前言

最近三年，大模型基座能力一路狂飙，直接带火了整个 Agent 赛道。从 Claude Code、Codex 到 OpenClaw、Hermes，新一代 Agent 产品和框架层出不穷，能力边界被不断刷新，整个生态也迎来了前所未有的繁荣。

但很多人学 Agent 的时候踩了个大坑：网上到处都是 2023、2024 年的老文章，新旧知识点搅成一锅粥，越看越迷糊。

其实 Agent 技术不是一蹴而就的，新旧概念之间有继承也有革新，不是简单的谁替代谁。但如果搞不清背后的演化逻辑，很容易陷入“为了用新技术而用新技术”的误区。

今天这篇文章，我就结合最新的行业实践和自己的踩坑经验，帮大家把 Agent 的演进脉络理得明明白白。从发展阶段到核心技术，一次性讲透，让你在眼花缭乱的技术浪潮里，找到最适合自己的选型思路。

01 Agent 进化史：从“工具人”到“数字员工”的 4 个阶段

下面这张图可以帮你快速建立 Agent 四个阶段的整体认知：

2023 到 2026 这三年，Agent 不是线性慢慢变好的，而是经历了四次质的飞跃。搞懂这四个阶段，你就能一眼看穿现在各种框架的底层逻辑。

阶段一：2023 年 被动式工具人（ReAct 时代）

2023 年是大模型元年，也是 Agent 的启蒙年。当时 Lilian Weng 那篇著名的博客《LLM Powered Autonomous Agents》，给所有人画了第一张 Agent 蓝图：LLM + 规划 + 工具 + 记忆。AgentGPT、AutoGen、MetaGPT 这些早期项目，都是照着这个模板做的。

这个阶段的 Agent，本质上就是个“增强版聊天机器人”：

• 只能一问一答，你说一句它动一下
• 全靠用户给明确指令，稍微模糊一点就懵
• 最多能做 3 步以内的简单任务，逻辑一长就跑偏
• 没有长期规划能力，上下文一长就失忆

说白了，就是个会调用工具的 ChatGPT，离真正的“智能”还差得远。

阶段二：2024 年 流程化执行者（Workflow 时代）

到了 2024 年，企业开始大规模落地 Agent，大家发现纯靠模型自由发挥根本不靠谱，稳定性差到没法用。于是“工程化约束”成了主流，Workflow Agent 横空出世。

这个阶段的核心思路很简单：用固定流程弥补模型的不确定性。LangGraph、Dify 这些框架，本质上都是做流程编排的。

• 把复杂任务拆成固定的步骤 1、2、3
• 关键节点嵌入大模型，其他环节全靠硬编码
• 牺牲了灵活性，但换来了极高的可控性和可解释性

直到今天，Workflow 依然是企业级落地性价比最高的方案。毕竟大部分重复性工作，不需要什么“智能决策”，能按时按质按量完成就行。

阶段三：2025 年 自主规划者（Autonomous 时代）

2025 年是 Agent 真正走向“自主”的转折点。Manus、Claude Code、Codex 这些产品的出现，让大家第一次看到 Agent 能真正独立完成复杂任务。

这个阶段的 Agent，已经从“辅助者”变成了“执行者”：

• 能自己拆解模糊需求，生成详细的任务清单
• 可以连续运行几个小时甚至几天，自主处理长程任务
• 有自我校验能力，做错了会自己修正
• 能独立完成企业级项目开发、复杂数据分析等工作

OpenClaw 这类框架的爆火，更是把这种能力普及给了普通开发者，让人人都能搭建自己的自主 Agent。

阶段四：2026 年 自进化数字员工（Self-Evolving 时代）

2026 年初，Hermes Agent 的横空出世，把 Agent 带入了一个全新的时代——自进化时代。配合 LLM-Wiki 这类项目，Agent 终于能真正“越用越聪明”了。

这个阶段的核心，是解决了“静态模型”和“动态世界”的矛盾：

• Agent 不再只是完成任务，而是在任务中沉淀经验
• 能自动把踩过的坑、学到的技巧，转化成新的技能和知识
• 会自己优化提示词、调整工具选择策略，甚至微调局部参数
• 从“一次性消耗品”变成了“可积累的企业资产”

需要特别说明的是，这四个阶段不是相互替代的，而是并存互补的。实际落地中，我们经常会把多种范式结合起来用，比如用 Workflow 做主干，用自主 Agent 处理长尾问题，用自进化能力持续优化效果。

02 6 大核心技术全拆解：新旧范式对比，看完再也不迷糊

先通过一张架构图看清六大模块之间的关系：

现在搭建一个 Agent，离不开 Prompt、规划、记忆、工具、工作流、运行环境这六大模块。但每个模块的实现方式，和三年前已经天差地别了。

1. Prompt：从写万字小作文到模块化按需加载

早期做 Agent，80% 的时间都在跟 Prompt 死磕。一个任务要拆成好几个 Agent，每个 Agent 对应一篇精心调试的“小作文”，里面塞满了人设、目标、约束、示例。

这种“单体大 Prompt”的模式，维护成本高得离谱，场景一多就乱成一锅粥。

现在的最佳实践是“动静分离 + 渐进式加载”：

• 系统 Prompt 只保留最核心、最通用的规则，保持极度稳定
• 把任务要求、领域知识、人设规范这些易变内容，拆成独立的 Markdown 文件
• Agent 执行任务时，按需动态加载对应的技能文件和配置文件

比如把写文章的方法论存成 SKILL-write.md，把用户偏好存成 USER.md。这样不仅维护方便，还能实现技能的复用和共享。

2. 规划：从线性思维链到复杂长程任务拆解

早期的规划，说白了就是靠一句“Let’s think step by step”引导模型做线性推理。稍微复杂一点的任务，就容易陷入逻辑断层或者死循环。

现在的规划能力，已经发生了质的飞跃：

• 结构化分解：能主动把一个模糊的大目标，拆成层次清晰的子任务清单
• 动态调整：执行过程中遇到问题，会自动修改计划，而不是一条路走到黑
• 多智能体协同：能根据子任务的需求，动态调用专门的子 Agent 来处理

这一切的基础，是大模型推理能力的大幅提升。现在的规划已经不是“提示词技巧”，而是真正的“智能决策中枢”。

3. 记忆：从纯向量检索到文件系统 + 向量混合架构

记忆架构的演进可以用下图表示：

早期的记忆体系很简单：短期记忆是对话上下文，长期记忆是向量数据库。但随着应用场景越来越复杂，这种模式已经不够用了。

现在的记忆管理，发生了两个关键变化：

• 短期记忆：从堆砌到压缩
  不再简单地把所有历史对话都塞进上下文，而是通过阈值控制、结构化摘要、重点提取等方式，保留核心信息，剔除无关噪音。这样既能保证长对话的效果，又能控制 Token 成本。

• 长期记忆：从向量主导到文件系统回归

  • 事项型记忆（比如用户偏好、历史行为）：越来越多的框架倾向于用 Markdown 文件记录，比如 MEMORY-2026-06-03.md。这种方式比向量检索更可控、更易读。
  • 知识型记忆：传统 RAG 正在被“本地文件系统 + 轻量化向量检索”取代。个人用 Obsidian 这类笔记工具构建知识库，企业用 SQLite + 向量扩展，兼顾了灵活性和准确性。

4. 工具：从高成本 API 封装到原生 CLI + 脚本

工具调用的变化，是所有模块里最大的。

早期的主流是 Function Call：把系统能力封装成标准 API，注册给模型调用。但这种方式开发成本极高，很多系统没有现成的 API，需要团队自己补全。MCP 协议虽然优化了工具注册，但本质上还是换汤不换药。

现在的范式转移，是回归 CLI 和脚本：

• CLI 原生化：命令行对人类不友好，但对大模型来说是“先天知识”。模型不用学就能用 grep、cat、vim 这些标准命令，还能通过 --help 自主学习新工具。
• 脚本化工具：把复杂的工具逻辑封装成独立的 Python 脚本。Agent 只需要知道调用哪个脚本、传什么参数，不用关心内部实现。

这种模式极大地降低了工具开发成本，让 Agent 的能力边界得到了无限扩展。

5. 工作流：从刚性编排到动态 Skill 混合架构

工作流架构的演进对比：

早期的工作流，就是硬编码的状态机，一步错步步错，完全没有灵活性。

现在的工作流，正在向“Skill 为主，Workflow 为辅”的混合架构演变：

• 把成熟的、标准化的流程，封装成独立的 Skill。一个 Skill 就是一个完整的业务单元，包含了 Prompt 指引和执行脚本。
• 把对稳定性要求极高的主干流程，保留为传统的 Workflow，或者封装成一个特殊的 Tool 供 Agent 调用。
• 

这种方式既利用了 Skill 的灵活性，又保留了 Workflow 的确定性，是目前平衡开发效率和运行稳定性的最佳实践。

6. 运行环境：从无状态调用到有状态隔离 Runtime

早期的 Agent 就是个“问答机器”，不需要什么运行环境。但现在的 Agent 要操作文件、执行代码、管理数据，必须有一个专属的工作空间。

现在的运行环境主要分两种：

• 本地桌面环境：适合个人使用，Agent 可以直接操作本地文件和应用，便利性极高。但需要严格的权限控制，防止误操作。
• 沙箱环境：企业级生产环境的首选。用 Docker、K8s 构建隔离的沙箱，Agent 的所有操作都被限制在虚拟环境内，即使出问题也不会影响宿主机。
  

03 总结：Agent 早就不是拼 Prompt 的时代了

最后用一张全景图回顾全文的核心脉络：

今天的 Agent，表面上看还是由 Prompt、规划、记忆、工具这些模块组成，但内核已经发生了翻天覆地的变化。

这是一场从“魔法调优”到“系统工程”的深刻转变。我们不再指望靠一个完美的 Prompt 解决所有问题，而是通过精细的工程化手段，弥补模型的不足，放大模型的优势。

• Prompt 从单体大作文，变成了模块化的上下文工程
• 规划从线性思维链，变成了复杂的长程任务拆解
• 记忆从纯向量检索，变成了文件系统 + 向量的混合架构
• 工具从高成本 API，变成了原生的 CLI 和脚本
• 工作流从刚性编排，变成了灵活的 Skill 封装
• 运行环境从无状态调用，变成了有状态的隔离 Runtime

未来，模型会继续升级，工具会继续变化，框架会继续更新。但“用工程化构建确定性，承载模型不确定性”这个核心思想，会是未来很长一段时间内，构建高质量 Agent 的基石。

对于我们开发者来说，理解这些演进背后的逻辑，比掌握某一个具体的框架重要得多。毕竟技术会过时，但思想不会。

本文干货总结：

1. Agent 经历了被动响应、流程化执行、自主规划、自进化四个阶段
2. 六大核心技术模块全部完成了范式转移
3. 现在的 Agent 拼的是工程化能力，不是 Prompt 技巧
4. 实际落地要采用混合架构，兼顾灵活性和稳定性