1 - 时间线
按时间线学习 AI Agent，是为了摸清 AI Agent 发展的脉络，不能简单的罗列信息。
定义：什么是 AI Agent、什么不是。四要素拆开读：四要素视角。分类、标签、采信见 调研方法。年份页给脉络；论文 / 材料 / 讲解在里程碑子页，不在年表里复述原文。
每年都要回答一个核心问题：该年决策核心多了什么能力，循环、动作、观察因此能实现什么，什么仍然做不到。 语言模型年年进步；写进年份页的，只是改写了 Agent 执行语义的那些变化。
主脉络
AI 社区信息量太大，为避免噪音必须将关注点聚焦为 LLM Agent：核心决策下一步，循环迭代至终止，动作产生环境副作用，观察写回后再选。单轮问答、一次工具调用、行级补全排除。符号 / RL Agent 只作 前传。
Agent 史 ≠ LLM 史。核心（指令、思维链、窗口、视觉、测试时计算）、循环（文本协议 → 编排类库 → 运行时）、动作（prompt 解析 → schema → 沙箱 / GUI / 工具总线）、观察（循环内回执 vs 仓库级谓词）四条不同步。
| 年份 | 阶段 | 核心提供的能力 | 系统据此能实现的特性 |
|---|---|---|---|
| 2022年之前 | 前传 | 还不能当开放文本上的策略 | 符号 / RL，只作渊源 |
| 2022 | 底层能力 | Transformer → 可对话 + 思维链 | 循环出现在论文里，产品未出现 |
| 2023 | 接口 | 结构化调用、稍长窗口 | 循环可工程化；完成率未证明 |
| 2024 | 可验证 | 编码、多模态、长窗口 | 有任务谓词；分数仍低 |
| 2025 | 内化 | 推理模型、运行时取代编排 | 日用编码 Agent；协议开始收束 |
| 2026 | 外溢 | 核心足够暴露系统问题 | 身份、沙箱生命周期、调度 |
按年组织
每年的发展总结为一句话。点开年份页看细节、里程碑和「还做不到什么」。
- 2022 年之前：决策核心不是 LLM。2017–2021 积蓄底层能力：上下文适应、可执行代码、受控浏览。符合 AI Agent 定义的系统远不存在。
- 2022：指令契约、思维链、对话接口等底层能力就绪。ReAct 在协议层写出四条；ChatGPT 开始连接核心与聊天。结构化调用尚未出现。
- 2023：循环被做成进程与产品。Function Calling 稳定解析；AutoGPT 形态接通、SWE-bench 谓词接近零。热度 ≠ 完成率。
- 2024：仓库谓词成为默认尺子；Computer Use 打开 GUI 通道；MCP 发布时热度低，总线语义要到次年才被多家接上。
- 2025：运行时内置循环（Claude Code、云端 Codex）。MCP 成为插槽；A2A / Skills 扩展边界与装载。框架与运行时必须分列。
- 2026：个体循环日常之后，约束是主体（谁的权限）和供给（沙箱是否就绪）。写到 2026-09，不是全年盖棺。
- 2027：梳理清晰发展脉搏和现状之后，才有资料谈展望未来。
年份页结构
- 一句话主线 — 该年接通或暴露的那一层
- 和 LLM 的关系 — 核心改写了哪些执行前提
- 里程碑 — 分类一、标签可多，也可无；发布会拆成当天真正改写执行语义的对象
- 能力栈 — 模型 / 框架·协议 / 应用 / 基础设施。与单条分类不是同一轴
- 仍不成立的配置 — 给后续年份当对照
- 子页 — 论文、材料、讲解
两条信号并列：当时热度与后来是否可核对。AutoGPT 的 star 高于当时任何可交付系统；MCP 发布时无人当标准。错位本身是史实。
分类与标签
| 轴 | 问什么 | 取值 |
|---|---|---|
| 分类 | 打开的是什么 | 论文 / 模型 / 产品 / 框架 / 协议 / 评测 / 文献 / 监管 |
| 标签 | 为什么进表 | 首证 / 工程化 / 标准 / 引爆 / 警示 / 范式更替 |
分类看打开的是什么，标签记的是历史角色，两者不是同一轴。GPT-4 是模型；ReAct 是论文（首证）；Function Calling 是协议（模型↔工具的方言），不是「又一只模型」；政府指令是 监管，不因为是厂商博客发的就归文献。细则与归类规则见 调研方法。前传八条经典概念同样给出分类与标签。
栏目分工
| 栏目 | 时间线用它做什么 |
|---|---|
| 资料 | 论文、博文、产品文档原件 |
| Agents | 运行时与产品深挖 |
| 协议 | Function Calling、MCP、A2A、Skills 规范 |
| 基础设施 | 沙箱、记忆、工具、浏览器 |
| 定义 | 四要素与边界；四要素视角 与年份页互补 |
阅读顺序
2 - 调研整理的方式
注意：本页讲的是调研和整理 AI Agent 资料的方法，不是 AI Agent 知识本身。
调研对象
AI Agent 是以大语言模型为决策核心，在多步循环里对环境采取行动，并根据反馈继续迭代，直到目标完成或失败的软件系统。
这个定义里有四个必须同时具备的要素：
- LLM 为决策核心 — 不是规则、纯 RL、符号规划器
- 多步循环 — 不是单轮问答、单次工具调用
- 对环境采取行动 — 不是纯文本输出
- 反馈驱动的迭代 — 不是无观察的批处理
下面是本次调研的 5 个决策点。
1. 边界
| 形态 | 判定 | 理由 |
|---|---|---|
| 单轮对话（ChatGPT 问答） | 否 | 无多步循环、无行动 |
| 单次工具调用（“帮我查天气"→ 调一次 API） | 否 | 无循环，是底层能力 |
| Function Calling | 否，分类为协议 | 模型扩展方式，是底层能力，不是软件系统 |
| 多步工具编排、沙箱循环 | 是（弱自主） | 有循环有动作 |
| 自主编码 / 电脑操作 / Deep Research | 是（核心对象） | 端到端任务 |
| 行级 Copilot | 否；存在 Copilot→Agent 演化 | 无目标终止条件 |
| 符号 / BDI / 纯 RL | 否（主线） | 核心不是 LLM |
| 多 Agent 协作 | 是（作为一种架构形态） | 属于 LLM Agent |
| 机器人 / 自动驾驶 | 否（相邻） | 物理控制，体系不同 |
切割之后，主线是软件形态、LLM 驱动的执行系统从无到有。更早的 Agent 文献只作前传，避免写成一部 AI 通史。
2. 能力分层 ≠ 单条分类
年份页用四层看「当年能踩在什么上」。分类回答「这条材料是什么」。
Function Calling 作为能力出现在模型层叙事（核心开始能稳定选工具）；作为里程碑归协议。Claude Code 在能力栈是运行时，分类是产品。
应用 编码 / GUI / 研究 / 通用任务
框架·协议 编排库 · 运行时 · 接线协议
模型 条件生成、工具选择、窗口、视觉、测试时计算
基础设施横切：沙箱 / 评测 / 观测 / 身份
模型层： CoT → 推理模型；prompt 赌 JSON → Function Calling → MCP / Skills；窗口 4k → 1M+（轨迹工作集上限）；像素输入；长稳。
框架 / 协议： 编排库（LangChain → AutoGen → Agents SDK，分类=框架）；代码优先运行时（Claude Code、Codex CLI，分类=产品）；协议：Function Calling（模型↔工具）→ MCP（模型↔资源，2024-11）→ A2A（Agent↔Agent，2025-04）→ Skills（运行时装载，2025-10）。记忆：窗口 → 分页（MemGPT）→ 频道记忆。
应用： 编码（证据最密）、GUI/浏览器、Deep Research、通用助理。行业演示默认不进表。
基础设施： 沙箱是执行边界；评测单独成分类，因为「宣称」vs「谓词」反复分叉（HumanEval → SWE-bench 族 → OSWorld → Terminal-Bench）。
层间接口： schema 标准化落在模型↔宿主（Function Calling 记协议）；MCP / Skills 落在宿主↔工具；专用权重（coding / CUA）落在应用↔模型。史实多半发生在接口上，不在某一层内部。
3. 比较维度
同一套轴，避免各说各话。与里程碑标签不是同一件事。
| 维度 | 内容 | 度量 |
|---|---|---|
| 自主度 | 每步确认 / 关键审批 / 放手 | 无行业 L0–L5，按任务标注 |
| 范围 | 单仓库编码 → 通用电脑 | 基准覆盖 |
| 可靠性 | 成功率、复现、失败模式 | 基准分数、回滚、留存 |
| 经济性 | token、延迟、沙箱时间 | 实测与定价 |
| 扩展 | 长任务、跨会话、并发 | 窗口、记忆、沙箱寿命 |
| 影响 | 被采用、被并入默认路径 | 不是通稿里的「革命」 |
机制观察（Reflection / Tool use / Planning / Multi-agent）用来看循环内部用了什么原语，何时变成标配。
4. 进表规则
防流水账，也防只写赢家。每条：分类一、标签可多，也可无。侧栏 [分类]条目名。前传八条概念同样给出分类与标签。
分类
- 论文 — 剩余类（ReAct、InstructGPT、PaLM、Aries）
- 模型 — 换核心（GPT-3、GPT-4、Claude 3、o1、o3）
- 产品 — 可打开的应用或运行时（ChatGPT、Claude Code、Assistants API）
- 框架 — 编排库 / SDK
- 协议 — Function Calling、MCP、A2A、Skills
- 评测 — HumanEval、SWE-bench 族、OSWorld、Terminal-Bench
- 文献 — 非同行评议的公开文字材料：厂商博文、技术报告、教材（Building effective agents、Agent identity、AIMA）
- 监管 — 法规、指南、政府指令、司法先例（欧盟 AI Act 第 50 条指南、出口管制、加州 AB 316）
- 有论文不等于分类是论文。知名模型走模型；评测论文走评测；可跑系统走产品或框架。
- 分类看对象是什么，不看材料挂在哪。 政府行为走监管，不因为是厂商博客发布的就归文献；材料只是载体。同理，只有厂商通稿、没有实际监管效力的事件也不因「像政策」而进监管。
- Function Calling 与 Skills 进协议，与 MCP、A2A 并列。
- 发布会不当条。2023-11 记 GPT-4 Turbo 与 Assistants API，不记 DevDay；GPTs 不升格。
- 同名不同物跟主对象：2025 云端 Codex 是产品，不是 2021 那只模型。Tag 机制文档与 Slack 切换并进 Claude Tag。
| 条目 | 分类 | 标签 |
|---|---|---|
| ReAct | 论文 | 首证 |
| InstructGPT | 论文 | 工程化 |
| ChatGPT | 产品 | 引爆 |
| Function Calling | 协议 | 工程化 |
| SWE-bench | 评测 | 首证、警示 |
| MCP | 协议 | 标准 |
| Claude Code | 产品 | 工程化、范式更替 |
| GPT-4 | 模型 | （无） |
标签
- 首证 — 第一次证明某类能力（ReAct）
- 工程化 — 把某项此前只被演示、未被交付的能力第一次交到他人手上：有 API、有运行时、是可买产品，或有可运行的官方实现
- 标准 — 多方默认（MCP 被追认、Verified）
- 引爆 — 采用或舆论陡增（AutoGPT、OpenClaw）
- 警示 — 谓词揭穿宣传（SWE-bench 个位数、Pro ~23%）
- 范式更替 — 改写前提（测试时计算、组织身份）
「工程化」只标转折点，不标稳态。模型换代、既有形态的新实例或更新、没有交付物的论文、综述与博文，都不带这个标签。
标签记的是历史角色，而角色是少数。2025 年之后 Agent 本身就是产品形态，「做成产品」不再是角色，而是入场条件，因此后期许多产品与模型条目标签为空；在那些年份真正有区分度的是标准、引爆、警示与范式更替，它们描述的是偏离常态。
标签不改变分类：Claude Computer Use 是产品，不会因为带「工程化」而被归到协议。
采信
- 一手来源：论文、官方公告、可复现仓库
- 当时热度 ≠ 后世重要性（MCP）
- 当时已有的反方意见并列，不事后发明批评
5. 反查
- 幸存者偏差：LangChain 主导过 2023 也被广泛批评；死掉的 AutoGPT 克隆定义了当年舆论。
- 厂商通稿 vs 第三方谓词。
- star / 演示 ≠ 完成率。
- 禁止把后来才清楚的重要性写成当时已注定。
术语
- 分类 / 标签：形态 vs 历史角色
- Agentic：属性，不是产品类型
- ReAct 循环：Thought → Action → Observation → 再选
- Tool calling / Function calling：前者泛指；后者特指 2023-06 OpenAI API。分类=协议
- Framework / Runtime / Protocol：库 / 装上即委派的执行环境 / 接线。2025 年三者终于能用产品对上号
- Sandbox：副作用的地址空间
- Eval：完成谓词，独立成分类
- Memory：工作集（窗口）vs 跨会话持久化
- Copilot → Agent：自主度轴。行级补全按定义仍否