AI Agent工程的6个要素

"2025年是智能体的元年"，这种说法经常被提起，此前AI行业圈子有报道过AI Agent智能体自主性的摩尔定律，每7个月翻一番，根据在 GAIA通用人工智能助手测试集上的进展，看起来它们将在 2026 年初赶上人类基线，简而言之，AI Agent将在2026年达到人类操作智能的水平。

而且，这一进展仍然主要由基础 LLM 的改进推动：如果使用经过微调的智能体模型，进展会更快，得益于AI行业的快速发展，AI Agent此时此刻更值得入手实践。

同样Agent的普及和发展，离不开工程化实践，AIE工程师峰会按照常见和重要性大致降序排列了相关的6个要素：

• 带有工具的LLM：每个人都同意的事情。三大“LLM OS”工具是 RAG（上下文讨论）/搜索、沙盒/Canvas、浏览器/CUA 。

“Agent = LLM + 记忆力 + 规划能力 +工具使用能力” — Lilian Weng

• 编码意图：意图通过多模式 I/O（例如语音对话）进入，在目标中编码并通过在环境中运行的Evals（Snake Oil 、验证器对话）进行验证

“代理是一个可以追求目标导向行为的系统，它可以在实现目标的过程中不断适应。” —— Chisom Rutherford

• LLM 驱动的控制流：正如Anthropic 的代理谈话所解释的那样，LLMs-in-the-loop是预设“工作流”和自主“代理”之间的共同点。

“应用越具有代理性，LLM 就越能决定申请的控制流” - Harrison Chase

• 多步骤规划：SOTA是可编辑的计划，正如Deep Research的讨论和Devin/Manus代理所展示的那样，效果很好

“一个人工智能系统组件，可以执行以前需要人类才能完成的复杂、多步骤操作。” —— Daniel Miessler

• 长期运行记忆：可创建连贯性和自我完善循环。除了 MemGPT/ MCP 记忆之外，我们还重点介绍了Voyager、SteP 风格的可重复使用工作流和技能库，作为更结构化的记忆形式。

“能够在现实世界中执行并完成长期、开放式任务的人工智能系统” ——Dan Jeffries

• 授权：信任是最容易被忽视的因素，但却是最古老的因素。“步履蹒跚的代理人”很快就会过时。对于读取量很大的工作流程，你可以信任但要验证，但企业的成功需要更多。

“代理人受信任代表被代理者并为其利益行事。如果没有信任，就没有代理人。 ” — Roman Pshichenko

将上述6个要素第一个字母组合，正好形成了一个单词“IMPACT”。