前言
如果要说什么方向是2023年以来技术圈最炙手可热的存在，那基于大语言模型的AI Agent绝对算一个。从AutoGPT到MetaGPT，再到Claude Code，各种项目扎堆出现，让“智能体”这个原本学术味儿十足的概念，一下子变成了工程师们可以亲手捣鼓起来的东西。
不过，千万别以为“智能体”是凭空冒出来的。它的故事线可以拉得很长——从50年代的符号推理系统，到80年代的分布式心智理论，再一路走到今天，内涵已经被重塑了好几轮。每一次范式的更迭，不单单是技术的迭代，更像是对前一个范式遗留难题的一次系统性回应。
想要理解这一切的来龙去脉，你会发现一个很有意思的现象：那些如今看来激进的思路，其实几十年前就已埋下了伏笔；而那些曾被判定为死胡同的理论，在新技术条件下，又以另一种方式重新回荡起来。这篇文章，就是沿着“智能体”这条主线，把从符号主义到现代LLM智能体的演化拼图，一块块串起来看看。
一、符号的黎明：把智能理解为逻辑运算
早期的AI探索者，思路惊人地一致且直截了当：智能这种东西，本质上不就是符号的计算与处理吗？
这个思想最成体系的表述，来自Allen Newell和Herbert Simon在1975年提出的物理符号系统假说（PSSH）。核心就两个论断：第一，一个物理符号系统，具备产生通用智能行为的充分条件；第二，任何能展现通用智能行为的系统，其本质必然是一个物理符号系统。翻译乘人话就是：只要找到正确的方式来表示知识，再设计出有效的推理算法，机器就能达到和人类同等的智能水准。
这个假说最成功的工程输出，就是专家系统。它的结构极其简洁：一个知识库，用来存领域专家的知识经验，全部写成“如果……那么……”的条件规则；一个推理机，根据输入的事实去知识库里匹配规则、推导结论。在医疗诊断、地质勘探这些极其垂直的领域，它的确打出了漂亮的成绩。但与此同时，它也让符号主义的两大软肋暴露无遗。
第一个是知识获取瓶颈。系统的“智能”完全依附于知识库的质量和完备性。但把人类专家脑子里那些隐性知识显化成逻辑规则，这事儿不仅贵，而且不可靠。很多专家“知道怎么做”，可你要他讲清楚“为什么”，他真说不出来。这种默会知识，根本没法转成符号规则。
第二个问题更致命——僵化。符号系统一旦遇到真实世界的模糊、复杂和无穷变化，立刻脆弱不堪。只要碰上知识库没覆盖的情况，系统直接宕机。毕竟你不可能为一个开放世界枚举所有可能的状态。
这些问题指向了一个更深层的困惑：依赖预设规则的单一集中推理引擎，真的能通向真正的智能吗？
二、心智社会：一次超越时代的思想革命
面对符号主义的僵局，大多数研究者选择了修补——加更多规则，造更大的知识库。但马文·明斯基走了一条截然不同的路。他在《心智社会》里抛出了一个根本性的反问：
“你为什么不认为智能是由许多不同原因造成的？”
这不仅仅是一句哲学感叹，而是对AI研究方向的重定向。明斯基开始追问一些比“如何编码规则”更底层的问题：什么是“理解”？当我们说理解一个故事时，它是一种单一能力，还是视觉化、逻辑推理、情感共鸣、社会常识等几十种不同心智过程协同工作的结果？什么是“常识”？它是一个装了数百万条逻辑规则的巨型知识库，还是一个由无数具体经验和简单规则片段交织成的分布式网络？智能体到底该怎么建？是继续追求一个完美的统一逻辑系统，还是承认智能本身就是“不完美”的，由许多功能各异、甚至彼此冲突的简单部分组成？
基于这些反思，明斯基提出了一个碘伏性构想：别再拿心智当金字塔式的层级结构，它更像一个扁平化的、充满互动与协作的“社会”。在这个社会里，智能体不再是那个全知全能的中央推理引擎，而是一个个极其简单且专门化的心智过程。单看每一个智能体，它是“无心”的——只做一件小事，还做得不完美。但当大量这样的简单智能体被组织成机构，通过去中心化的激活与抑制信号相互影响时，复杂而有目的性的智能行为，就会从局部交互中涌现出来。
拿“搭积木塔”来说：高层目标“我要搭一个塔”激活了BUILD-TOWER机构；BUILD-TOWER不懂具体操作，只负责激活下属的BUILDER；BUILDER包含一个简单循环——只要塔没搭完，就激活ADD-BLOCK；ADD-BLOCK再依次协调FIND-BLOCK、GET-BLOCK和PUT-ON-TOP三个子机构；GET-BLOCK又会激活视觉系统的SEE-SHAPE、运动系统的REACH和GRASP等更底层的智能体。每一层都只干自己那一丁点事，没有任何一个智能体拥有“搭塔”的完整蓝图。但正是这种分层的、去中心化的协作，让有目的性的复杂行为涌现了出来。
心智社会理论最深远的影响，是为后来的多智能体系统和分布式AI提供了概念基础。它让研究者开始思考一个全新问题：“如果智能体不再追求完美，而是像社会中的个体一样协作与竞争，会遇到哪些新问题？”由此催生了去中心化控制、涌现式计算，以及智能体社会性研究——通信语言、协商策略、信任模型，都在此列。
三、学出来的智能：从符号到联结
当符号主义在实践中撞上南墙，另一条路开始重新抬头——联结主义。它和符号主义自上而下、依赖人工设计规则的思路完全相反，走的是自下而上的路子，灵感来自对生物大脑神经网络结构的模仿。
核心主张有三条：知识不以明确的符号或规则存在，而是以连接权重的形式，分布式地存储在大量简单处理单元（神经元）的连接之间；每个神经元只执行简单的计算——接收加权输入，过激活函数处理，输出结果；系统的智能不是设计者预先编写的，而是通过接触大量样本，用反向传播等算法自动迭代调权，让网络输出逐渐逼近目标。
联结主义解决了一个符号主义几乎束手无策的问题：感知。识别图片中的物体、理解语音中的词语，这些活儿很难用显式规则描述，但从标注数据里学就行。它用“从数据中学习”替换了“手工编写规则”，从根本上绕过了知识获取瓶颈。
但联结主义主要解决的是“这张图里有什么”这类感知问题。一个真正的智能体还需要回答另一个问题：“在这种情况下，我该怎么做？”
四、在试错中成长：强化学习
强化学习就是专门为序贯决策问题设计的。它不再从静态的标注数据集里学，而是让智能体直接和环境交互，在试错中学会如何最大化长期收益。框架由五个核心要素构成：智能体（学习者和决策者）、环境（交互对象）、状态（决策依据）、行动（可采取的操作）、奖励（行动的反馈信号）。
这个框架的美妙在于通用性。无论是下围棋、控制机器人走路，还是优化广告投放策略，都能映射到这个Agent-Environment交互循环中。AlphaGo就是最著名的例子——通过和自已对弈数百万局，它从零学到了超越人类的围棋策略。
但强化学习也有自己的瓶颈：它通常需要海量的、针对特定任务的交互数据。在模拟器里训练个游戏AI还行，但在现实世界对通用智能体这么大范围地试错训练，既不现实也不安全。这引出了下一个问题：如何让智能体在学具体任务之前，就先具备对世界的广泛理解？
五、预训练革命：知识的另一种存在方式
这个问题的答案，最终在自然语言处理领域中浮现——核心就是预训练。在它出现之前，NLP模型通常是为单一任务（如情感分析、机器翻译）在专门标注的中小规模数据集上从零开始训练。这种模式导致三个问题：模型知识面窄、无法泛化到新任务、每个新任务都得花大钱搞人工标注。
预训练+微调范式彻底改了局面。预训练阶段，在互联网级别的海量文本上，用自监督学习训练超大规模神经网络，目标不是完成什么特定任务，而是学语言本身的内在规律——最常见的就是“预测下一个词”。微调阶段，模型已经内化了语言结构、事实知识和上下文逻辑，针对下游任务只需少量标注数据微调就能快速适应。
真正令人震撼的是，当模型规模跨过某个阈值后，出现了未被直接训练的涌现能力：上下文学习——不需要调权重，在输入里放几个示例，模型就能理解并完成全新任务；思维链推理——引导模型在回答前先输出一步步推理过程，能显著提升逻辑和算术任务的准确率。
这意味着，通过在万亿级文本上的预训练，神经网络的权重实际上构建了一个关于世界知识的高度压缩的隐式模型。它以一种全新方式，解决了符号主义时代最棘手的知识获取瓶颈——不是把知识写成规则，而是让知识溶解在参数里。
六、现代智能体的诞生：LLM 作为认知核心
大型语言模型的涌现能力，让它不再只是一个语言模型。它变成了一个兼具海量知识库和通用推理引擎双重角色的组件——而这，恰好构成了构建新一代智能体的核心。
LLM驱动的智能体核心架构，可以抽象为一个持续迭代的闭环：感知 → 思考 → 行动 → 观察 → 感知……具体来说，由三个核心模块协同完成。感知模块从外部环境接收原始输入——用户指令、API返回的数据、环境状态变化。思考阶段由规划模块和LLM协同：规划模块制定高级策略，把宏观目标分解为可执行步骤，并通过反思和自我批判机制不断调整；LLM作为中枢，接收规划指令、整合记忆历史信息，深度推理后决策出下一步操作（通常以工具调用形式呈现）。执行模块解析LLM生成的工具调用指令，从工具箱中选合适的工具（代码执行器、搜索引擎、API等）与环境交互。
行动完成后，工具执行结果和新环境状态构成新的观察，被感知模块再次捕获。LLM根据反馈更新记忆，启动下一轮循环。这个架构的优雅之处在于模块化协同：每个模块各司其职，通过持续迭代逼近复杂问题的解。LLM不再试图一步到位输出最终答案，而是在一个结构化的框架中反复感知、推理、行动、反思。
七、螺旋上升：心智社会的现代回响
回头看整条演化脉络，一个耐人寻味的模式浮现出来。明斯基在四十年前提出“智能来自多样性，而非单一完美原理”时，这更像一个哲学洞见而非工程方案。当时的技术条件无法实现他构想中那种由大量简单智能体协作涌现智能的系统。
但今天再看，这条思想线索从未中断。模块化架构上，现代LLM Agent的感知-规划-执行架构，本质上就是模块化的分工协作。LLM本身不是全知全能的——它需要感知模块提供上下文，需要规划模块分解任务，需要执行模块调用工具。智能正是从这些功能各异的模块之间的协同中涌现出来的。多智能体系统上，当把多个LLM Agent组成协作系统（比如MetaGPT里产品经理Agent、架构师Agent、工程师Agent），这设计几乎就是心智社会理论的直接工程实现。每个Agent有专门的角色和视角，通过通信和协商完成单个Agent无法独立完成的任务。去中心化控制上，心智社会理论中“不存在中央控制器”的思想，正在被Agent系统的设计者重新发现。任务足够复杂时，预设的刚性工作流不如让Agent在运行时动态协商、自主分工来得有效。
这不是简单的“复古”，而是一种螺旋上升。符号主义时代，我们试图用规则搭建智能，却被知识瓶颈卡住。联结主义和强化学习教会了我们从数据和交互中学习。预训练大模型以参数化的方式内化了海量知识，绕过了知识获取瓶颈。而现在，当把LLM嵌入到结构化的Agent框架中，明斯基当年的洞见——模块化、协作、涌现——在新的技术基座上重新获得了生命力。
结语
纵观智能体的演化史，每一次范式转变都遵循同一个模式：前一范式的瓶颈，催生了新范式的突破口。符号主义受限于知识获取→联结主义学会了从数据中学习。感知问题解决后，决策问题浮现→强化学习提供了交互学习的框架。RL需要海量任务特定数据→预训练让模型先学会通用的世界知识。LLM拥有了知识和推理能力，但仍需要与真实世界交互的框架→现代Agent架构补上了感知和行动的闭环。
理解这段历史的价值不在于怀旧，而在于看清：当前的技术形态并非终点，它自身的局限性中，正孕育着下一次范式转变的种子。今天的LLM Agent仍在与幻觉、推理深度和可靠性作斗争——这些都可能是下一种范式的起点。而明斯基四十年前的洞见——智能不在于找到那个完美的单一原理，而在于让大量不完美的部分协同工作——可能比任何时候都更接近工程实现。
