现代人工智能正从被动的工具演变为能够通过结构化推理来达成复杂目标的自主智能体。这种具智能体特性的行为始于内部独白，由思维链（CoT）等技术驱动，使智能体在行动前能够制定连贯的计划。真正的自主性需要审议，智能体通过自我修正和思维树（ToT）来实现这一点，使其能够评估多种策略并独立改进自身工作。向完全具智能体特性的系统迈进的关键一步来自于 ReAct 框架，它使智能体能够通过使用外部工具，超越单纯的思

图1：护栏设计模式。

总之，探索与发现模式是真正智能体系统的本质，定义了其超越被动遵循指令而主动探索环境的能力。这种固有的智能体驱动力使 AI 能够在复杂领域中自主运行，不仅执行任务，而且独立设定子目标以发现新信息。这种高级智能体行为通过多智能体框架最有力地实现，其中每个智能体在更大的协作过程中体现特定的主动角色。例如，Google 协作科学家的高度智能体系统具有自主生成、辩论和演化科学假设的智能体。

智能体使用优先级排序来有效管理任务、目标和子目标，从而指导后续行动。这一过程有助于在面对多种需求时做出明智决策，优先处理重要或紧急的活动，而非不太关键的事项。这在资源受限、时间紧迫且目标可能相互冲突的现实场景中尤为重要。智能体优先级排序的基本要素通常包括以下几个方面。首先，标准定义。

评估 AI 智能体的「有用性」等主观品质带来了超越标准客观指标的挑战。一个潜在的框架涉及使用 LLM 作为评估者。这种 LLM 作为评判者（LLM-as-a-Judge）的方法基于「有用性」的预定义标准来评估另一个 AI 智能体的输出。利用 LLM 的高级语言能力，这种方法提供细微的、类人的主观品质评估，超越了简单的关键词匹配或基于规则的评估。尽管仍在开发中，但这项技术在自动化和扩展定性评估方面显

现代人工智能正从被动的工具演变为能够通过结构化推理来达成复杂目标的自主智能体。这种具智能体特性的行为始于内部独白，由思维链（CoT）等技术驱动，使智能体在行动前能够制定连贯的计划。真正的自主性需要审议，智能体通过自我修正和思维树（ToT）来实现这一点，使其能够评估多种策略并独立改进自身工作。向完全具智能体特性的系统迈进的关键一步来自于 ReAct 框架，它使智能体能够通过使用外部工具，超越单纯的思

学习与适应能力是提升智能体性能的关键。这些机制让智能体能够突破预设参数的束缚，在与环境交互中通过经验积累实现自我进化。具备学习与适应能力的智能体可以在无需人工持续干预的情况下自主应对新场景并优化自身表现。本章将深入探讨智能体学习与适应的核心原理及其实现机制。

图 2：资源感知优化设计模式。

Agent2Agent (A2A) 协议是旨在实现不同 AI 智能体框架之间通信与协作的开放标准。它确保了互操作性, 允许使用 LangGraph、CrewAI 或 Google ADK 等技术开发的 AI 智能体协同工作, 而不受其来源或框架差异的影响。A2A 得到了众多技术公司和服务提供商的支持, 包括 Atlassian、Box、LangChain、MongoDB、Salesforce、SA

知识检索（RAG）模式通过在生成响应前授予 LLM 访问外部知识库的权限，从而显著增强其能力。RAG 允许 LLM 「查找」信息，而不是仅仅依赖其内部的、预训练的知识，就像人类可能查阅书籍或搜索互联网一样。这一过程使 LLM 能够提供更准确、最新且可验证的答案。当用户向带 RAG 的 AI 系统提出问题或发出提示词（Prompt）时，该查询不会直接发送给 LLM。相反，系统首先会搜索一个庞大的外部