【最新综述】大模型智能体(LLM Agent)全景：从方法到应用的突破性进展

🔥🔥 多位IEEE Fellow坐镇！来自北大加州大学哈佛等的26位研究者联合推出了2025年最新、最全面的LLM Agent研究综述！

引言：智能体时代已然来临

人工智能正在进入一个关键转折点——大语言模型智能体(LLM Agent)的崛起正在重塑人机交互的未来。与传统AI系统不同，现代LLM智能体不再仅仅被动响应用户输入，而是能够主动感知环境、进行推理规划、执行复杂行动，并通过持续学习实现自我进化。这一范式转变代表的不仅是技术上的进步，更是人机关系的根本性重塑。

商业AI智能体系统（如DeepResearch、DeepSearch和Manus）展示了这一转变的实际应用——它们能自主执行曾经需要人类专业知识的复杂任务，从深度研究到计算机操作，同时能适应特定用户需求。

与传统智能体系统相比，基于LLM的智能体在多个维度实现了代际飞跃，包括知识源丰富度、泛化能力和交互模式。今天的智能体代表了质的飞跃，这主要得益于三个关键发展的融合：

1. LLM前所未有的推理能力
2. 工具操作和环境交互的进步
3. 支持长期经验积累的复杂记忆架构

本文将通过一个全新的分类法来探讨智能体系统，这一分类法将智能体构建、协作机制和演化路径有机连接起来，提供一个综合视角，追踪智能体如何定义、独立或集体运作以及随时间演变。

一、智能体方法论：构建-协作-演化框架

1.1 智能体构建：智能体的基础架构

智能体构建是开发基于LLM的自主系统的基础阶段，涉及四个相互依存的核心组件：

1.1.1 角色定义

角色定义通过配置智能体的内在属性和行为模式，建立其操作身份。当前方法包括两种路径：

• 人工策划的静态角色：通过专家手动指定，确保领域知识的一致性
• 批量生成的动态角色：自适应调节操作参数，随机生成多样化的初始化智能体

代表性工作如Camel、AutoGen、MetaGPT等通过预定义的对话角色（如用户代理和助手）实现任务执行。

1.1.2 记忆机制

记忆机制使智能体能够跨时间存储、组织和检索信息：

• 短期记忆：维持瞬态上下文数据用于即时任务执行
• 长期记忆：保存结构化的经验知识供持续参考
• 知识检索作为记忆：通过RAG技术从外部知识库获取信息

例如，Voyager的自动技能发现、Reflexion的试验优化记忆和LlaTrieval的推理集成检索都展示了不同记忆策略如何增强智能体的认知能力。

1.1.3 规划能力

规划能力是LLM智能体的关键所在，使其能够在复杂任务中高精度导航：

• 任务分解策略：将复杂问题分解为可管理的子任务
  • 单路径链接：零样本思维链、计划-解决范式
  • 多路径树扩展：思维树、蒙特卡洛树搜索等
• 反馈驱动迭代：通过环境反馈不断优化计划

这些策略使智能体能够处理从简单应用到机器人操作等各种任务。

1.1.4 行动执行

有了规划能力后，LLM智能体还需要执行计划的行动：

• 工具使用：调用外部工具如搜索引擎、计算器等
• 物理交互：实现物理环境中的操作，如机器人控制

例如，ART通过调用外部工具提升数学推理性能，而DriVLMe则使智能体能够理解社会知识并实现物理交互。

1.2 智能体协作：从个体智能到集体智慧

智能体协作对扩展LLM智能体的问题解决能力至关重要，通过多智能体交互实现分布式智能、行动协调和决策精化。我们将现有协作范式分为三种基本架构：

1.2.1 集中控制

集中控制架构采用层级协调机制，由中央控制器通过任务分配和决策整合组织智能体活动：

• 显式控制器系统：如Coscientist、LLM-Blender和MetaGPT
• 基于分化的系统：如AutoAct、Meta-Prompting和WJudge

这种范式在需要严格协调的任务中表现出色，如工业自动化和科学研究。

1.2.2 去中心化协作

与集中架构不同，去中心化协作启用直接节点间交互：

• 基于修订的系统：如MedAgents、ReConcile等
• 基于通信的系统：如MAD、MADR、MDebate和AutoGen

这种方法更适合建模人类社交互动等动态场景。

1.2.3 混合架构

混合架构策略性地结合集中协调和去中心化协作：

• 静态系统：预定义组合不同协作模式的固定模式
• 动态系统：具有自优化拓扑的神经网络优化器

例如，CAMEL将智能体分为组内去中心化团队进行角色扮演，同时通过集中治理维持组间协调。

1.3 智能体演化：自我完善的能力

LLM智能体通过各种机制实现演化，使其能够自主改进、多智能体交互和外部资源整合：

1.3.1 自主优化和自学习

• 自监督学习：使用无标签或内部生成的数据改进
• 自反思和自纠正：反思输出、发现和纠正错误
• 自奖励和强化学习：生成内部奖励信号优化决策

1.3.2 多智能体共同演化

• 合作学习：通过信息共享、联合决策和协调问题解决
• 竞争和对抗性共同演化：通过辩论和战略竞争改进推理

1.3.3 通过外部资源演化

• 知识增强演化：集成结构化外部知识改进推理
• 外部反馈驱动演化：利用工具和环境的实时反馈

二、评估框架与工具生态系统

随着LLM智能体的复杂度不断提高，评估框架和专用工具已成为智能体生态系统的关键组成部分。

2.1 评估基准与数据集

现代智能体评估框架需要满足三个关键要求：通用评估框架、特定领域场景模拟和复杂系统协作评估。

2.1.1 通用评估框架

现代评估基准越来越采用层次化范式，从各个维度分析智能体的智能水平：

• 多维能力评估：如AgentBench、Mind2Web和MMAU
• 动态自演化评估范式：如BENCHAGENTS和基准自演化

2.1.2 特定领域评估系统

领域特定评估系统针对专业领域知识和环境约束：

• 特定领域能力测试：如医疗领域的MedAgentBench、自动驾驶的LaMPilot
• 真实环境模拟：如OSWorld、TurkingBench和EgoLife

2.1.3 复杂系统协作评估

协作评估关注系统层面的认知协作和集体智能：

• 多智能体系统基准测试：如TheAgentCompany、MLRB和MLE-Bench

2.2 工具生态系统

工具是LLM智能体的重要组成部分，分为三类：智能体使用的工具、智能体创建的工具和部署智能体的工具。

2.2.1 智能体使用的工具

• 知识检索：如搜索引擎帮助获取最新信息
• 计算：如Python解释器和数学计算器辅助精确计算
• API交互：如REST API扩展功能

2.2.2 智能体创建的工具

LLM智能体也能创建工具解决新问题，如CRAFRT、Toolink和CREATOR等框架。

2.2.3 部署智能体的工具

• 生产化：如AutoGen、LangChain和LlamaIndex
• 运营与维护：如Ollama和Dify
• 模型上下文协议：如MCP和MCP-Agent

三、现实世界中的挑战

3.1 安全问题

3.1.1 智能体中心安全

针对智能体模型的攻击可导致性能下降、恶意输出和隐私泄露：

• 对抗性攻击：如CheatAgent和GIGA
• 越狱攻击：如RLTA和Atlas
• 后门攻击：如DemonAgent和BadAgent
• 模型协作攻击：如CORBA和AiTM

3.1.2 数据中心安全

污染输入数据的攻击可导致不合理的工具调用和资源耗尽：

• 外部数据攻击：如提示注入、心理引导和知识库投毒
• 交互攻击：如智能体间的恶意传播

3.2 隐私与伦理

3.2.1 记忆漏洞

LLM对训练数据的记忆能力导致多种隐私风险：

• 数据提取攻击：从训练数据中提取敏感信息
• 成员推断攻击：确定特定数据是否是训练集一部分
• 属性推断攻击：推断数据样本的某些特征

3.2.2 知识产权问题

• 模型窃取攻击：通过查询模型提取信息
• 提示窃取攻击：从生成内容推断原始提示

3.2.3 社会影响与伦理考量

• 积极影响：自动化增强、就业创造、信息传播改善
• 伦理问题：偏见与歧视、问责制、版权问题

四、应用领域

LLM智能体的应用已扩展到多个领域，展示了其在解决复杂问题方面的能力。

4.1 科学发现

多智能体系统在科学研究中模拟人类协作工作流程：

• 跨学科智能体：如SciAgents框架
• 化学与材料科学：如ChemCrow和AtomAgents
• 生物学：如BioDiscoveryAgent和GeneAgent
• 医学：如AgentHospital和CXR-Agent

4.2 游戏领域

LLM智能体在游戏中扮演多种角色：

• 游戏玩家：如ReAct和Voyager
• 游戏生成：如CALYPSO和GameGPT

4.3 社会科学

智能体为理解复杂人类行为提供新视角：

• 经济学：如Econagent和TradingGPT
• 心理学：如社会行为模拟
• 社会模拟：如Generative Agents和S³

4.4 生产力工具

智能体通过自动化多样化任务提升生产力：

• 软件开发：如SDM、ChatDev和MetaGPT
• 推荐系统：如Agent4Rec和MACRec

五、未来趋势与挑战

尽管LLM智能体取得了显著进展，但仍面临多方面挑战：

1. 可扩展性与协调性：需要层次化结构和去中心化规划提高效率
2. 记忆约束与长期适应：需要分层记忆架构和知识压缩
3. 可靠性与科学严谨性：需要验证机制和AI-人类验证循环
4. 多轮、多智能体动态评估：需要动态评估方法和适应性样本生成
5. 安全部署的监管措施：需要标准化审计协议和可追溯机制
6. 角色扮演场景：需要增强角色扮演的保真度

结论

本文系统地分析了LLM智能体的方法、应用和挑战，提供了一个全面的架构视角，连接了个体智能体设计原则与多智能体协作系统。随着智能体技术的不断进步，我们期待看到在协调协议、混合架构、自监督学习和安全机制方面的变革性发展，这将增强智能体在各个领域的能力。

通过提供这种基础性理解并确定有前景的研究方向，我们希望为负责任地推进LLM智能体技术做出贡献，这些技术可能从根本上重塑人机协作的方式。

---

欢迎阅读原文！

论文地址：

LLM Agent Survey

GitHub仓库：

Awesome Agent Papers