本文回顾了AI从专家系统到Agentic AI的发展历程，重点分析了AI Agent的核心能力（任务规划、工具使用）和技术实现路径。AI Agent正从人机协作的副驾驶发展为自主完成复杂任务的主驾驶，代表新的抽象层，实现"what I want"的目标导向服务。未来Agent OS将成为运行基础，通过action agent和information agent的深度融合，突破物理限制，实现智能持续提升。

黄仁勋在英伟达GTC2025的主题演讲中回顾了AI过去十几年的发展。从2012年AlexNet开始的深度学习，到近几年大模型推动的生成式AI，再到当下正经历的Agentic AI，直到未来的Physical AI。

深度学习的十年里，AI进展超过了此前传统机器学习三十年的积累。而ChatGPT上线后的短短两年半，AI更是突飞猛进，取得的成果已经远超深度学习的十年。

“人间一天，AI一年”。从今天回望，深度学习像是上古时期的，传统机器学习则是更遥远的远古技术，而SVM之前的专家系统，算是文明尚未开化的史前AI了。

当前所处的Agentic AI有两波标志性事件：第一波是去年9月开始的以OpenAI的o1和DeepSeek的R1为代表的推理模型逐渐成熟，第二波是今年初的o3模型上线和Deep Research、Operator、Manus等Agent应用的出现。

在大模型之前，以专家系统、传统机器学习和传统深度学习为代表的AI，依赖专业界面和指令，解决专用任务。比如用Photoshop进行交互式抠图。这一阶段的AI和人类历史上每次技术革命一样，提供的是被人类使用的工具。

大模型带来的通用任务解决能力和自然语言交互界面，使AI成为人机协作的副驾驶Co-Pilot。比如GPT-4o支持基于自然语言指令生成图片、抠图、风格迁移等。不过，此时仍需人类给出明确、具体的指令：人指挥一步，AI执行一步。

除了内容理解和生成的感知能力，大模型逐步具备了任务规划和工具使用的认知决策和行动能力。AI可以直接理解和实现目标导向的高层需求。

比如提出“为某新产品设计海报并发布到小红书”，Manus会自主进行任务规划—将复杂任务拆解为多个子任务，并在必要时使用外部工具/其他agent来执行其中某个子任务。

此时，AI成为了主驾驶Auto-Pilot–即AI Agent。根据OpenAI的定义：AI Agent是具备自主理解、规划、记忆和工具调用能力的系统，能自动化完成复杂任务。

以上是从AI发展的角度看如何从Tool演变为AI Agent。从Agent这个术语本身出发，哲学和AI有不同的定义。以技术实现为目的，我们更关注AI定义中的自主性、反应性和交互式，暂不讨论尚未形成共识的哲学范畴的意识等问题。

实际上，Agent一直是AI发展中的核心概念。从技术路径看，先后经历了基于规则和基于强化学习两个阶段。AlphaGo和OpenAI早期的游戏Agent即基于强化学习训练，在单一任务、封闭环境中达到了超过人类的水平。

今天的AI Agent建立在大模型的基础上，通过预训练获得了世界知识先验，并以语言作为处理不同任务的接口，使得AI Agent超越了仅依赖强化学习的局限，具备一定的泛化能力和通用性。

根据行为发起主体，AI Agent又可以分为被动响应人类需求的autonomous agent，和具备类人格特征和主动行为模式的generative agent。

以下从任务规划和工具使用两种核心能力、以及应用这三个方面，介绍前一种AI Agent – autonomous agent的进展。

**1.**任务规划

任务规划与人类的系统二能力紧密相关。按照心理学理论，系统一代表直觉，从Q直接到A，属于“快思考”；系统二从Q到A之间增加了多步的逻辑推理，属于“慢思考”。

（区分推理和推断：推理reasoning是指模型通过多步骤、结构化的中间过程来得出结论；而推断inference泛指模型生成输出结果的过程，可能基于推理、也可能不基于推理）。

要让大模型实现系统二的推理能力，第一种方法是提示词。

比如思维链CoT、思维树ToT等方法，提供少量包含推理过程的样本示例，激发模型In-Context Learning上下文学习，在线调整其推断行为。

大模型从预训练的多任务学习中学到了捕捉上下文关联的自注意力，提示词相当于在推断阶段增加了一个“条件层”，让模型在进行推断时参考示例中的推理结构，影响其生成结果。

然而，互联网语料主要是 (Q, A) 的形式，这意味着自注意力中学到的上下文关联是在问题和答案之间的。而推理需要捕捉推理过程和答案之间的关联。在推理过程上将p(A|Q)展开后，可以看得很清楚。

因此，最直接的方式还是构造含有推理过程的数据，通过学习将推理能力内化进到模型里。

主要有监督学习和强化学习两种学习路线。监督学习类似师傅手把手教徒弟，像是大学之前的通识教育，提供标准解法和完整步骤。

强化学习则更像研究生教育，导师出了题目，学生自己探索，导师定期给反馈。从这个类比也可以理解强化学习中结果奖励和过程奖励的关系。

以上是从老师的角度，监督学习是“教”，强化学习是“育”。

从学生的角度，监督学习是“学”，强化学习是“习”。别人标注的推理路径不一定适合你，在试错中探索适合自己的路径才是王道。

o1首次展示了基于学习的推理模型的潜力。

之后学术界和开源社区出现了大量复现工作。和预训练需要大规模集群不同，推理模型的学习聚焦后训练阶段，算力资源的门槛相对较低。

而且，预训练算法在GPT-3.5之前基本都开源了，加上ChatGPT发布后一年多的时间，大家摸索地七七八八了。但后训练、特别是用强化学习训练大语言模型，有大量待探索的工作。学术界觉得自己又行了。

再之后就是DeepSeek R1将推理模型的训练秘籍公开，而且大幅压缩了模型训练和推断成本。

o1验证了推理模型的可行性，R1极致优化效率，降低技术应用门槛。从新技术的早期 demo 出现，到成本降低后的规模化应用，是典型的技术演进路径。

强化学习在推理模型训练中的作用有两点启发：（1）计算换数据，（2）合成新数据。通过强化学习采样出新的高质量数据，为突破人类数据局限、进一步提升模型能力提供了可能。

2. 工具使用

AI Agent可调用的工具主要有API接口、数据库和知识库、外部模型等。对于无法API化的外部系统，可以将图形界面交互也封装成工具供Agent调用。

使用工具的第一种方式是**系统层的预设流程，**即通过硬编码方式定义Agent的行为逻辑。

优点是确定性强、可靠，但缺乏灵活性、难以应对开放性和动态变化的环境。字节的Coze是典型的通过设计工作流搭建Agent的平台。

另一种实现方式是**模型层的提示词触发，**引导模型选择合适的工具。这种方式更加灵活，适用于基于局部上下文的任务决策。AutoGPT是早期代表性的基于提示词的Agent框架。

Agent框架使用的提示词方法包括ReAct、Reflexion等。任务规划使用的XoT关注模型内部行为，ReAct通过使用工具与外部环境交互，Reflexion则进一步结合整个行为轨迹，支持Agent从错误中学习并改进行动策略。

Manus结合使用了预设流程和提示词的方法：预设的任务解决流程是问题分析-任务规划-调用子任务Agent-结果总结等，在每个子任务Agent内部则设计了针对性的提示词。

与推理能力类似，工具使用（在推理链中使用工具，Chain-of-Action，CoA）也可以通过学习的方式内化到模型中。

将预设流程和提示词触发两种方式统称为工作流。根据“更少的人工，更多的智能”的原则，基于学习得到的Agent模型应该具有更高的上限。

基于端到端学习的Agent模型o3于4月16日正式上线。Greg Brockman在介绍时明确说o3学习“在思维链中使用工具”。

3月初的论文给agent模型下了一个定义。

与LLM和推理模型的人-模型二元结构不同，agent模型要求能够同时进行思考与行动，形成了由人、模型和环境构成的三元结构：使用工具与环境进行交互以获得反馈，经过多轮的思考、行动和观察后，最终生成回复。

推理模型已经具备了通用推理能力和单点的工具使用能力。Agent模型训练旨在面向任务目标，端到端训练模型在推理过程中的链式工具使用能力。

如同研究生通过完成学位论文，才能掌握如何整合查阅文献、做实验、绘制图表这些单个技能完成一个复杂的任务。

Agent模型学习框架需要平衡思考与行动，并处理外部环境交互带来的训练不稳定和效率低成本高的问题。

AutoCoA设计了分层SFT，将模型行动的when和how两个能力拆解；并提出了混合环境RL，训练策略模型自己模拟环境反馈。

端到端训练的Agent模型，由于面向任务目标进行了策略优化，其选择的工具和工具使用参数是面向全局任务目标生成的。

相比之下，提示词触发的agentic工作流方法，模型虽然也有一定的自主灵活性，但行动是单步进行的，只能根据局部上下文做出选择。

Agent模型探索能力上限，Agentic工作流保证任务执行下限，二者在很长时间内将结合使用。

三种可能的结合方式：（1）模块化协作，确定性流程使用工作流，灵活性需求使用Agent模型；（2）校验模型结果，通过工作流对Agent模型的输出进行校验，减少模型的随机性和幻觉不确定性等问题；（3）框架+实现，工作流搭建顶层确定框架，模型实现底层灵活和智能。

随着自主性进一步提高，工具也将由agent通过在线编程按需创建。一些全栈开发的agent，比如Devin、亚马逊的Kiro都在实现类似的功能。

3. AI Agent应用

Operator和Deep Research代表了目前AI Agent的两个主要应用方向：操作action agent和信息information agent。

前者扮演“眼和手”的角色，擅长环境交互与自动化操作，适用于重复性强的操作密集型任务。后者扮演“大脑”的角色，擅长知识整合与复杂分析，适用于知识密集型任务。

实现方式上包括GUI Agent、API Agent和多Agent三种。

其中多Agent，比如荣耀的OS Agent “YoYo”调用中移动的App Agent“灵犀”，目前看是使用大型App、兼顾通用性和效率的可选方案。

GUI Agent和API Agent代表了看待未来AI发展的两种思维。GUI Agent代表的是让AI适应人类的数字世界，人形机器人即是让AI适应人类的物理世界。

相比物理世界改造的困难，数字世界的改造要相对容易些。API Agent则希望为AI创建一个原生的世界，包括为AI专门设计的工具、交流语言等。

AutoCoA的框架主要面向的是API Agent。从4月中旬开始，几个大厂密集发布的工作，也证明端到端RL在API Agent上是跑得通的。

但在GUI Agent上，强如字节的UI-TARS，RL也只能在单步行动上训练。

问题可能出在是对GUI context的理解上：截屏的方法增加了感知环节，使得端到端训练难以进行；可访问树的方法由于信息丢失，会影响上下文信息的利用。

Action agent目前主要在各类终端上。Agent入口的层级从高到低有应用级、系统级和硬件级。

微信将元宝直接放到联系人中，再次体现了腾讯作为连接器的定位：通过微信连接人和信息-公众号，连接人和服务-小程序，甚至连接任何交易-微信支付。

终端agent应该具备自然交互、自动化、个性化三个特点。分别对应了感知、认知和记忆三方面主要能力。

Information agent从基于单次搜索的信息查询，发展到基于多次搜索的知识服务。

OpenAI的deep research进一步实现了面向任务完成的多次搜索优化，代表了未来AI Agent应用的重要方向。

人的信息处理能力，从查询、总结到综合分析，目前information agent已基本具备。更高级的创造能力，除了模型智能的提升，还需要更多的API接口、以及融合action agent与物理世界打通提供更多元的外部信息才可能实现。

关于AI Agent应该通用还是垂直的讨论。

从任务特点看，agent与chatbot和reasoner不同，关注的是具体任务的执行，这也是“AI下半场”的另一种解释：从刷通用能力的benchmark到解决具体任务。

从实现方式看，工作流的方法需要面向任务设计具体的执行逻辑；基于RL学习的方法，则需要根据任务目标，设定准确的环境奖励。

对o3等agent基础模型微调获得垂直agent的通用公式是：准备完成任务所需的专业工具集、受控环境内可验证的任务目标，然后进行强化微调。

随着o3、Qwen3等Agent基础模型成熟，就好像高素质的研究生毕业生供应增加。企业需要接下来结合具体任务继续培养，在特定工作上训练成为业务专家。

端到端训练垂直Agent，已经在广告（ICON）、网络安全（XBOW）、软件开发（Traversal）等领域有了成功案例。

OpenAI开始用可替代的人类专家工时评估模型的能力，这表明agent逐步作为一种服务成为生产力。

Agent的生产力由模型智能、工具多样性和数据专业性三个因素决定。应用层不仅要承接最新模型成果，还需要从工具和数据两个方面向下优化模型。

与chatbot失效的数据飞轮不同，在agent阶段，普通用户的行动流数据对于提升模型能力还是有用的，所以AI Agent产品目前仍然存在数据飞轮。OpenAI收购Windsurf，很大程度上是看重其丰富的开发者agentic行为数据。

对比传统软件通过需求分析确定高频、标准、静态的需求，基于Agent的服务可以满足长尾、个性化、动态的需求。基于Agent的新一代软件的界面可能被高度简化为一个对话框，传统复杂的操作过程被隐藏，成为面向目标的服务交付。

如乔布斯40年前的预言，从how to do、what to do，到what I want，用户只需描述“我想要什么”，Agent自动完成“怎么做”。AI Agent代表了新的抽象层，已经无限接近人类思维。

正如网页和App是互联网信息的应用载体，agent是智能服务的载体。Agent的设计，因此应该更充分地发挥AI整合底层数据资源和工具生态的效率和能力。

这需要action agent和information agent的深度融合。马斯克曾说：电脑和手机是人的数字延伸，其带来的无限信息访问能力已经可以让我们成为超人了。

让AI像人一样操纵电脑，从而接管一切人类在屏幕前完成的工作，是OpenAI成立时就定下的目标。

随着action agent接入更多I/O，information agent可使用更多工具，AI Agent正在突破人类肉身的物理限制，可以以无限带宽连接世界。这不仅是完成人类的任务，更是让agent自主、持续地从人类世界学习和进化的方式。

Agent OS将成为AI Agent的运行基础。

任务规划、工具使用和记忆是AI Agent的三个基础能力。关于记忆，“大海捞针”评估的主要是单点信息检索的能力，agent解决复杂任务需要的是上下文理解和全局推理能力。

最近一年已经看到了任务规划和工具使用能力的发展，期待记忆机制的突破。

回到黄仁勋的主题演讲。

预训练、后训练、推断三阶段的scaling law，支撑着目前生成式AI和Agentic AI的发展。

这背后是从算力到智能的sweet lesson。

随着算力每年增长4-5倍，近十年的算力已经提升了百万倍。当算力资源成为主要的推动因素，AI发展的一条暗线是：如何将越来越多的算力以最高的效率转化为智能的提升。

这一过程分成了三个阶段。早期从SVM到DNN再到Transformer，是从算法侧消化算力，能在大量数据上训练大规模参数的模型，可以说到Transformer已基本收敛了。

接下来解决的是如何提供源源不断的数据。这包括了预训练基于自监督学习可以吃掉整个互联网的数据，以及后训练结合强化学习将算力转化为高质量的合成数据。

AI Agent是这一线索的延续：在推断阶段，用更多时间消耗更多算力，进一步提升智能水平。

进一步，从预训练到后训练再到推断的三个scaling law，不是简单的单向关系。

后训练中采样获得的高质量推理数据，推断阶段通过工具与外部环境交互获得的行为数据，可以反哺预训练，形成正向循环，实现智能的持续提升。

如何从零学会大模型？小白&程序员都能跟上的入门到进阶指南

当AI开始重构各行各业，你或许听过“岗位会被取代”的焦虑，但更关键的真相是：技术迭代中，“效率差”才是竞争力的核心——新岗位的生产效率远高于被替代岗位，整个社会的机会其实在增加。

但对个人而言，只有一句话算数：
“先掌握大模型的人，永远比后掌握的人，多一次职业跃迁的机会。”

回顾计算机、互联网、移动互联网的浪潮，每一次技术革命的初期，率先拥抱新技术的人，都提前拿到了“职场快车道”的门票。我在一线科技企业深耕12年，见过太多这样的案例：3年前主动学大模型的同事，如今要么成为团队技术负责人，要么薪资翻了2-3倍。

深知大模型学习中，“没人带、没方向、缺资源”是最大的拦路虎，我们联合行业专家整理出这套 《AI大模型突围资料包》，不管你是零基础小白，还是想转型的程序员，都能靠它少走90%的弯路：

• ✅ 小白友好的「从零到一学习路径图」（避开晦涩理论，先学能用的技能）
• ✅ 程序员必备的「大模型调优实战手册」（附医疗/金融大厂真实项目案例）
• ✅ 百度/阿里专家闭门录播课（拆解一线企业如何落地大模型）
• ✅ 2025最新大模型行业报告（看清各行业机会，避免盲目跟风）
• ✅ 大厂大模型面试真题（含答案解析，针对性准备offer）
• ✅ 2025大模型岗位需求图谱（明确不同岗位需要掌握的技能点）

所有资料已整理成包，想领《AI大模型入门+进阶学习资源包》的朋友，直接扫下方二维码获取~

① 全套AI大模型应用开发视频教程：从“听懂”到“会用”

不用啃复杂公式，直接学能落地的技术——不管你是想做AI应用，还是调优模型，这套视频都能覆盖：

• 小白入门：提示工程（让AI精准输出你要的结果）、RAG检索增强（解决AI“失忆”问题）
• 程序员进阶：LangChain框架实战（快速搭建AI应用）、Agent智能体开发（让AI自主完成复杂任务）
• 工程落地：模型微调与部署（把模型用到实际业务中）、DeepSeek模型实战（热门开源模型实操）

每个技术点都配“案例+代码演示”，跟着做就能上手！

课程精彩瞬间

② 大模型系统化学习路线：避免“学了就忘、越学越乱”

很多人学大模型走弯路，不是因为不努力，而是方向错了——比如小白一上来就啃深度学习理论，程序员跳过基础直接学微调，最后都卡在“用不起来”。

我们整理的这份「学习路线图」，按“基础→进阶→实战”分3个阶段，每个阶段都明确：

• 该学什么（比如基础阶段先学“AI基础概念+工具使用”）
• 不用学什么（比如小白初期不用深入研究Transformer底层数学原理）
• 学多久、用什么资料（精准匹配学习时间，避免拖延）

跟着路线走，零基础3个月能入门，有基础1个月能上手做项目！

③ 大模型学习书籍&文档：打好理论基础，走得更稳

想长期在大模型领域发展，理论基础不能少——但不用盲目买一堆书，我们精选了「小白能看懂、程序员能查漏」的核心资料：

• 入门书籍：《大模型实战指南》《AI提示工程入门》（用通俗语言讲清核心概念）
• 进阶文档：大模型调优技术白皮书、LangChain官方中文教程（附重点标注，节省阅读时间）
• 权威资料：斯坦福CS224N大模型课程笔记（整理成中文，避免语言障碍）

所有资料都是电子版，手机、电脑随时看，还能直接搜索重点！

④ AI大模型最新行业报告：看清机会，再动手

学技术的核心是“用对地方”——2025年哪些行业需要大模型人才？哪些应用场景最有前景？这份报告帮你理清：

• 行业趋势：医疗（AI辅助诊断）、金融（智能风控）、教育（个性化学习）等10大行业的大模型落地案例
• 岗位需求：大模型开发工程师、AI产品经理、提示工程师的职责差异与技能要求
• 风险提示：哪些领域目前落地难度大，避免浪费时间

不管你是想转行，还是想在现有岗位加技能，这份报告都能帮你精准定位！

⑤ 大模型大厂面试真题：针对性准备，拿offer更稳

学会技术后，如何把技能“变现”成offer？这份真题帮你避开面试坑：

• 基础题：“大模型的上下文窗口是什么？”“RAG的核心原理是什么？”（附标准答案框架）
• 实操题：“如何优化大模型的推理速度？”“用LangChain搭建一个多轮对话系统的步骤？”（含代码示例）
• 场景题：“如果大模型输出错误信息，该怎么解决？”（教你从技术+业务角度回答）

覆盖百度、阿里、腾讯、字节等大厂的最新面试题，帮你提前准备，面试时不慌！

以上资料如何领取？

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么现在必须学大模型？不是焦虑，是事实

最近英特尔、微软等企业宣布裁员，但大模型相关岗位却在疯狂扩招：

• 大厂招聘：百度、阿里的大模型开发岗，3-5年经验薪资能到50K×20薪，比传统开发岗高40%；
• 中小公司：甚至很多传统企业（比如制造业、医疗公司）都在招“会用大模型的人”，要求不高但薪资可观；
• 门槛变化：不出1年，“有大模型项目经验”会成为很多技术岗、产品岗的简历门槛，现在学就是抢占先机。

风口不会等任何人——与其担心“被淘汰”，不如主动学技术，把“焦虑”变成“竞争力”！

最后：全套资料再领一次，别错过这次机会

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】