Agent 架构演进：从单模型推理到多智能体协作

原创

Z
Z

威胁情报Z分析

2026年9月25日 13:31
广东

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

Agent 架构的演进不是一次技术替代，而是一条不断补全能力短板的叠加路线。从最初把大模型当作黑盒问答引擎，到如今多智能体通过标准协议互相调用工具与协作，每一代架构都在解决上一代暴露的核心瓶颈。本文梳理五个关键阶段的核心突破、代表系统与结构特征。

演进总览

下图展示 Agent 架构从 2020 年至今的五个主要阶段，横轴为时间，颜色深度反映架构复杂度的递增。

整体演进方向可以概括为三条主线：自主性从被动响应走向主动规划；协作性从单实例走向多角色分工；通用性从绑定单一模型走向开放协议与生态。

五个阶段详解

Prompt Engineering：单模型推理阶段

\\时间：\\2020 – 2022 年　\\代表：\\GPT-3 / InstructGPT / ChatGPT 早期

这一阶段 Agent 的\"架构\"几乎只有一个 LLM。所有能力都通过提示词工程（Prompt Engineering）注入：few-shot 示例、思维链（Chain-of-Thought）指令、角色设定。模型直接接收输入并输出结果，没有工具调用、没有持久记忆、没有外部状态。

\\核心突破：\\证明了足够大的语言模型可以通过提示引导完成复杂推理任务，思维链（CoT）显著提升了多步推理的准确率。

\\局限：\\无法访问实时信息、无法执行计算或操作外部系统；任务长度受限于上下文窗口；一旦推理链出错没有自我纠错机制。

ReAct & Tool Use：推理-行动循环

\\时间：\\2022 – 2023 年　\\代表：\\ReAct 论文、OpenAI Function Calling、Toolformer

ReAct（Reasoning + Acting）把模型的输出从\"直接回答\"改成\"推理 → 行动 → 观察\"的循环。模型在每一步先思考下一步该做什么，然后调用一个工具（搜索、计算器、数据库查询），拿到观察结果后再继续推理，直到得出最终答案。

这一阶段的关键架构变化是引入了外部工具接口。Function Calling 让模型以结构化格式输出函数名和参数，由运行时执行后将结果回填给模型，形成闭环。Agent 从\"只读文本\"变成了\"可以操作世界\"。

\\核心突破：\\模型可以访问实时信息并执行确定性操作，解决了幻觉和计算错误问题。

\\局限：\\缺乏全局规划，容易在长任务中走偏；每一步都依赖模型决策，token 消耗大；没有跨任务的记忆积累。

Plan-Execute & Memory：规划与记忆分离

\\时间：\\2023 年　\\代表：\\LangChain Plan-and-Execute、BabyAGI、Reflexion

这一阶段把 Agent 拆成两个职责明确的模块：\\Planner（规划器）\\负责把复杂目标分解成有序子任务列表，\\Executor（执行器）\\逐个执行子任务。规划在任务开始时一次性完成，执行过程中可以根据结果回溯重规划。

同时，记忆模块成为独立组件：短期记忆保存当前会话的上下文窗口内容，长期记忆通过向量数据库持久化历史交互和知识，供后续检索。Reflexion 进一步加入了\"反思\"环节——执行失败后自动总结错误教训，调整下一步策略。

\\核心突破：\\长任务可控性大幅提升；规划与执行解耦后各自可以独立优化；记忆让 Agent 具备跨会话的学习能力。

\\局限：\\规划质量高度依赖模型能力，错误的全局规划会导致整体走偏；多模块系统的复杂度和延迟上升。

Multi-Agent Collaboration：多智能体协作

\\时间：\\2023 – 2024 年　\\代表：\\AutoGen、CrewAI、MetaGPT、LangGraph

当单个 Agent 难以同时胜任多种角色时，架构转向多智能体系统。每个 Agent 被赋予明确的角色定义（如研究员、写作者、审核员）和独立的系统提示，通过消息传递进行协作。常见模式包括：

\\管理者-工人模式：\\Orchestrator 负责任务分解和结果汇总，多个 Worker 并行或串行执行子任务。

\\对话协作模式：\\多个 Agent 通过多轮对话讨论和辩论，互相补充和质疑，最终收敛结论。

\\流水线模式：\\Agent 按固定顺序串联，前一个的输出是后一个的输入，类似软件流水线。

LangGraph 等框架引入了图（Graph）结构来显式定义 Agent 之间的状态流转和分支条件，把协作流程从\"自由对话\"变成\"可编程的状态机\"。

\\核心突破：\\复杂任务可以拆分给专长不同的 Agent 处理；协作辩论提升了输出质量；并行执行缩短了端到端延迟。

\\局限：\\多 Agent 间的上下文传递效率低，容易信息丢失；调试和排错复杂度指数级上升；缺乏统一的互操作标准。

Agentic OS & Protocols：开放协议与运行时

\\时间：\\2024 – 2025 年　\\代表：\\MCP（Model Context Protocol）、A2A（Agent2Agent）、OpenAI Operator、Claude Computer Use

最新阶段的核心变化是从\"每个框架自定义一套私有协议\"走向标准化开放协议。MCP 定义了 Agent 与外部工具/数据源的统一连接方式，任何遵循 MCP 的工具都可以被任何支持 MCP 的 Agent 调用。A2A 则定义了 Agent 之间互相发现、通信和协作的标准。

与此同时，Computer Use类 Agent 直接操作桌面环境和浏览器：看屏幕截图、移动鼠标、点击按钮、输入文本，像人一样使用通用软件。这把 Agent 的能力边界从\"API 调用\"扩展到了\"操作任意 GUI 应用\"。

架构上，Agent 正在从\"一个应用\"变成\"一个运行时\"：底层有协议层连接工具和其他 Agent，中间有状态管理和记忆，上层有规划和执行策略。

\\核心突破：\\工具生态从碎片化走向可插拔；跨厂商 Agent 协作成为可能；直接操作 GUI 消除了\"需要专门 API\"的限制。

架构结构对比

下图横向对比五个阶段的内部结构，从左到右组件数量和连接复杂度递增：

演进规律总结

趋势展望

当前架构演进的三个方向值得关注：

\\一是协议层收敛。\\MCP 正在成为工具接入的事实标准，类似云计算时代的 REST API；A2A 类协议则在定义 Agent 之间的\"HTTP\"。协议标准化后，Agent 应用的开发重点将从\"连接工具\"转向\"编排策略\"。

\\二是从文本到屏幕。\\Computer Use 类 Agent 绕开了\"每个软件都要提供 API\"的前提，直接操作界面。这意味着 Agent 可以使用任何已有软件，而不需要软件厂商主动适配——通用性大幅提升，但也对视觉理解和操作精度提出了更高要求。

\\三是可靠性与可控性。\\随着架构复杂度上升，长链路任务的失败概率也在累积。下一代架构的竞争点可能不再是\"能做什么\"，而是\"出错时如何检测、回滚和修正\"——可观测性、审批节点和人机协作接口会成为 Agent 系统的标配组件。