智能体思想的历史

​

摘要

理解智能体思想的历史，最好把它看作一连串修补前一范式弱点的尝试：符号推理、分布式协调、学习行为和大规模预训练各自解决了一个问题，同时也暴露出下一个问题。

​

为什么这很重要

当你知道现代智能体系统继承的是哪个更早的问题时，就更容易理解它们。

• 符号系统追问如何显式表示知识
• 多智能体思维追问智能如何从协作中涌现
• 学习系统追问能力如何在不手工编码的情况下获得
• 大语言模型系统追问如何在任务特定交互之前装载广泛的先验知识

当前技术栈并不是对这些时代的干净替代。它借鉴了所有这些时代的思想。

​

心智模型

一个有用的简史可以分成四步。

• symbolic era：专家系统和逻辑驱动程序表明，显式规则可以在狭窄领域发挥作用，但它们受困于常识、脆弱性和知识获取。
• distributed intelligence era：诸如心智社会之类的思想，将智能重新理解为许多专门过程之间的协调，而不是一个完美中心。
• learning era：连接主义和强化学习系统表明，有用行为可以从数据和交互中学习，而不必完全预先设计。
• pretraining era：大语言模型把广泛的语言与世界先验装载进一个模型，使推理、规划和工具使用在运行时更容易获得。

贯穿其中的主线是问题压力。每个阶段的出现，都是因为更早的阶段无法扩展到下一层级的模糊性、广度或自主性。

​

架构图

​

工具生态

历史思想仍然映射到当下的设计选择。

• 符号思维延续在工具、模式、协议和确定性工作流规则中
• 分布式思维延续在多智能体系统和模块化运行时中
• 学习延续在模型权重、评估器和策略优化中
• 预训练延续在现代基于 LLM 的智能体看到任务特定上下文之前所拥有的广泛潜在先验中

这就是为什么现代智能体往往感觉是混合体，而不是纯粹体。最有用的系统会把显式结构和学习到的行为结合起来。

​

取舍

• 符号系统可解释，但很难跨越混乱现实扩展。
• 分布式系统支持专业分工，但会增加协调成本。
• 学习系统能够适应，但让推理更难检查。
• 预训练系统很灵活，但可能看起来连贯却并不正确。

扎实的历史视角有助于避免错误的二分法。实践目标不是选择某一个时代，而是为真实任务组合正确的思想。

​

延伸阅读

• 智能体系统
• 用于智能体系统的 LLM 基础
• 基础概览

​

更新日志

• 2026-04-21：基于导入的参考材料和实验室重写规则，完成初始的仓库原生草稿。