2024[36]) | X | X | X | X | X | ||
| Sapkota, Roumeliotis and Karkee (2025[25]) | X | X | X | X | X | X | X |
| Anthropic (2024[24]) | X | X | X | X | X | X | X |
| Capgemini Research Institute (2025[37]) | X | X | X | X | X | X | |
| Bengio et al. (2025[26]) | X | X | X | X | X | X | |
| Oueslati and Staes-Polet (2025[22]) | X | X | X | X | X | X | |
| Mitchell et al. (2025[35]) | X | X | X | X | X | ||
| Partnership on AI (2025[29]) | X | X | X | X | X | ||
| Hugging Face (2025[39];2025[30]) | X | X | X | X | |||
| LangChain Docs (2025[31]) | X | X | X | X | |||
| 合计 | 18 | 18 | 17 | 13 | 12 | 10 | 4 |
3.2.1 代理型AI的关键特征
“AI智能体”和“代理型AI”这两个术语有时会被交替使用，从而导致混淆和概念上的不清晰。然而，更仔细的考察表明，这两个概念之间存在重要区别。本节通过将代理型AI与AI智能体的定义进行系统比较，探讨代理型AI这一概念。
通过分析并对比来自学术和技术来源的关键定义（表3.3），我们的目标是澄清这些术语在语义层面和功能层面的差异。自然地，OECD 对 AI 系统定义中的若干核心组成部分——例如自主性、适应性、输出类型（如决策或行动）以及与环境的互动——也经常出现在代理型AI的定义中。
尽管 AI 智能体与代理型AI的定义之间存在显著重叠，但某些特征要么在代理型AI中被更加强调，要么是代理型AI所特有的：
目标：
任务分解与委派：代理型AI系统能够将复杂目标分解为较小、可管理的任务，并将这些任务委派给系统内的各个智能体。（Miehling 等， 2025[40]；Sapkota、Roumeliotis 和 Karkee， 2025[25]；Challapally 等人，2025[41])
延展的时间跨度：代理型AI系统能够在更长时间内追求目标，从而引入了大多数 AI 智能体定义中所缺少的时间维度。这一时间维度与自主性的概念密切相关。（CSET，2024[42]；Chan 等，2023[43]；Shavit 等，2023[44]）
推断：
系统层级架构：代理型AI常被描述为一种由多个相互协调的 AI 智能体构成的系统，通常组织在由 LLM 赋能的架构之中。
分布式问题求解：代理型系统中的智能体通过推断、规划和协调任务，与其他智能体和组件共同工作，以集体方式解决问题。在代理型AI的语境中，推断正从即时生成演化为一种复杂的“审慎推理”或“测试时计算”过程。代理型系统并非立即产出输出，而是能够在推断过程中进行内部思维链，以及递归式的多智能体批判和自我反思。
输出：
任务复杂性：Sapkota、Roumeliotis 和 Karkee（2025[25]）强调，相比 AI 智能体，代理型AI系统能够处理更高复杂度的任务以及更广泛的任务和领域，这得益于其管理动态且大规模工作流的能力。
自主性：
显著的自主性与灵活性：代理型AI系统运行于更开放且更复杂的环境中，比单个智能体更少依赖逐步式指令和监督。
更高程度的能动性与适应性：Sapkota、Roumeliotis 和 Karkee（2025[25]）将代理型AI描述为能够通过对子任务的动态排序，实时适应环境变化或部分任务失败的系统。其他若干定义则将能动性视为一个连续谱，表明不同代理型AI系统在自主性、适应性和复杂性方面存在不同程度。Pant 和 Viswanathan（2025[50]）通过提出代理型AI自主性的五个层级，进一步丰富了这种分层理解。这些层级从基础的基于规则的自动化，一直到能够实现动态适应并自主发现工具的高度自主代理型系统。
环境：
更复杂的物理或虚拟环境：代理型AI系统能够在更开放、不可预测性更强的环境中运行，在这些环境中，直接的物理或虚拟环境以及可能的行动和结果都更难建模。在这种环境下，行动后果起初可能是未知的或不确定的，因此要求智能体进行某种程度的探索。这也要求具备技术基础设施和共享协议，以指导系统如何与环境互动并对环境施加影响。第3.4 节详细说明了代理型AI系统在多智能体环境中预期应具备的部分要素。
总而言之，代理型AI是指由多个相互协调的 AI 智能体构成的系统，这些智能体能够分解任务、开展协作，并在较长时间内自主追求复杂目标。这些系统被设计为在更开放、可预测性更低的物理或虚拟环境中运行，并以最少的人类监督发挥作用。
表 3.3 代理型AI的示例性定义
| IBM (2025[20]) | 代理型AI系统是利用 AI 智能体（连同工具、规划器、记忆和数据集等其他组件）的软件系统，它们追求目标，并且能够自主运行。 |
| Chan et al. (2023[43]) | 我们识别出与算法系统中不断增强的能动性相关的 4个关键特征，尤其是在它们组合出现时：规定不足性、影响的直接性、目标导向性以及长期规划。 （1） 规定不足性 ：算法系统在没有关于如何实现目标的具体说明的情况下，完成由操作者或设计者提供之目标的程度。 （2） 影响的直接性 ：算法系统的行动在多大程度上无需人类居中或介入就会影响世界，即没有“人在环中”。 （3） 目标导向性 ：系统在多大程度上表现得像是被设计/训练来实现某个特定的、可量化的目标。 （4） 长期规划 ：算法系统在多大程度上被设计/训练为作出彼此在时间上相互依赖的决策，以实现某一目标和/或在长时间范围内进行预测。 |
| Shavit et al. (2023[44]) | 代理型AI系统的特征在于：能够采取行动，并在较长时期内持续促进目标的实现，而其行为事先并未被具体规定……我们将系统中的“代理性程度”定义为：“一个系统在有限直接监督下，能够以可适应的方式在复杂环境中实现复杂目标的程度。”……我们通常将表现出高度代理性的系统称为“代理型AI系统”，以强调代理性……我们通常将代理型AI系统概念化为：在由人类定义的目标和由人类决定的环境中运行（并且经常与人类“队友”协作），而不是完全自主地自行设定目标的系统。 |
| Miehling et al. (2025[40]) | 代理型AI系统，或简称代理型系统，是一个由智能体构成的集合；这些智能体与人类及环境互动，目的是实现既定目标。在实践中，智能体是一个能够访问工具的 LLM 或大型多模态模型（LMM）——这些工具是专门化的组件/功能，例如 API、外部服务、计算资源或特定领域软件，它们使智能体能够在环境中执行特定操作。从这个意义上说，工具既界定了智能体的能力（行动），也界定了可从环境中获得的信息（通过观察/信号）。人类负责植入初始任务说明、提供澄清，并授权任何需要人类批准的（智能体）行动（Shavit et al., 2023）。在已有任务说明的前提下，智能体能够与其他智能体互动（智能体—智能体互动），以促进任务分解/规划和委派。这种互动可以是合作性的，也可以是竞争性的，例如在计算资源有限的情况下。环境由代理型系统之外的一切构成。这包括基础设施（计算机）、其他人类、其他智能体，甚至其他代理型系统。 |
| Sapkota, Roumeliotis and Karkee (2025[25]) | 代理型AI系统代表一种新兴的智能架构类别，其中多个专门化智能体协作，以实现复杂的高层级目标。按照近期框架的定义，这些系统由模块化智能体构成，每个智能体负责更大目标中的一个不同子组成部分，并通过集中式编排器或去中心化协议进行协调。这种结构标志着一种概念上的转变：从单智能体架构中通常观察到的原子式、反应式行为，转向一种以动态的智能体间协作为特征的系统层级智能。该范式的一个关键使能因素是目标分解，即由规划智能体自动解析用户指定的目标，并将其划分为更小、可管理的任务。随后，这些子任务会被分配到智能体网络中。多步推理和规划机制促进这些子任务的动态排序，使系统能够实时适应环境变化或部分任务失败。这确保了即使在不确定条件下也能稳健执行任务。智能体间通信通过分布式通信信道进行中介，例如异步消息队列、共享内存缓冲区或中间输出交换，从而在无需持续中央监督的情况下实现协调。此外，反思性推理和记忆系统允许智能体在多次互动中存储上下文、评估过去的决策，并迭代优化其策略。总体而言，这些能力使代理型AI系统展现出灵活、适应性强且协作性的智能，超越了单个智能体的运行极限。 |
| CSET (2024[42]) | 目标复杂性： 更具代理性的系统会追求更复杂、期限更长的目标——甚至可能是多种不同的目标。代理性较弱的系统执行的是单个、定义得更明确的任务。 环境复杂性： 更具代理性的系统能够在更开放、更复杂的环境中有效运行，在这些环境中，智能体可用的可能状态和行动数量更多，且决定环境下一步将发生什么的动态更难建模。代理性较弱的系统只能在更简单、更可预测的环境中有效运行。 独立规划与适应： 更具代理性的系统能够自行生成实现预期目标的计划或路径，并在情势变化时按需进行调整。代理性较弱的系统则遵循预先规定的逐步式指令。 直接行动： 更具代理性的系统会直接在其环境中（无论真实还是虚拟）采取行动。代理性较弱的系统则提供信息或建议，由人类用户据此行动。 |
| Capgemini Research Institute (2025[37]) | 代理型AI是一个比 AI 智能体更宽泛的术语，它包括使智能体得以发挥作用的系统、平台、实践、工具和技术。 |
| AAAI (2025[16]) | 代理型AI这一概念是指：将生成式AI和 LLM 整合进自主智能体框架，旨在利用此类模型的生成能力，增强在动态环境中的交互、创造力和实时决策。 |
| Yousefi, Billi and Rotolo (2025[46]) | 因此，代理型AI范式在架构和功能两方面都不同于传统的 AI 智能体。单个 AI 智能体通常被设计为在孤立状态下完成定义良好、工具辅助的任务；而代理型AI系统则由多个专门化智能体组成，这些智能体在开放、不断演化的环境中进行通信和协调，以实现共同目标。 |
| Dignum and Dignum (2025[45]) | 代理型AI指的是这样一种系统：它将大规模基础模型与推理、行动（例如通过工具或环境）以及以持续、目标导向的方式与用户和其他系统互动的能力耦合在一起。 |
| Challapally et al. (2025[41]) | 代理型AI，是一类在设计上嵌入持久记忆和迭代学习的系统……不同于当前每次都需要完整上下文的系统，代理型系统保持持久记忆、从互动中学习，并且能够自主编排复杂工作流。 |
| Infocomm Media Development Authority (2026[51]) | 代理型AI系统是能够使用 AI 智能体跨多个步骤进行规划以实现指定目标的系统。 |
注：本表纳入了来自多种来源类型的定义，包括学术出版物、网站和开发者文档。之所以将这些来源一并考虑，是因为它们都对当代关于代理型AI的理解产生塑造作用。为捕捉当前持续进行的概念争论的广度，本文未进行加权处理。这些定义处于不同的抽象层级：有些聚焦技术特征，有些则纳入社会—技术层面的内容，例如与人类的互动。两类定义均被纳入，以反映塑造当前代理型AI理解的互补性视角。
3.3 关键要素与区分性特征
AI智能体和代理型AI这两个术语正越来越多地出现在关于高级AI的讨论中，但它们的定义往往相互重叠，而且并不总是被清楚地区分开来。本报告回顾了多个来源，以澄清这两个概念，识别它们共有的属性和关键差异，并以 OECD 的 AI 系统定义作为本项分析的分析框架。
表 3.4 对这些发现作了总结，并对 AI智能体与代理型AI之间细微但重要的差别提供了一个结构化概览，帮助政策制定者理解这一不断演进的术语体系。该表说明了 OECD AI 系统定义中的哪些要素与 AI智能体和代理型AI最为相关，以及代理型AI如何在这些要素基础上进一步发展，更加强调协同、任务分解，以及在更复杂环境中以更少的人类监督运行等特征。尽管各种定义并不完全一致，这张表反映的是对 AI智能体和代理型AI进行定义分析后最常见的主题。
表 3.4 AI智能体与代理型AI系统之间的关键差异
基于 OECD AI 系统定义关键要素的比较框架
| 目标 | 更简单、范围更窄的目标，时间跨度更短 | 更复杂的目标，包含任务分解、委派和更长的时间跨度 |
| 输出 | 在较为有限的行动空间内执行更基础的任务和决策 | 在更大的行动空间内执行更复杂的任务 |
| 自主性 | 更依赖逐步式指令和更密切的监督 | 具有更强的自主性、灵活性和能动性；还可能包括自主发现工具的能力 |
| 对环境的影响 | 复杂性较低的环境，通常位于数字生态系统之内 | 更开放、更复杂且更不可预测的环境 |
| 适应性 | 适应能力较低 | 对环境具有更高程度的适应性和交互性 |
| 推断 | 单一智能体推理 | 由相互协调的 AI智能体开展分布式问题求解 |
| 数据和输入 | 数据来源较为有限，动态性较低 | 数据更加多样、动态性更强，包括来自高度交互式环境的数据 |
注：本表说明了 OECD AI 系统定义中的哪些要素与 AI智能体和代理型AI最为相关（蓝色表示“普遍”，绿色表示“频繁”，灰色表示“偶尔”），以及代理型AI如何在这些要素基础上继续发展，同时引入相较于 AI智能体而言更具区分性的特征。除非另有明确说明，表中的所有比较性表述（例如“更高”“更多”“更少”“更强”）均指本表内部 AI智能体与代理型AI之间的相对差异。尽管定义并不一致，这张表概括的是对 AI智能体和代理型AI进行定义分析后最常见的主题。
3.4 作为一种社会—技术范式的代理型AI
代理型AI往往与多智能体系统领域密切相关（Sapkota, Roumeliotis and Karkee, 2025[25]；IBM, 2025[20]）。在多智能体系统中，智能体与其他智能体——人类的、人工的以及制度性的——发生互动，而不是孤立地运行。这要求的不仅仅是个体“智能”；智能体还需要关系性能力，例如协商、协调以及遵守某些规范（Dignum and Dignum, 2025[45]；Trivedi et al., 2024[52]）。
早期多智能体系统研究中的一个核心洞见，是社会情境中推理的重要性，尤其是在智能体具有相互冲突的目标时（Dignum and Dignum, 2025[45]）。这促使关注点从孤立的决策转向“社会智能”，其中包括合作、论证和协商。通过这种关系性视角看待代理型AI，会使讨论超越单纯的自主性，凸显出对能够与其他主体——每一个主体都拥有其自身目标、激励和约束——进行负责任且有效互动的系统之需求（AAAI, 2025[16]）。
代理型AI的真正益处，在于其能够在社会语境中运行并作出贡献（Dignum and Dignum, 2025[45]）。这类系统不应只是追随目标或最大化结果，而应能够从经验中学习、随着时间推移调整其行为，并不仅基于效率，也基于价值和社会语境来作出决策并采取行动。按照这一观点，代理型AI系统应当能够处理潜在冲突的目标，适应现实世界情境，并知道何时“足够好”的结果比持续优化更为适当（Dignum and Dignum, 2020[7]；Dignum and Dignum, 2025[45]）。
综合来看，这些观点表明，代理型AI系统不应仅被理解为一种技术构造，也应被理解为嵌入于社会语境中的系统。这一社会—技术范式将推理、伦理和语境结合起来，以支持在复杂、多智能体环境中的有效互动和决策。代理型系统的发展，需要一个清晰的概念基础，以说明在复杂社会—技术环境中行动、决策和协调意味着什么（Dignum and Dignum, 2025[45]）。多智能体系统研究中的经验，可以为设计更可靠、具备语境感知能力的、由 LLM 赋能的多智能体互动提供有价值的基础（AAAI, 2025[16]）。
有效互动依赖于稳健的技术基础设施和共享协议，以使智能体能够通信、协调，并被编排以影响其周围环境（Chan et al., 2025[27]）。尽管在智能体通信语言、合作协议和互操作性倡议方面已有数十年的工作积累，但为了促进标准化和广泛采用，仍需要做更多工作（Anthropic, 2024[53]；Gosmar et al., 2024[54]；Surapaneni et al., 2025[55]；Hammond et al., 2025[56]；AAAI, 2025[16]）。尽管如此，近期举措，例如 Model Context Protocol（MCP）和 Agent-to-Agent protocol（A2A），表明，用于将 AI 智能体和应用程序连接到外部工具、数据源和系统的开放、共享标准，正在得到越来越多的采用（MCP, 2025[57]）。除这些协议之外，诸如 Moltbook 之类的实验性平台——一个专为 AI 智能体设计的去中心化社交网络，而人类“欢迎围观”——提供了大规模代理型互动以及新兴集体动态的早期展示（Moltbook, 2026[58]）。
4、AI智能体和代理型AI的采用趋势
根据最新数据，从 2023年初到2025年年中，GitHub 上使用 代理型AI框架（例如 AutoGPT、BabyAGI、OpenDevin 和 CrewAI）的代码仓库数量增长了 920%（SuperAGI，2025[59]）。与此同时，GitHub 仓库中的新兴趋势——包括 Model Context Protocol（MCP）和 多智能体编排策略的采用增加——突显了向 以智能体为中心的开发范式的显著转变（Ruiz，2025[60]）。
最新的 Stack Overflow Developer Survey向受访者提出了各种关于 AI智能体的问题。该调查收到了来自 177 个国家超过 49,000 份回复，总共涵盖 62 个问题。该调查将 AI智能体定义为：“能够使用人工智能技术，在几乎没有或完全没有直接人类干预的情况下运行的自主软件实体。”（Stack Overflow，2025[61]）。这些回答为理解开发者如何使用以及如何看待 AI智能体提供了有价值的见解。
调查结果表明，大约 一半的受访者已经在使用，或者计划在工作中使用 AI智能体，而 38% 的受访者没有计划采用它们（图4.1）。与此同时，绝大多数开发者强调需要进一步加强 AI智能体在安全性、隐私保护和准确性方面的能力，这突显了在构建更值得信赖的 AI智能体方面持续进展的重要性（图4.2）。
表4.1. Stack一半开发者使用AI智能体
对问题的回答：
“你是否在工作中（开发或其他工作）使用 AI智能体？”
注：
按回答该问题的受访者比例计算（n = 31,890）。
来源：
OECD 根据 Stack Overflow developer survey (2025[61])数据整理。
5、讨论
本文分析了来自学术和技术来源的AI智能体和代理型AI的定义，以识别核心概念和分类体系。以 OECD AI系统定义作为分析框架，本文强调了这些定义之间的共同特征以及分歧之处。这一概念性分析预计将通过对 代理型AI系统在实践中如何被开发和使用的示例进行补充。
分析表明，代理型AI最常指 整合并协调多个AI智能体的系统。虽然 代理型AI系统由 AI智能体构成，但 并非所有AI智能体都属于代理型AI系统的一部分。在大多数定义下，独立运行的单个智能体——即没有更广泛系统级编排的智能体——通常不被认为是代理型AI。
代理性（agency）存在于一个连续谱之上：从 反应型智能体（reactive agents），这些智能体只是简单地对刺激作出响应，到 智能体辅助工作流程（agent-assisted workflows），例如支持离散任务的 “copilot” 系统，再到 代理型AI系统，这些系统能够 协调多个智能体，并在极少人类监督的情况下管理整个工作流程。
随着 代理型AI系统变得更加有能力并被更广泛地部署，有几个领域值得进一步探索，以支持有效的政策制定。首先，需要对 支撑代理型AI的不同架构以及其技术栈有更清晰的理解（Dilmegani and Palazoglu, 2025；Chaudhary, 2025；Zhai et al., 2025）。对这些架构进行映射可以帮助识别 在哪些位置实施保障措施、标准或监督机制最为有效，从而支持 可信的创新。
第二，开发 代理型AI的相关类型学（typologies）可以支持政策制定和负责任部署。这些类型学可以根据以下因素区分不同系统：应用领域；自主程度；适应性；工具访问水平；影响其物理或虚拟环境的能力（Stryker, 2025；Chawla, 2025；Srikumar, 2025；Partnership on AI, 2025；Pant and Viswanathan, 2025）。
还需要进一步工作来评估 代理型AI的更广泛政策影响。关键问题包括：问责性、可解释性和透明性；系统在复杂社会—技术环境中的行为和性能；信息完整性和人权保护，包括言论自由；与全球差异、主权以及资源效率相关的挑战，包括水和能源使用（Partnership on AI, 2025；Information Commissioner’s Office, 2026）。
与此同时，识别能够支持 安全且可信的代理型AI开发和部署的系统性方法——例如 持续监测、评估和基准测试——可以帮助为政策制定提供信息，并补充该领域正在出现的国际努力（UK AI Security Institute, 2025；Infocomm Media Development Authority, 2026）。
未来的工作还可以优先发展 跨国家的稳健指标体系，以跟踪 AI智能体的发展和采用情况。这可能包括分析以下趋势：招聘岗位信息；报告的事件；投资活动；明确涉及 AI智能体开发、部署或使用的研究成果。