> ## Documentation Index > Fetch the complete documentation index at: https://labs.prompthon.io/llms.txt > Use this file to discover all available pages before exploring further. # 智能体思想的历史

需要帮助？

## 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 ```mermaid theme={null} flowchart LR Symbolic["符号系统"] --> Distributed["分布式智能"] Distributed --> Learning["学习与强化"] Learning --> Pretraining["大规模预训练"] Pretraining --> Modern["现代智能体系统"] ``` ## 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](/zh-Hans/foundations/the-agent-system) * [用于智能体系统的 LLM 基础](/zh-Hans/foundations/llm-foundations-for-agent-systems) * [基础概览](/zh-Hans/foundations) ## 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。