智能体有哪些

智能体是能够感知环境、依据目标或策略做出决策，并通过行动影响环境或完成任务的计算实体。它既可以是强化学习中的策略执行者，也可以是由大语言模型驱动的软件代理；既可以驻留在单一程序中，也可以分布在多个节点上协作。理解智能体类型，关键是承认“智能体”不是一个单一物种，而是一组跨学科概念的交集。认知科学、机器人学、控制论、分布式系统和人工智能都曾从不同角度使用这个词，因此分类维度并不唯一。

常见划分方式包括按决策机制、按架构范式、按自主程度、按行动空间、按组织形态、按通用能力以及按应用任务来观察。每一种分法都像一束光，只照亮智能体的某一部分。反应式系统可能非常高效，却缺少长期规划；规划型系统可能善于拆解目标，却依赖准确的环境模型；多智能体系统可能提升鲁棒性，却带来通信和协调成本。把多种维度交叉起来，才能更接近完整图景。

在阅读分类时，还要注意概念之间的重叠。同一智能体可能既是工具调用型，又是半自主型，还属于流程自动化类；同一套架构既可以用于对话，也可以用于机器人控制。类型不是身份证，而是设计语言。它帮助开发者讨论能力边界、风险控制、评价指标和组合方式，而不是把系统永久锁进某个标签。

因此，更实用的提问方式不是“它属于哪一类”，而是“它在哪些维度上具备什么特征”。例如，它是否维护记忆，是否能调用外部工具，是否可以在开放环境中行动，是否需要人类审批，是否与其他智能体协作，以及它的失败会造成什么后果。沿着这些问题展开，智能体分类就从名词表变成了分析框架。

一、按决策机制划分：从反射到学习

1. 决策机制视角下的主要类型

决策机制说明智能体如何把感知输入转成行动输出。最基础的做法是依据当前状态触发规则，随后才加入内部状态、环境模型、目标排序、效用比较和经验学习。不同机制并非彼此排斥，很多系统会把快速反应层与慢速推理层组合起来，用规则守住安全底线，用模型支持复杂规划，再用学习改善长期表现。判断这些类型时，可以关注它是否依赖记忆、是否能预测后果、是否会在冲突目标之间权衡，以及是否会随反馈改变策略。这些差异也会影响训练数据、评价指标和部署方式。

(1) 反应式智能体：直接依据当前感知与预设规则选择动作，响应迅速，结构清晰，但对延迟反馈和复杂目标处理能力有限。

(2) 基于模型的智能体：维护环境内部模型，借助预测评估动作后果，适合状态部分可观测、需要前瞻判断的任务。

(3) 目标驱动智能体：围绕明确目标进行搜索、规划或分解任务，能处理多步骤问题，但对目标冲突和资源约束较敏感。

(4) 效用驱动智能体：用效用函数比较多种可行方案，在收益、成本、风险之间权衡，适合目标不完全硬性的决策。

(5) 学习型智能体：通过反馈调整策略或知识，能适应环境变化，但需要训练信号、评估机制和稳定性保障。

(6) 混合决策智能体：把反应、模型、目标、效用和学习组合起来，在不同时间尺度上切换决策方式，以兼顾速度与深度。

二、按架构范式划分：符号、反应、混合与认知

2. 架构范式视角下的主要类型

架构范式关注知识如何表示、推理如何组织、控制流如何分层。符号主义强调显式知识与逻辑规则，优点是可解释、可验证，缺点是面对开放环境时知识获取和维护成本较高。反应式架构把行为模块直接耦合到环境，实时性强，但难以完成长链推理。混合架构试图兼顾反应与深思，认知架构则借鉴记忆、注意、学习和元认知等机制，追求更统一的智能体结构。范式选择会深刻影响系统的开发方式、调试难度和迁移能力，也会决定它更适合封闭任务还是开放任务。

(1) 符号主义智能体：以知识库、规则和逻辑推理为核心，适合规则明确、审计要求高的场景。

(2) 反应式架构智能体：由多个行为模块按优先级或条件触发，强调实时响应和环境耦合。

(3) 分层混合智能体：把反应层、规划层和协调层结合，低层快速执行，高层负责目标与约束。

(4) 信念、愿望与意图智能体：用信念表示对环境判断，用愿望表示目标，用意图表示已承诺的行动方案。

(5) 黑板智能体：多个知识源围绕共享工作区协作，适合需要异构模块共同求解的问题。

(6) 认知架构智能体：模拟记忆、注意、学习和决策过程，试图在统一框架中支持多种认知任务。

三、按自主程度与人机关系划分

3. 自主性与协作关系视角下的主要类型

自主程度决定智能体在多大范围内可以自行设定子目标、选择工具、执行动作并承担后果。人机关系则决定它是替人执行、与人协商，还是作为团队一员持续接受监督。自主性越高，效率潜力越大，但授权、验证、回滚和审计要求也越高。实际系统常采用分级自主，在不同任务阶段切换控制权，例如由智能体准备方案，由人类确认关键动作，再由智能体完成后续执行。这样既能利用自动化，又能保留必要的责任边界，也能让使用者在关键节点保持信任。

(1) 辅助型智能体：主要提供建议、摘要或候选方案，最终决策和执行仍由人类完成。

(2) 半自主智能体：可在限定范围内执行步骤，遇到高风险或不确定情况时请求确认。

(3) 全自主智能体：在设定边界内自行规划与执行，需要权限控制、监控和停止机制。

(4) 人类在环智能体：把审核、纠偏和反馈嵌入流程，使人类持续参与关键判断。

(5) 可解释与可审计智能体：记录决策依据、动作轨迹和状态变化，便于复盘与追责。

(6) 人机混合团队智能体：与人类成员共享目标、分工协作，并适应彼此能力差异。

四、按行动空间与交互环境划分

4. 行动空间视角下的主要类型

行动空间是智能体能够施加影响的方式。纯软件智能体通过接口、消息、文件或查询操作数字世界；工具调用智能体把外部能力纳入决策链；计算机使用智能体直接在图形界面中点击、输入和导航；具身智能体通过传感器与执行器进入物理世界；仿真智能体则在虚拟环境中训练和评估策略。行动空间越开放，智能体越接近通用助手，但安全约束、权限管理和异常恢复也越复杂。设计者需要根据任务风险，决定它能看到什么、能改什么、不能碰什么。

(1) 软件智能体：运行在应用、服务或消息系统中，通过接口完成监控、调度和数据处理。

(2) 工具调用智能体：根据任务选择搜索、计算、数据库、代码执行等外部工具，并整合结果。

(3) 浏览器或计算机使用智能体：理解界面元素，执行点击、输入、滚动和页面导航等操作。

(4) 具身智能体：以机器人或智能硬件为载体，在物理环境中感知、移动和操作物体。

(5) 仿真环境智能体：在游戏、模拟器或虚拟场景中学习策略，常用于训练和压力测试。

(6) 对话式智能体：以自然语言为主要交互方式，理解意图、维持上下文并推动任务进展。

五、按组织形态划分：单体、多体与群体

5. 组织形态视角下的主要类型

组织形态关注智能体是个体还是集合。单体智能体边界清晰、调试直接，适合范围明确的任务；多智能体系统由多个智能体分工、通信、协商或竞争，适合模块化与并行问题；群体智能体强调大量简单个体通过局部规则涌现全局行为。组织形态影响通信开销、协调机制、冲突解决和容错能力。选择单体还是多体，通常取决于任务能否自然拆分，以及系统是否愿意承担协调复杂度。组织越复杂，越需要清晰的协议和退出机制。

(1) 单体智能体：独立感知、决策与行动，结构简单，适合边界清晰的任务。

(2) 多智能体系统：多个智能体通过消息或共享环境交互，形成分工与协作。

(3) 协作型多智能体：围绕共同目标分配角色、交换信息并相互补位。

(4) 竞争型多智能体：在对抗环境中争取资源或优势，常用于策略学习和博弈分析。

(5) 群体智能体：大量简单个体依据局部规则行动，整体呈现涌现行为。

(6) 分层多智能体：上层负责规划与协调，下层负责执行与反馈，适合复杂任务分解。

六、按通用能力划分：大模型时代的常见形态

6. 通用能力视角下的主要类型

大语言模型让智能体具备更强的语言理解、推理和工具编排能力，于是出现一批按通用能力命名的类型。规划型强调任务分解与路径搜索；工具使用型强调把模型与外部能力连接；记忆增强型强调长期状态与经验复用；反思型强调自我检查与修正；多智能体协作型强调角色分工与相互评审；环境交互型强调在真实或模拟环境中持续行动。这些能力常被组合使用，而不是互相替代。一个成熟系统往往同时具备规划、记忆、工具、反思与协作中的若干项。

(1) 规划型智能体：把复杂目标拆成子任务，安排顺序、依赖和资源，并随执行结果调整计划。

(2) 工具使用型智能体：在需要精确计算、实时查询或外部操作时调用合适工具。

(3) 记忆增强型智能体：维护短期上下文与长期知识，减少重复询问并积累经验。

(4) 反思与自我修正型智能体：检查中间结果，发现错误后重新规划或改写方案。

(5) 多智能体协作型智能体：由多个角色分工合作，通过讨论、评审或投票提升可靠性。

(6) 环境交互型智能体：持续观察环境、执行动作并根据反馈更新策略，适合动态任务。

七、按应用任务划分：领域智能体的常见方向

7. 应用任务视角下的主要类型

应用任务分类最贴近落地，因为同一技术架构在不同任务中会呈现不同能力要求。信息检索类重视来源筛选与引用；流程自动化类重视权限、稳定执行与异常处理；代码类重视仓库理解、测试与版本管理；数据分析类重视指标口径、因果谨慎与表达清晰；教育类重视循序渐进与反馈；科研辅助类重视假设管理、实验设计与文献追踪。分类不是固定标签，而是帮助设计者识别任务约束、风险点和评价方式。任务越关键，越需要明确成功标准与人工复核边界。

(1) 信息检索与知识问答智能体：从多来源收集信息，进行筛选、整合和引用，降低信息遗漏。

(2) 流程自动化智能体：执行跨系统步骤，处理审批、通知、记录和异常，强调可靠与可追踪。

(3) 代码与软件工程智能体：理解代码结构，辅助生成、修改、测试和审查，关注正确性与可维护性。

(4) 数据分析与决策支持智能体：连接数据源，生成分析、解释趋势并提供备选方案，同时提示不确定性。

(5) 教育与培训智能体：根据学习者进度提供讲解、练习和反馈，注重节奏与激励。

(6) 科研与实验辅助智能体：协助文献整理、假设生成、实验设计和结果归纳，强调可复现与审慎。