这 3 年 AI Agent 到底进化了啥?万字大白话,一次讲透!

简介: 从只会聊天的 ChatBot 到能自主干活的 Super Agent,一口气看懂 AI Agent 这 3 年是怎么进化的!ReAct、MCP、Skills、Loop、Subagent、Agent Teams、Harness、Personal Agent 全概念讲解,傻子可懂

大家好,我是程序员鱼皮。

还记得 23 年初,我刚从鹅厂离职创业那会儿,AI 在国内还是「小荷才露尖尖角」。

那时候的 AI 只会陪你聊天,你问一句,它答一句。

没想到 3 年后的今天,AI 已经能自己开发程序、作图办公、剪辑视频,还能作为你的 24 小时全能助理,帮你盯群消息、回邮件、追热点,甚至在你睡觉的时候发现 Bug 并主动修好。

这 3 年里,AI 圈儿冒出了一大堆新词,什么 ReAct、Agent Loop、Subagent、Agent Teams、Harness、Loop Engineering、Personal Agent、Super-agent 等等,很多朋友直呼学不动了。

概念墙

其实,这些概念并不是凭空冒出来的。每个新词的背后,都是 AI Agent 干活方式的一次升级。

每一个新的 Agent 架构,都是为了解决上一个架构留下的问题。

本期内容,我会按时间顺序,带你把这 3 年的 AI Agent 发展史从头捋一遍。每个阶段的 Agent 架构长什么样、背后的原理是什么、解决了什么问题、又留下了什么坑,我都会用大白话讲清楚。

看完之后,你就能明白现在这些《无所不能》的 AI 工具,到底是怎么一步步进化来的。

为了帮助大家理解,我把这段 AI 进化史比作一个 AI 打工人的升职记。它从一个只会动嘴的顾问开始,一步步学会动手、学会思考、学会带团队,最后变成了一个 24 小时在线的超级员工。

AI 升职记

点个收藏,我们开始~

一、Chatbot 聊天机器人(2022 ~ 2023)

2022 年 11 月,ChatGPT 上线了。

它的用法特别简单,网页上只有一个对话框。你打一段话发过去,AI 就回你一段话;你接着追问,它就接着回答。

ChatGPT

这种一问一答的 AI 产品,叫做 Chatbot,也就是聊天机器人。后来国内的文心一言、通义千问、豆包陆续上线,用的也都是这种一问一答的方式。

一问一答

记得我第一次跟 AI 对话的时候,都被惊艳到了。AI 能写诗、写周报、写代码,还能陪我聊人生,回答得比很多真人还要好。

当时我就很好奇:一个程序怎么就能听懂人话,还对答如流呢?

其实 AI 大模型本质上是在玩「文字接龙」,它读过海量的书和网页,学会了根据前面的内容,一个字一个字地猜出接下来最可能出现的内容。你问它一个问题,它就顺着你的问题往下「接」出一段回答。只不过它读过的东西实在太多了,所以才能够稳稳地接住你。

文字接龙

但是,这时候的聊天机器人只能输出文字。你让它帮忙订机票,它只能告诉你订票的步骤,真正打开 App 下单的还得是你自己。

而且大模型的知识停在了训练结束的那一天,你问它今天的新闻,它要么说不知道,要么一本正经地胡说八道。

所以我觉得,这时候的 AI 很像一个被关在小黑屋里的顾问。他肚子里很有墨水,但看不到外面正在发生什么,所以不知道最新的消息;他也碰不到外面的任何东西,所以没法替你办事。你们之间只能靠文字交流,这就是聊天机器人的工作方式。

不过很快大家就发现,这个顾问是可以「调教」的。

在对话开头加一句「你是一位有 20 年教龄的英语老师」,AI 的回答风格立马就变了,讲语法都会主动拿生活里的例子来打比方。

角色扮演

再加一句「请一步步思考」,它做数学题的正确率也会明显提升,这招叫做思维链(Chain of Thought),也是大家最常用的提示词技巧之一。

于是网上开始流行各种提示词模板,大家互相分享怎么让 AI 扮演各种角色。

到了 2023 年 4 月左右,国内冒出了一大批「套壳」AI 应用。它们背后接的都是现成的大模型,区别只在于系统提示词不一样。

系统提示词就是在用户看不到的地方,提前写给 AI 的一段角色设定。同一个模型,换一段系统提示词,就能变成写文案的博主,或者帮你改 Bug 的软件开发大佬。

我当时也带着团队做了一个 AI 助手平台,叫鱼聪明 AI。我们没有直接拿开源代码套壳,而是从 0 开发了一个月才上线,上线一周左右用户数就突破了 5 万。平台上有几百个现成的 AI 助手,用户也可以自己创建,每个助手背后其实就是一段精心写好的系统提示词。

鱼聪明 AI

2023 年 11 月,OpenAI 官方也下场推出了 GPTs。紧接着,国内的大厂也纷纷推出了自己的智能体平台,比如百度的文心智能体平台等等。一时间满世界都是「XX 助手」、「XX 大师」。

不过包装得再花哨,提示词改变的也只是 AI 说话的方式,并没有给它新的本事。这些「XX 助手」本质上都还是聊天机器人,只是换了个人设而已。

那能不能给 AI 开一扇门,让它自己去查资料、自己去操作软件,把事情真正办完呢?

二、ReAct 与工具调用(2023)

2023 年 3 月底,GitHub 上出现了一个叫 AutoGPT 的开源项目。

用它的时候,你不用再一句一句地向 AI 提问,只需要给它一个目标,比如「写一篇关于 AI 的论文」。它就会自己拆解任务、上网搜索资料、把内容写进文件,一轮接一轮地干下去,直到完成目标。

这个项目几周内就在 GitHub 上收获了 10 万 Star,大家都惊呆了,AI 居然能自己干活了?

10 万 Star

我当时也第一时间部署体验了一把,还写了一篇教程。用它的时候,只需要依次输入 AI 的名字、角色和目标,它就会自己开干。

设定目标

AutoGPT 之所以能自己干活,靠的是一种叫 ReAct 的思路,ReAct 是 Reasoning(推理)和 Acting(行动)两个单词的组合。

ReAct 的思路很像人做事的过程。先想一想,再动手做,然后看看结果,接着想下一步,一直循环到把问题解决为止。

比如你问 AI:明天上海会下雨吗?

  • 它会先思考,发现自己不知道明天的天气,得查一下
  • 然后行动,调用天气查询工具
  • 接着观察,工具返回的结果是「小雨」
  • 最后它再想一下,发现信息已经够了,于是告诉你明天记得带伞。

ReAct 循环

AutoGPT 就是照着这个思路干活的。在它的终端里,你能清楚地看到它每一轮的想法(THOUGHTS)、计划(PLAN)和下一步要执行的动作(NEXT ACTION),想完、做完、看完结果,再进入下一轮。

AutoGPT

对了,这里有个很多人都会误解的地方:AI 模型自己并不会执行工具。

模型只能输出一段话,意思是:我要调用天气工具,参数是上海和明天。

真正去调用天气接口的,是外面的程序,程序拿到结果后再塞回对话里,模型才能接着往下想。

刚开始,模型输出的这段工具调用请求格式经常不规范,外面的程序看不懂,也就没法照着执行。直到 2023 年 6 月,OpenAI 推出了 Function Calling(函数调用)功能,模型经过专门训练后,能稳定输出标准格式的工具调用请求,AI 调用工具这件事才真正靠谱起来。

大家把这种能自己规划步骤、调用工具、朝着目标一直干下去的 AI,叫做 Agent,也就是智能体。

Agent 这个词,就是在这个时候火起来的。

什么是智能体

但理想很丰满,现实很骨感。

我当时给 AutoGPT 布置了一个很简单的任务:写一个网站,赞美一只鸡在打篮球。

结果它先去谷哥搜了一圈,又非要去看网上的视频学习。由于我的服务器上没有浏览器,它看不了视频,只好回去接着搜索。

搜完之后,它又想去看视频,就这样陷入了死循环。。。

最后我只能强硬地命令它「停止调研,立刻给我开发网站」,它这才老老实实地写出了网页。

当时的 Agent 普遍都有这类毛病,要么原地打转,同一件事翻来覆去地做;要么搜不到资料就自己编一个,再基于编出来的内容继续往下干,错误越来越多。

一方面,当时的模型还不够聪明,规划能力和纠错能力都不太行;另一方面,它根本不知道什么叫「干完了」,没有明确的完成标准,就只能一直干下去,白白烧掉 API 费用。

这时有人想到:一个 AI 不靠谱,那多来几个总行了吧?

于是出现了 MetaGPT 这类项目,让多个 AI 分别扮演产品经理、架构师、程序员和测试,模拟一家软件公司来开发项目。这个想法在当时是很超前的,可每个「员工」本身都不靠谱,凑在一起就像一群实习生在开会,效果自然不必多说。

三、工作流(2024)

既然 AI 自己规划不靠谱,那干脆就别让它规划了。

2024 年,国内特别火的是各种可视化的智能体平台。打开这些平台,你会看到一块画布,可以像搭积木一样拖出一个个方块,再用箭头连成一张流程图。每个方块就是一个步骤,有的让 AI 生成内容、有的去知识库查资料、有的做条件判断。

Dify 工作流

这种用流程图编排 AI 的方式,叫做工作流。当年很火的扣子,还有开源的 Dify,都是这类平台的代表。

光靠改提示词,AI 只能陪用户聊天、解答问题;用上工作流,就算是不会写代码的人,也能把查订单、判断规则、调用接口、生成回复这些步骤串起来,搭出一个能真正处理退款的 AI 客服,所以很多公司都拿它来做业务。

它的原理很简单,人提前把每一步都画好,AI 只负责完成流程图里分配给它的那几个步骤。

比如做一个客服机器人,先让 AI 判断用户是想退款还是想咨询。如果是退款,就走审核流程;如果是咨询,就去知识库里搜资料,再让 AI 根据资料生成回复。

工作流

整个过程中,下一步做什么由流程图说了算,AI 就像一个按 SOP(标准作业流程)干活的流水线工人。

看到这里你可能会问:工作流里也用到了 AI,那它算不算 Agent 呢?

2024 年底,Anthropic 专门发文回答了这个问题。他们认为,工作流是人提前写好路径,AI 照着走;Agent 是 AI 自己决定下一步干什么。所以严格来说,工作流还算不上真正的 Agent。

因为每一步都是提前定好的,工作流的结果很稳定,每跑一次要调用几次 AI、要花多少钱,也都能提前算清楚,所以企业经常用它。

但工作流的缺点是太死板了。一旦遇到流程图里没画到的情况,比如用户问了一个预料之外的问题,AI 就不知道该怎么处理了。而且业务越复杂,流程图就越庞大,分支套着分支,搭建和修改都很费劲,往往还得交给懂技术的专业人员来维护。

分支套分支

于是,有人选择了另一条路:坚持让 AI 自己规划每一步,从头到尾独立把活干完。

2024 年 3 月,Cognition 公司发布了号称「首个 AI 软件工程师」的 Devin。他们给 AI 配好了终端、代码编辑器和浏览器,你只要给它提需求,它就自己去开发。

Devin

在修复真实项目问题的测试里,Devin 能独立解决大约 14% 的问题。虽然已经是之前最好成绩的好几倍了,但是 100 个问题里还有 86 个搞不定,肯定没法放心地把真实项目交给它。

Devin 测试成绩

归根结底,问题还是出在大模型本身,它的推理和规划能力还不够强。

四、Thinking 推理模型(2024 ~ 2025)

直到 2024 年 9 月,大模型的推理能力才迎来了一次大的飞跃。那个月,OpenAI 发布了 o1 模型。

你问完问题,它不会马上回答,而是先「思考」一会儿,有时要想几十秒才给出答案。

到了 2025 年 1 月,DeepSeek 开源的 R1 模型在国内火出了圈。

打开「深度思考」按钮再提问,你还能看到 AI 完整的思考过程,这样一通自言自语之后,它才给出最终答案。

深度思考

那这种「深度思考」,跟前面提到的「请一步步思考」有什么区别呢?

思维链是人在提示词里要求 AI 多想几步,AI 不一定能想好;推理模型则是用强化学习专门训练出来的。强化学习有点像训练小狗,做对了给奖励,做错了给惩罚,让模型自己摸索出怎么拆解问题、怎么检查答案、走不通的时候怎么换个思路。

也就是说,思考从一种提示词技巧,变成了模型自带的本事。

推理模型

这对 Agent 来说意义重大。模型的规划能力和纠错能力上来了,就能自己判断下一步该做什么,也知道什么时候算是干完活了,这正好补上了 AutoGPT 当年最缺的能力。

2025 年 5 月,Claude 4 系列模型又往前走了一步,它能在两次调用工具之间停下来思考,看完上一步的结果,再决定下一步怎么做。这样一来,ReAct 里的「思考」环节,也从靠提示词引导,变成了模型自带的能力。

工具调用之间思考

后来的事情大家也看到了,模型自己会规划之后,拖拽式的工作流平台就慢慢降温了。

与此同时,大模型能够推理之后,「让 AI 自己规划每一步」这件事,终于又可以提上日程了。

五、Agent Loop 智能体循环(2025)

2025 年被很多人称为「Agent 元年」。

那年 2 月,Anthropic 推出了 AI 编程工具 Claude Code。它跑在终端里,你用大白话描述需求,它就会自己读项目代码、改代码、跑测试,遇到报错再接着改,全程不用你阅读和编写代码。

Claude Code

3 月,Manus 发布的演示视频迅速刷屏。你给 Manus 布置一个任务,它会在一台云电脑上自己打开浏览器查资料、写代码、做表格,最后把成果交给你。我记得当时,Manus 的邀请码一度被炒到上万元。

Manus

然后 Cursor、Codex 等 AI 工具,也都推出了自己的 Agent 模式。

这一次,大家是真的感受到 AI 能独立干活了。可它们跟 23 年没能真正落地的 AutoGPT,到底有什么不一样呢?

其实架构核心依然是 ReAct 那样的 循环,业界管它叫 Agent Loop。

程序把你的任务和可以使用的工具一起发给模型。如果模型说要用某个工具,程序就去执行,再把执行结果塞回对话里,接着问模型下一步怎么做。就这样一圈一圈地转,直到模型认为任务完成、不再调用工具,才会给出最终的答案。

Agent Loop

那年 4 月,我在 编程导航 带大家做了一个 AI 超级智能体项目,其中就有一个基于 ReAct 模式的自主规划智能体 YuManus。你给它一个需求,它会自己上网搜索、下载资源、生成 PDF 文档,帮你制定一份完整的约会计划。

YuManus

带大家做完这个项目,我最大的感受是,Agent 的核心循环代码本身并不复杂,真正决定效果的是模型够不够强、工具够不够好用。而这两样,恰恰是 25 年跟 23 年最大的区别。

模型这边,有了推理能力之后,它不光会规划每一步,还知道什么时候该停下来,不会再像 AutoGPT 那样原地打转。

工具这边,AI 能用的工具从搜索、计算器这类小功能,变成了一整台电脑。它可以在终端里执行命令,可以读写项目里的代码文件,可以打开浏览器访问网页,甚至还能像人一样看屏幕、点鼠标。

为了让 AI 方便地接入各种外部工具,Anthropic 在 2024 年底推出了 MCP 协议,统一了 AI 连接外部工具的方式。这就像给 AI 装了一个通用的 USB 插座,不管是数据库、浏览器还是各种网站服务,只要提供了 MCP 接口,AI 插上就能用。

MCP

说到这里,关于 Agent 到底是什么,业界也终于有了比较统一的说法:在循环里调用工具,来达成一个目标。

模型负责思考,工具负责动手,循环让它能一直干到任务完成。这三样东西凑齐了,一个真正的 Agent 就诞生了。

AI 从实习生正式转正,终于能独立干完一件事了。

但是,工作能力再强的员工,也可能会闯祸。

六、Human in the Loop 人在回路(2025)

AI 能执行命令之后,一旦理解错了你的意思,后果可比说错一句话严重多了。比如你让它清理一下临时文件,它可能顺手把重要资料也删了。

那怎么防止 AI 闯祸呢?

办法就是在循环里设几道关卡,这种设计叫 Human in the Loop,意思是让人参与到 AI 干活的循环中。AI 遇到删除文件、执行命令这类敏感操作时,先暂停下来,等人批准、修改或者拒绝之后再继续。

这就好比公司规定新员工采购、或者发对外邮件之前,都要先找领导签字。

找领导签字

这个思路其实很早就有了。前面我玩 AutoGPT 的时候,它每执行一个命令,都要我输入 y 授权之后才会继续。到了 2025 年,这种关卡被做成了各种 Agent 工具里的正式功能。

比如 Claude Code 默认只会自己读文件,修改文件、执行命令之前都要先问你。

再比如主流 AI 工具都有的 Plan Mode(计划模式),AI 先只读代码、写方案,遇到拿不准的地方还会反过来问你,等你确认方案之后,才开始动手改代码。

我之前开发「万能视频下载总结器」的时候就用了 Plan Mode。AI 先给出了一份完整的开发方案,包括技术架构和分阶段的任务清单。

Plan Mode

当然,让人来审批也有代价。

如果 AI 每做一步都来问你,你一直点「允许」,很快就麻了,最后看都不看就点了,这道关卡也就失去了意义,人反而成了整个循环里最慢的一环。

所以后来又出现了让另一个 AI 当审核员的做法,普通操作由它来把关,只有真正高风险的操作才来找你确认。

有了这些关卡,大家终于敢把更大、更复杂的任务交给 AI 了。

可任务如果太复杂,新的问题也会跟着冒出来:AI 干着干着,就把你一开始交代的事给忘了。

七、Context Engineering 上下文工程(2025)

用 AI 编程的朋友可能遇到过这种情况。一开始你跟 AI 说好单个文件不超过 200 行代码,结果聊了十几轮之后,它就把这条约束忘了,写出了一个上千行的大文件。

明明一开始说好了,AI 怎么就忘了呢?

这是因为 AI 一次能处理的内容是有限的。

AI 一次能看到的所有内容,包括你的提示词、聊天记录、它读过的代码和工具返回的结果,统称为上下文。你可以把上下文理解成 AI 的工作台,台面就这么大,Agent Loop 每循环一圈儿,就往台面上堆一层新东西。

上下文里有什么

上下文给少了,AI 不了解情况;上下文给多了,台面上堆满了代码和聊天记录,你一开始交代的要求就像压在一堆文件最底下的便签,AI 很难再注意到它,反而会变笨。

这种上下文越长、AI 表现越差的现象,叫「上下文腐烂」。

Agent 能自己干活之后,一个任务动不动就要循环几十上百圈,工作台上的东西越堆越多,这个问题也就越来越受重视。

2025 年 6 月,前特斯拉 AI 总监 Karpathy 先后发帖,说「上下文工程」这个词比「提示词工程」更准确。大家关注的重点,从怎么把提示词写好,变成了怎么在合适的时候把合适的信息交给 AI。

上下文工程

具体怎么做呢?

比如在项目里写一份 AGENTS.md 规则文件,把用到的技术和代码规范写清楚,AI 每次开工前都会自动读一遍。

AGENTS.md 已经是多家公司联合推出的开放标准,里面写的就是安装命令、测试命令、代码风格这些 AI 开工前需要知道的事。

AGENTS.md

再比如用 RAG 检索增强生成技术,先从资料库里找出和问题相关的内容,再交给 AI 参考,不用一股脑把所有资料都塞进去。

RAG

当上下文快装满的时候,还可以自动把前面的对话压缩成一份摘要。对于需要长期记住的信息,则单独写进记忆文件里,等以后用得上的时候,再把相关的内容找出来交给 AI。

2025 年 10 月,Anthropic 又推出了 Agent Skills,也就是技能。一个技能包其实就是一个文件夹,里面放着一份说明文档,写清楚这个技能是干嘛的、什么时候该用、具体分几步做,有时还会附带脚本和模板文件。

比如 Anthropic 官方出的 PPT 技能包,文件夹里的说明文档,写清楚了什么时候该用这个技能、怎么读取和修改已有的 PPT、怎么从零做一份新的 PPT,还附带了生成预览图、检查文件格式的脚本。AI 要做 PPT 的时候,照着说明一步步来就行。

技能包

Skills 的特点是渐进式加载,平时 AI 只看一眼每个技能的名字和简介,真正用到的时候才加载完整内容。这就像给新员工一本带目录的工作手册,需要哪章就翻哪章,不用一上岗就把整本手册背下来。

渐进式加载

不过,一个 AI 的上下文能装的东西终究有限。

比如你让 AI 在一个大项目里找 Bug,光是翻代码、搜关键词,就能把上下文塞得满满当当。等它好不容易找到问题,你最开始交代的需求早就被挤到角落里去了。

如果能把翻资料这种杂活交给别人去干,自己只看最后的结论,是不是上下文就清爽多了?

还真可以!

八、Subagent 子智能体(2025)

2025 年,AI 工具里陆续出现了一个新角色:Subagent 子智能体。

它的思路很简单,主 Agent 遇到相对独立的子任务时,就把它派给子 Agent 去做,自己只等结论。比如你让 AI 写一份竞品分析报告,它可以给每家竞品各派一个子 Agent,分头去收集公开资料。

子 Agent 有自己独立、干净的上下文,它可能翻了几十个网页和文档,但最后只把一段结论交给主 Agent。这样主 Agent 的上下文始终保持干净,几个互不相关的子任务还能同时进行。

Subagent

2025 年 6 月,Anthropic 分享了自家的多 Agent 研究系统。他们让最强的模型当主 Agent,再派出多个子 Agent 同时查资料,效果比单个 Agent 好了 90% 以上。代价是 token 消耗大约是普通聊天的 15 倍。。

注意,并不是什么任务都适合拆给多个 Agent。

查资料这种「读」任务适合多个 Agent 同时干,写代码这种「写」任务交给多个 Agent 就容易互相冲突。

因为读资料不会改动任何东西,大家各查各的,最后汇总就行;而每写一段代码,都包含着对功能、风格、结构的决定,几个 Agent 各自做决定,最后就很难拼到一起。

好在这件事现在基本不用你操心了。主流的 AI 工具都能自己判断什么时候该派子 Agent、怎么拆分任务,你只管提需求就行。比如我让 Claude Code 优化一个项目,它自己就派出了 3 个子 Agent,分别去审查内容、样式和交互。

自动派子 Agent

不过 Subagent 也有局限。子 Agent 就像临时工,领了任务、干完活、交份报告就走了,彼此之间不能直接沟通,所有的协调工作都压在了主 Agent 身上。

子 Agent 之间发现了需要对齐的问题,只能先报给主 Agent,再由它转达,一来一回很慢。而且子 Agent 派得越多,主 Agent 要汇总的报告、要转达的消息也越多,它自己的上下文又会被塞满,反而成了整个系统里最忙、最容易出错的位置。

主 Agent 成了瓶颈

如果几个 Agent 能像一个项目组那样,直接商量着干活,会不会更好呢?

九、Agent Teams 智能体团队(2026)

其实让一群 AI 组队干活的想法并不新鲜,2023 年的 MetaGPT 就试过,可当时每个 AI 都不靠谱,凑在一起效果很一般。

3 年后,AI 已经能独立干活了,这个想法终于可以落地了。

2026 年 2 月,Claude Code 推出了 Agent Teams 功能的研究预览版。

打开这个功能之后,你可以在终端里看到好几个 Agent 各占一块窗格,同时在干活,它们之间还会互相发消息、同步进度。

Agent Teams 分屏

这几个 Agent 组成了一个团队,其中一个是组长,其余的是队员,每个队员都是一个完整、独立的 Agent。

你只需要跟组长交代需求,组长会把需求拆分成一个个任务,放进整个团队共享的任务清单里,队员自己去认领。团队里还有一个「信箱」,队员之间能直接发消息,甚至互相检查对方的工作,干完活再向组长汇报进度。

Agent Teams

如果说 Subagent 是交完报告就走的临时工,那 Agent Teams 就是一起干到项目结束的项目组。比如负责前端的队员和负责后端的队员可以直接商量接口怎么设计,不用每句话都通过组长转达。

不过,多个 Agent 同时干活,token 消耗也会成倍增加,所以它更适合那些能拆成独立小块的任务。

更麻烦的是,不管是一个 Agent 还是一整个团队,做大项目的时候都会遇到同样的问题:

  • 做到一半,前面定好的方案慢慢被忘了
  • 代码改来改去,项目越来越乱
  • 明明还有一堆 Bug,AI 却自信满满地告诉你已经做完了

这些问题,靠多加几个 Agent 是很难解决的。

十、Harness Engineering 驾驭工程(2025 ~ 2026)

那 AI 公司自己是怎么解决这些问题的呢?

2025 年 11 月,Anthropic 分享了让 Agent 连续工作好几天的秘诀。让第一个 Agent 先把开发环境搭好,写一份功能清单和一个进度文件。之后每个 Agent 上岗都要先读一遍进度文件和 Git 代码提交记录,了解项目做到哪了,而且一次只做一个功能。

功能做完、测试通过之后,它会提交代码并更新进度文件,给下一班留好交接记录。

轮班交接

2026 年 2 月,OpenAI 也分享了一个更夸张的实验。一个 3 人小团队用 5 个月时间,借助 Codex 写出了大约 100 万行代码,产品已经在内部上线使用,而且没有一行代码是人手写的。

工程师们不写代码,那他们在干嘛呢?

答案是给 AI 搭环境。他们把项目知识整理成 AI 能看懂的文档,用自动检查工具守住代码架构,再让 AI 能自己查看程序的日志和性能数据,验证自己改得对不对。哪里卡住了,就去想 AI 还缺什么能力,然后把它补上。

给 AI 搭环境

这类做法有个统一的名字,叫 Harness Engineering。

Harness 翻译过来是「马具」。如果把 AI 模型比作一匹马,Harness 就是驾驭这匹马需要的一切,比如缰绳、马鞍和围栏,目的是让这匹马跑得更快、更稳地跑到终点。

业界还总结了一个公式。

Agent = 模型 + Harness

也就是说,除了模型本身之外,给 AI 写的规则文件、配的各种工具、任务的拆分方式、自动化测试、防止代码越改越乱的架构约束、每做完一个功能就保存的 Git 存档点,统统都属于 Harness。

Harness

前面讲的上下文工程、Human in the Loop、Plan Mode、Subagent,其实也都是 Harness 的一部分。所以 Harness 算不上一种新的 Agent 结构,它是一整套让 Agent 稳定干完活的工程方法,甚至可以说只是造了个新词罢了。。

我之前专门出过一期 《Harness 保姆级教程视频》,用一个完整项目演示了 Harness 怎么落地,感兴趣的朋友可以去看看。

不过 Harness 搭得再好,还有一件事得人来做。每做完一个功能,你都要去看一眼结果,再告诉 AI 下一个功能做什么;发现了问题,还得把报错信息贴给它,让它接着改。

也就是说,虽然 AI 干活的速度越来越快,可项目要往前推进一步,还是得等你发出下一条消息。

十一、Loop Engineering 循环工程(2026)

那能不能把看结果、派下一个任务这些事,也交给程序自动完成呢?

其实早在 2025 年 7 月,开发者 Geoffrey Huntley 就想了一个办法。他写了一个只有一行命令的脚本,把同一份提示词一遍又一遍地发给 Claude Code。

每一轮 AI 都从一个全新的会话开始,先读一遍文件和代码,搞清楚之前干到哪了,再接着干一点,把新的进度记回文件和代码里。没干完就进入下一轮,直到所有任务都干完为止。

他用动画片《辛普森一家》里一个傻乎乎的小男孩 Ralph 的名字,给这个方法起名叫 Ralph 循环,意思是这个方法看起来有点笨,但确实管用。

Ralph 循环

到了 2026 年,Claude Code、Codex 等 AI 工具陆续把这个办法做成了正式功能,也就是 /goal 命令。

你只需要设定一个完成条件,比如「通过全部测试」,AI 就会一轮一轮地干下去。有的工具还会专门让另一个模型来判断条件是否达成,免得写代码的 AI 自己给自己打分。

goal 命令

同年 6 月,这种做法有了一个正式的名字,叫 Loop Engineering 循环工程。

简单来说,以前是你一条一条地给 AI 发提示词,看完结果再发下一条;现在你要做的,是设计一个能自己转起来的循环,让程序替你给 AI 派活、检查结果、决定下一步,你只在关键的地方看一眼。

从操作者到管理者

那一个靠谱的循环,需要包含哪些东西呢?

它得先有一个触发器,决定循环什么时候启动。它可以是定时触发,比如每 5 分钟检查一次网站部署有没有完成,Claude Code 的 /loop 命令干的就是这个活儿;也可以是事件触发,比如有人在 GitHub 上提了新的 Issue(问题反馈),或者代码的自动构建失败了。

它还需要一份状态文件,用来记下 AI 做过什么、结果如何、下一步做什么。因为 AI 每一轮都会忘掉上一轮的事,进度只能记在文件和代码仓库里。

每个任务都要在独立的工作目录里干活,这样多个任务同时跑,也不会互相覆盖代码。干完之后,再由一个独立的检查者来验收,可以是自动化测试,也可以是另一个 AI。

另外,循环还要设好停止条件和预算上限,并把结果汇报给你。

Loop 组成

有了 Harness,AI 每次都能把活干好;有了 Loop,连什么时候开工、干到什么程度算完成,都不用你一遍遍盯着了。

这就像老板不再每天挨个给员工派活,而是定好考核标准和值班制度,让团队自己运转起来,老板只需要看日报。

不过,循环也会把一些问题放大。

没人盯着的循环,犯了错也没人及时发现;一个怎么也跑不出结果的循环,还会一直空烧 token。

最典型的问题是,AI 为了让测试通过,干脆把失败的测试删了或者改了,虽然检查是通过了,代码里的问题却一个都没解决。所以前面说的独立检查者、停止条件和预算上限,一个都不能少。

讲到这里,前面这些架构其实都在解决同一个问题:怎么让 AI 帮我们把活干好?

但 AI 能帮我们的,远不止写代码、做项目这些任务。像是回复邮件、管理日程、盯群消息、提醒待办,这种工作和生活里的琐事,能不能也交给它呢?

怎么让 AI 像私人助理一样,24 小时在线,主动帮你打理这些琐事?

十二、OpenClaw 和 Hermes(2025 ~ 2026)

2026 年初,一个叫 OpenClaw 的开源项目轰动了全世界。

短短 1 个月,它在 GitHub 上的 Star 数涨了 10 万多,养龙虾一下子成了 AI 圈儿最火的话题,甚至出现了线下排队装龙虾的奇观。

3 月份,腾讯在深圳总部楼下办了一场免费安装活动,近千人排起长队,从小学生到快 70 岁的大爷都有。

排队装龙虾

这么多人抢着装的 OpenClaw,到底是个啥?

简单来说,它是一个装在你自己的电脑或服务器上的私人 AI 助理,平时就住在你的 QQ、微信、飞书这些聊天软件里。

你在手机上给它发一句「我的电脑是什么配置」,它真就跑去电脑上查了一遍,把系统、处理器、内存都列了出来;让它写篇文章,它也能直接给出好几个版本;就算你什么都没说,它也可以定时来找你,比如提醒你有个待办事项快到期了。

OpenClaw

前面那些 AI 工具,都得你打开之后才能用,OpenClaw 为什么能一直待命,还能主动来找你呢?

它的核心是一个一直在后台运行的网关程序,连接着微信、飞书、QQ 这些聊天软件。你在手机上给它发条消息,网关就把消息转给 Agent,Agent 再用电脑上的终端、浏览器和文件帮你把事办了。

OpenClaw 架构

它的记忆存在一些 Markdown 文件里,比如 SOUL.md 写的是它的性格和行为边界,MEMORY.md 记录长期记忆,它每天还会写一份日记。每次开启新会话,它都会先把这些文件读一遍,找回「自己是谁」和「跟你发生过什么」。

它能主动来找你,靠的是心跳机制。OpenClaw 默认每 30 分钟会自己醒来一次,看看有没有新邮件、有没有快到期的待办。没事就不打扰你,有事就主动来找你。

这个心跳,本质上也是一个每 30 分钟转一圈的 Loop。

心跳机制

2026 年 2 月底,Nous Research 开源了 Hermes Agent,它在「记忆」这件事上又往前走了一步。

Hermes Agent

Hermes 多了一个闭环学习的能力。它完成一个复杂任务之后,会自己总结出一份技能文件,把这次是怎么做成的记下来,下次遇到类似的活就能直接复用;用的过程中发现技能有问题,它还会自己动手修改。就像一个会主动写工作笔记的员工,越干越熟练。

不过,这两个项目都有一个共同的门槛。

它们就像毛坯房,空间大、很自由,但你得自己找服务器、自己配置调用大模型的密钥、自己做安全防护。而且它们直接运行在你的电脑或服务器上,权限一旦给大了,就容易出事故。

之前就有 Meta 的 AI 安全总监让 OpenClaw 帮忙处理工作邮箱,结果它把 200 多封邮件全删了,喊停都没用,她最后只能冲回电脑前强行终止程序。从她晒出来的聊天记录能看到,她连发了好几条「Stop」,OpenClaw 还在一条接一条地执行删除命令。

连专门研究 AI 安全的人都没能幸免,普通人就更不敢轻易尝试了。

那有没有一种不用自己折腾、下载就能用,而且更安全的 AI 助理呢?

十三、Personal Agent 个人智能体(2026)

大厂也看到了这个机会。OpenClaw 已经证明,很多人确实需要一个 24 小时帮自己干活的 AI 助理,剩下的就是把门槛降下来。

2026 年 8 月之后,几家 AI 巨头扎堆发布了同一类产品,比如马斯克的 Grok Bot、Meta 的 Muse、OpenAI 的 Dots,这类产品叫做 Personal Agent 个人智能体。

以我经常用的 Grok Bot 为例,下载 App 并登录账号之后,AI 会先跟你打招呼,问你想怎么称呼它,再引导你连接邮箱。之后你像给同事发消息一样给它派活,它就在自己的云电脑上把事办完,遇到需要你拍板的事情再来问你。

个人智能体

体验的时候,我还把电脑上的「创作选题获取器」工作流搬到了 Grok Bot 的云电脑上。现在就算我的电脑关机了,每天早上 9 点也能准时收到一份选题简报。

每日选题简报

Personal Agent 有自己的名字和长期记忆,越用越懂你。

它在云端有一台专属电脑,干活不占用你的电脑。经过你授权后,它能登录你的邮箱、日历和社交账号。它还一直在线,到点了就自己执行定时任务。

Personal Agent 架构

如果说 OpenClaw 是买只活龙虾回家自己养、自己做,那 Personal Agent 就是直接下馆子,点一份厨师做好的龙虾。

从技术上看,Personal Agent 并没有发明什么新架构。它把 Agent Loop、长期记忆、定时任务和云电脑组合在一起,打包成了普通人下载就能用的产品。

可当你把越来越多的事交给它时,问题就来了。

你开一个会话整理邮件,一个会话写周报,一个会话修 Bug,群里同事又来一句「这个需求改一下」。这些会话互相不知道对方在干什么,跨任务的信息只能靠你自己记住,再手动搬运。而且一个会话正在干耗时的活时,你想跟它说句话,要么打断它,要么等它干完。

AI 越来越能干,你却成了一群 AI 之间的传话筒。

传话筒

十四、Super-agent 超级智能体(2026)

有没有办法让 AI 自己管好这一堆会话呢?

DeepSeek 团队内部,就有一个能自主干活和管理的 Agent 混在用户群里。有一次,群里有人随口吐槽桌面端的一个 Bug,当时没有任何人艾特它,它自己判断出这是个需要修复的问题,在后台复现问题、找到原因,直接把修复代码和修复前后的对比截图发到了群里。

主动修 Bug

2026 年 10 月,DeepSeek Harness 团队公开了这套设计,叫做 Super-agent。

他们一针见血地指出:单任务的上限取决于模型能力,多任务的上限取决于人的注意力。

按他们的观察,一个人通常只能同时跟进 3 到 5 个正在进行的会话。

Super-agent 就是冲着这个瓶颈来的。它是一个一直在线、能同时推进很多个任务的 Agent,不用你挨个会话去盯。

它把 Agent 和「单次会话」解绑,变成了一个配合默契的项目团队。团队内部可能有很多人,但你只需要和一个对接人打交道。

它的核心是双层架构。上层的 Router 相当于项目经理,它一直在线,所有渠道的消息都先到它这里,由它记住全局、跟你沟通、给工程师派活。下层的 Worker 相当于工程师,每个任务分配一个 Worker,各自有独立的上下文,干完再向项目经理汇报。

双层架构

有意思的是,这个项目经理不亲自干活。DeepSeek 甚至建议不给 Router 配终端工具,免得它忍不住亲自上手写代码,顾不上回消息。所以 Router 用轻量的模型就够了,最强的模型留给真正干活的 Worker。

项目经理不干活

整个系统是由事件驱动的,群里来了新消息、PR(代码合并请求)下面有人评论、代码的自动构建失败了,都会触发它开始工作。它会先用普通的程序规则过滤掉无关的消息,再让大模型判断剩下的内容值不值得处理。同一个工单的后续消息,会直接送到负责的 Worker 手上,不用再经过项目经理。

团队分工

Super-agent 更特别的地方在于,它是按「长期在线」来设计的。

所有的会话记录都存在数据库里,负责干活的云端环境就算出了故障,换一台新的接着干就行,记录一条都不会丢。就像靠谱的团队会把工作记录放进档案室,谁来接班都能接着干。

档案室

系统还配了一个 Watchdog(看门狗)定时巡查,它不光检查 Agent 还在不在运行,还会看任务有没有实际进展,免得任务卡住了也没人知道。

看门狗

你可能会问:前面讲的 Agent Teams 不也是一个组长带着一群 Agent 干活吗,这俩有什么区别?

Agent Teams 解决的是一个大任务怎么拆,组长要深入任务细节、频繁协调各个成员。Super-agent 解决的是很多个任务怎么分配,项目经理只管这条消息交给谁、几件事之间有没有关联,至于单个任务内部怎么拆,它不管。Worker 拿到任务后,还可以再派 Subagent,甚至自己组一个 Agent Team。

虽然目前 Super-agent 还只是 DeepSeek 开源的研究原型,并不是正式产品。不过类似的体验已经出现在一些 AI 工具里了,比如现在用 Cursor,AI 干活干到一半你随时发条消息,它马上就能处理,不用等它把手头的活干完。

我之前专门出过一期视频 《DeepSeek 新出的 Super Agent 是什么?》 详细拆解它,感兴趣的朋友可以去看看。

最后哔哔

回头看这 3 年,AI Agent 的发展其实一直围绕着两个问题:

  1. 怎么让 AI 把一件事干好?
  2. 怎么让 AI 像私人助理一样,一直在线、主动帮你办事?

直到 Super-agent 架构的提出,这两个问题才第一次在同一个架构里被一起解决。它既像一个项目团队,靠多个 Agent 分工协作、靠事件触发的循环自己找活干,把一堆任务都干好;又像一个私人助理,一直在线,在群聊、邮件这些渠道里随时响应你。

两个方向汇合

其实这些架构里的很多设计,都不是什么新发明,人类团队早就在用了。比如按流程干活、重要的事先请示领导、给新人准备工作手册、组建项目组、定好考核和值班制度。

AI Agent 的进化史,某种程度上就是人类把自己积累了几十年的团队管理经验,一点点教给 AI 的过程。

我们人类的角色也在跟着变。从一开始琢磨怎么写提示词,到给 AI 搭环境、设计循环,再到最后只负责拍板和验收。

写到这里已经 1 万多字了,我自己都有点恍惚。从只会陪你聊天的 AI,到 24 小时在线、能自己做任务的超级智能体,竟然才过了短短 3 年。

尤其是 2026 年这一年,Harness、Loop、OpenClaw、Personal Agent、Super-agent 一个接一个冒出来,进步快得有点离谱。

等这期内容发出来没多久,估计又有新架构冒出来了。。

正应了那句话:AI 时代,只要你学得足够晚,你就可以不用学。

不过只要你理解了每个架构到底在解决什么问题,下次再看到新名词,你也能很快理解它。

OK 就分享到这里,如果你想系统学习 AI 编程,也欢迎阅读我免费开源的 《Vibe Coding 零基础入门教程》,上千张图、几十万字,带你从 0 开始快速学会 AI 编程,做出自己的产品、跑通变现全流程,一次拿捏。

开源仓库:https://github.com/liyupi/ai-guide

鱼皮的 AI 编程教程

我是鱼皮,持续分享 AI 编程和 AI 前沿技术干货。觉得有用的话记得点赞收藏和关注~

相关文章
|
5天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
6858 15
|
5天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2293 8
|
8天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
8天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
3天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
21天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
10170 59
|
4天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1047 0
|
7天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。
|
15天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3482 9