该综述系统梳理了基于大型语言模型(LLM)的智能体系统，包括单智能体的规划、记忆、反思等核心组件和多智能体的协作机制。文章对比了LLM智能体与传统RL智能体的优劣，介绍了主流数据集与基准测试，探讨了其在自然科学、工程系统等领域的应用，并指出LLM固有约束、安全信任等挑战，展望了持续学习、多模态融合等发展趋势，为AGI研究提供了新思路。

1. 概括
   =====

该综述聚焦基于大型语言模型（LLM）的智能体，将其视为通往通用人工智能（AGI）的潜在路径，系统梳理了单智能体与多智能体系统的定义、研究框架及核心组件（如规划、记忆、反思、工具使用、环境交互），对比了LLM-based智能体与强化学习（RL）智能体的优劣，阐述了多智能体系统中角色协作、消息传递及通信效率提升策略，介绍了主流数据集与基准测试，详细探讨了其在自然科学、社会科学、工程系统等领域的应用前景，同时指出LLM固有约束、动态扩展、安全信任等挑战，并展望了持续学习、多模态融合等发展趋势。

2. 思维导图
   =======

3. 详细总结
   =======

一、研究背景与智能体基础

1. 智能体定义与定位
   智能体是能从环境中感知信息并执行动作的实体，是实现人工通用智能（AGI） 的潜在路径，核心特征包括自主性（独立决策）、感知能力（传感器采集信息）、决策能力（基于感知选动作）、动作能力（改变环境状态）。
2. 智能体分类
   根据功能与决策逻辑，智能体分为5类：

• 简单反射型（基于当前感知直接反应）
• 基于模型反射型（结合环境模型决策）
• 目标导向型（以达成目标为核心）
• 效用导向型（追求效用最大化）
• 学习型（通过经验改进行为）：RL-based智能体与LLM-based智能体均属于此类。

3. LLM-based智能体的兴起

• RL-based智能体局限：训练时间长（需大量环境探索）、样本效率低（高计算成本）、稳定性差（高维函数逼近易振荡）、泛化性弱（仅适配特定任务）。
• LLM的优势与不足：擅长自然语言处理（推理、问答、编程），但存在上下文长度约束（易忽略中间文本）、知识更新慢（训练迭代耗资源）、无法直接用工具的问题。
• LLM-based智能体优势：① 强大的自然语言处理与知识储备（覆盖常识与领域知识）；② 零样本/少样本学习（新任务需少量样本）；③ 自然的人机交互（自然语言接口）。

二、LLM-based智能体系统框架

（一）单智能体系统

1. 核心组件（五要素模型 (V=(L, O, M, A, R))）

组件	定义与功能	关键技术/示例
LLM（L）	认知核心，负责任务规划与决策，基于观察、记忆、奖励信息工作	动态调整温度参数，无需额外训练
目标（O）	智能体需达成的终端状态，需基于目标进行任务分解	代码生成、游戏探索等具体任务目标
记忆（M）	存储信息与当前状态，记录动作后的环境反馈与奖励	短期记忆（对话历史）、长期记忆（知识图谱）
动作（A）	智能体可执行的操作，包括使用工具、开发新工具、传递消息	调用API、使用计算器、控制机器人臂
反思（R）	评估前序动作与环境反馈，整合记忆与LLM优化后续动作	ReAct（交互推理+动作）、Reflexion（自我反思）

2. 外部组件

• 工具：智能体可调用的外部工具，如计算器、SQL执行器、代码解释器、机器人臂等，典型案例包括ToolFormer（LLM自主选工具）、HuggingGPT（集成多AI模型工具）。
• 环境：智能体交互的场景，分为5类：

环境类型	交互方式	典型案例
计算机环境	网页爬取、API调用、网页搜索、数据库查询	WebGPT（搜索辅助问答）、SheetCopilot（表格交互）
游戏环境	角色控制、环境交互、状态感知	Voyager（Minecraft探索）、DECKARD（任务设计）
代码环境	代码生成、调试、评估	GPT-Engineer（生成代码库）、MetaGPT（协作编程）
现实环境	数据采集（传感器）、设备控制（执行器）、人机交互	TaPA（实体任务规划）、Di Palo等（机器人操作）
仿真环境	模型操控、数据分析、优化	TrafficGPT（交通仿真）、AucArena（拍卖仿真）

3. 核心能力实现

• 上下文学习：ReAct（交替生成推理与动作）、Reflexion（计算启发式判断环境重置）。

• 监督学习：CoH（基于反馈的序列优化）、Process Supervision（过程监督优于结果监督）。

• 强化学习：Retroformer（从回顾模型学习）、REMEMBER（强化学习+经验记忆更新）。

• 短期记忆：依赖LLM上下文窗口，存储当前任务相关信息（如ChatDev的对话历史）。

• 长期记忆：通过外部存储扩展，如知识图谱（存储实体关系）、向量数据库（高效检索）、MemGPT（管理多记忆层级）。

• 记忆检索：基于检索增强生成（RAG），结合外部知识库提升输出可靠性（如LaGR-SEQ的样本高效查询）。

• 上下文学习（ICL）：如Chain of Thought（CoT）（拆解复杂任务）、Tree of Thought（ToT）（树状思维探索）、Self-consistency（多推理路径投票）。

• 外部方法：如LLM+P（结合经典规划器与PDDL语言）、LLM-DP（LLM+符号规划器解决实体任务）。

• 多阶段方法：如SwiftSage（快速直觉思考+审慎思考）、DECKARD（Dreaming分解子目标+Awake验证策略）。

• 规划能力：将目标分解为动作序列，方法分为三类：

• 记忆能力：

• 反思能力：通过评估与反馈优化行为，方法包括：

（二）多智能体系统（MAS）

1. 核心特征与分类
   多智能体系统由多个交互的智能体组成，擅长跨领域复杂任务，关键分类维度包括：

• 角色关系：协作型（如Generative Agents模拟人类协作）、竞争型（如Liang等的多智能体辩论）、混合型（如Werewolf游戏中的合作与背叛）、层级型（如AutoGen的任务分解）。
• 规划类型：

规划类型	定义	优势	不足
集中规划分散执行（CPDE）	中央LLM负责规划，各智能体独立执行	全局优化，协调高效	计算复杂，单点故障风险高
分散规划分散执行（DPDE）	各智能体独立规划，通过通信	鲁棒性强，适应动态环境	难达全局最优，通信开销大

2. 通信机制与效率提升

• 信息交换方式：无通信（仅依赖本地信息）、有通信（消息传递）、共享内存（中央知识库如MetaGPT的全局内存池、共享参数）。
• 通信效率提升策略：

1. 设计通信协议：定义消息语义、语法（如KQML、FIPA-ACL）、交互协议（对话结构）。
2. 引入中介模型：判断智能体交互必要性，减少冗余通信（如Hu等的成本优化交互）。
3. 抑制LLM无效输出：如CoVe（生成验证问题修正输出）、合成数据微调减少谄媚输出。

三、性能评估

（一）关键数据集

数据集名称	领域	核心内容与规模
HotpotQA	NLP	多跳问答，含11.4万训练样本、7千开发样本、3千测试样本
CAMEL	社会/代码	社会对话：50个助手角色+50个用户角色+10个任务=2.5万对话；代码对话：20种语言+50个领域=5万对话
APPS	编程	1万道编程题，覆盖不同难度
HumanEval	编程	164道原创编程题，评估语言理解与算法能力
ToolBench	工具使用	1.6万+真实RESTful API，含单工具与多工具场景
MITCOURSE ES	数学	7门课程（微积分、线性代数等），每门25道题

（二）主流基准测试

• ToolBench：工具使用评估，覆盖49类API场景。
• AgentSims：开源评估平台，模拟虚拟城镇等场景，测试规划与决策能力。
• AgentBench：综合评估智能体基础能力，包括工具使用、记忆、推理等。
• SmartPlay：6类游戏场景，20种评估配置，测试环境适应能力。
• MLAgentBench：机器学习任务基准，支持文件读写、代码执行等操作。

四、应用前景

（一）自然科学

1. 数学：Math Agents探索数学问题、LeanDojo辅助定理证明、ToRA结合工具解决复杂数学问题。
2. 化学与材料：Coscientist自主设计化学实验、ChatMOF预测生成MOF、ChemCrow访问化学数据库加速研究。
3. 生物学：BioPlanner评估生物实验规划、OceanGPT生成海洋科学数据、模拟生态系统与分子机制。
4. 气候科学：Kraus等用LLM提取ClimateWatch排放数据、模拟气候系统预测大气现象。

（二）通用自主智能体

• 通用任务助手：HuggingGPT（集成多AI模型）、AutoGPT（自动分解目标）、BabyAGI（任务生成与存储）。
• 工作/研究助手：GPT Researcher（生成研究报告）、Boiko等的智能体自主设计科学实验、MemWalker（长文本阅读交互）。

（三）社会科学与工程系统

领域	典型应用
经济学与金融	Horton对比LLM与人类经济行为、TradingGPT的分层记忆提升交易决策、AucArena模拟拍卖
教育学	AgentVerse模拟NLP课堂、CGMI模拟师生交互、Math Agents转换数学公式格式
机器人系统	TaPA的实体任务规划、ProAgent的协作推理、RoCo的多机器人协作
医疗系统	Williams等的流行病建模、AI-SCI评估临床任务能力、模拟药物发现与优化

五、发展趋势与挑战

1. 趋势

• 标准化评估：建立基础能力（如推理、工具使用）与领域能力（如法律、医疗）的统一基准。
• 持续进化：实现持续学习（无灾难性遗忘）、自我评估与动态目标调整、环境适应性提升。
• 多模态融合：结合图像、语音等多模态信息，如GPT-4V、PALM-E的多模态任务处理。

2. 挑战

• LLM固有约束：上下文长度有限、知识更新延迟、易产生幻觉。
• 动态扩展：系统需自适应调整规模与资源分配（如LLM级联降低成本）。
• 安全与信任：合理分配权限、测试可靠性（如ToolEmu模拟工具执行评估风险）。

2025年伊始，AI技术浪潮汹涌，正在深刻重塑程序员的职业轨迹：

阿里云宣布核心业务全线接入Agent架构；

字节跳动后端岗位中，30%明确要求具备大模型开发能力；

腾讯、京东、百度等技术岗位开放招聘，约80%与AI紧密相关；

……

大模型正推动技术开发模式全面升级，传统的CRUD开发方式，逐渐被AI原生应用所替代！

眼下，已有超60%的企业加速推进AI应用落地，然而市场上能真正交付项目的大模型应用开发工程师，却极为短缺！实现AI应用落地，远不止写几个提示词、调用几个接口那么简单。企业真正需要的，是能将业务需求转化为实际AI应用的工程师！这些核心能力不可或缺：

✅RAG（检索增强生成）：为模型注入外部知识库，从根本上提升答案的准确性与可靠性，打造可靠、可信的“AI大脑”。
✅Agent（智能体）： 赋能AI自主规划与执行，通过工具调用与环境交互，完成多步推理，胜任智能客服等复杂任务。
✅微调：如同对通用模型进行“专业岗前培训”，让它成为你特定业务领域的专家。

---

随着AI技术飞速发展，大模型的应用已从理论走向大规模落地，渗透到社会经济的方方面面。

• 技术能力上：其强大的数据处理与模式识别能力，正在重塑自然语言处理、计算机视觉等领域。
• 行业应用上：开源人工智能大模型已走出实验室，广泛落地于医疗、金融、制造等众多行业。尤其在金融、企业服务、制造和法律领域，应用占比已超过30%，正在创造实实在在的价值。

未来大模型行业竞争格局以及市场规模分析预测:

掌握AI能力的程序员，其薪资水位已与传统开发拉开显著差距。当大厂开始优化传统岗位时，却为AI大模型人才开出百万年薪——而这，在当下仍是一将难求。

技术的稀缺性，才是你「值钱」的关键！

AI浪潮，正在重构程序员的核心竞争力！不要等“有AI项目开发经验”，成为面试门槛的时候再入场，错过最佳时机！

---

那么，我们如何学习AI大模型呢？

在一线互联网企业工作十余年里，我指导过不少同行后辈，经常会收到一些问题，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题，也不是三言两语啊就能讲明白的。

所以呢，我专为各位开发者设计了一套全网最全最细的大模型零基础教程，从基础到应用开发实战训练，旨在将你打造成一名兼具深度技术与商业视野的AI大佬，而非仅仅是“调参侠”。

同时，这份精心整理的AI大模型学习资料，我整理好了，免费分享！只希望它能用在正道上，帮助真正想提升自己的朋友。让我们一起用技术做点酷事！

ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！

---

※大模型全套学习资料展示

通过与MoPaaS魔泊云的强强联合，我们的课程实现了质的飞跃。我们持续优化课程架构，并新增了多项贴合产业需求的前沿技术实践，确保你能获得更系统、更实战、更落地的大模型工程化能力，从容应对真实业务挑战。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

Part 1 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。希望这份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

👇微信扫描下方二维码即可~

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

Part2 全套AI大模型应用开发视频教程

包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点。剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

01 大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。
• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

02 RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。

• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

03 AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

Part3 大模型学习书籍&文档

新手必备的权威大模型学习PDF书单来了！全是一系列由领域内的顶尖专家撰写的大模型技术的书籍和学习文档（电子版），从基础理论到实战应用，硬核到不行！
※（真免费，真有用，错过这次拍大腿！）

Part4 AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

Part5 大模型项目实战&配套源码

学以致用，热门项目拆解，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

学完项目经验直接写进简历里，面试不怕被问！👇

Part6 AI产品经理+大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

最后，如果你正面临以下挑战与期待：

• 渴望转行进入AI领域，顺利拿下高薪offer；
• 即将参与核心项目，急需补充AI知识补齐短板；
• 拒绝“35岁危机”，远离降薪裁员风险；
• 持续迭代技术栈，拥抱AI时代变革，创建职业壁垒；
• ……

那么这份全套学习资料是一次为你量身定制的职业破局方案！

ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！
与其焦虑……
不如成为「掌握AI大模型的技术人」！
毕竟AI时代，谁先尝试，谁就能占得先机！

最后，祝大家学习顺利，抓住机遇，共创美好未来！