【AI研究所】谷歌刚刚发布11月最新Agents白皮书,从预测式AI到自主智能体,智能体发展五个层级

新闻

作者：微信文章
谷歌2025年11月刚刚发布的Agents白皮书《Introduction to Agents》，无疑为通用人工智能（AGI）的路径探索提供了前瞻性的架构性思考。该白皮书的核心在于描绘了从传统预测式AI向自主智能体（Autonomous Agents）的范式迁移，强调了Agent在复杂多步骤任务处理中的自主规划与执行能力，并提出了一个分层的能力发展模型。





传统预测式AI系统通常基于预训练模型对输入进行映射预测，其任务执行边界由明确的API调用或固定的决策树所限定。而自主智能体的核心突破在于其实现了“目标驱动的闭环控制”，即在无需人类每一步具体指令的条件下，能够自主地制定计划、采取行动并动态调整以追求预设目标。这得益于大型语言模型（LLMs）在推理（Reasoning）能力上的显著增强，使其得以从单纯的模式识别器演进为具备规划（Planning）和执行（Execution）能力的智能实体。

白皮书详细阐述了自主智能体在任务执行中的五步核心流程：

1、任务接收与场景理解

Task Reception & Context Understanding

Agent首先接收高级别任务指令，并结合对当前环境、上下文信息的深入分析，基于内嵌的知识图谱或外部数据进行推理，构建任务的初始表征与潜在解空间。

2、推理与规划

Reasoning & Planning

基于场景理解，Agent利用LLM的强大推理能力，将复杂任务分解为一系列可执行的子任务，并构建一个多步行动序列，即生成具体的执行计划。这一过程可能涉及启发式搜索、基于效用的决策等。



3、工具调用与操作执行

Tool Invocation & Operation Execution

Agent将规划的行动转化为对外部工具（如RESTful APIs、Web Search Engines、Database Queries、Code Interpreters等）的具体调用和操作。这是将抽象规划转化为具象行动的关键环节。

4、观察与反馈

Observation & Feedback

Agent执行操作后，会实时捕获环境反馈（Observation），评估行动结果与预期目标之间的偏差。这种反馈机制是实现闭环控制的基石。

5、持续改进与迭代

Continuous Improvement & Iteration

基于观察到的反馈，Agent会重新评估当前状态和计划的有效性，并在必要时对计划进行修正、优化甚至重新规划。这种迭代循环是自主智能体适应动态环境、处理不确定性的核心能力。



为了更系统地理解自主智能体能力的演进，白皮书提出了一个五层级发展模型：

L0：核心推理系统（Core Reasoning System）——语言模型（LLM）

处于最底层，是Agent的认知基石。LLM提供基础的语言理解、生成、解释和少样本推理能力。其本质上是一个强大的模式匹配和生成器，能够从海量数据中学习到复杂的语义关联。

L1：工具连接问题求解者（Tool-Connected Problem Solver）

在L0基础上，Agent获得了调用外部工具的能力。通过集成外部API、搜索引擎、数据库接口等，LLM能够突破其自身知识边界，获取实时信息或执行特定计算，从而解决更广泛的问题。这一层级标志着LLM从纯粹的“文本处理器”向“功能执行器”的转变。

L2：策略问题求解者（Strategic Problem Solver）

这一层级的Agent不仅能调用工具，更具备复杂的任务规划、多步推理以及上下文管理（Context Management）能力。白皮书强调的“上下文工程（Context Engineering）”在此发挥关键作用，Agent能够维护任务的长期记忆、管理对话历史和执行状态，确保在复杂任务中保持一致性和连贯性。这使得Agent能够执行更深层次的策略性思考和决策。

L3：协作型多智能体系统（Collaborative Multi-Agent System）

在L2能力之上，Agent系统实现了分布式智能与组织结构化。一个中央的“项目管理智能体”负责协调多个专职智能体（例如，研究Agent、编程Agent、市场Agent等）。每个专职Agent专注于特定领域任务，通过内部通信和协调机制，共同完成超大规模、高复杂度的综合任务。这体现了Agent在复杂系统中的宏观协调与任务分解能力。

L4：自进化智能体（Self-Evolving Agent）

这是Agent能力的终极形态。L4 Agent不仅能完成给定任务，更具备元学习（Meta-Learning）、自我反思（Self-Reflection）与自主优化（Self-Optimization）能力。它能分析自身性能缺陷，从经验中学习新知识，调整内部决策逻辑，甚至自主创建新的目标和方法。这一层级标志着Agent具备了持续的、无需人类直接干预的自我改进与能力提升能力，向真正的通用人工智能迈出了关键一步。



谷歌的这份白皮书不仅是对当前Agent技术栈的系统性梳理，更是对未来AGI发展路径的具象化展望。它预示着AI将从被动响应的工具，演变为能够自主学习、规划与执行的智能实体，这对软件工程、自动化、人机交互乃至整个社会生态都将产生深远影响。理解这些层级与机制，对于从业者把握未来AI发展脉络，构建更具鲁棒性与智能化的Agent系统至关重要。

发送【谷歌白皮书】领取《introduction to Agent》谷歌智能体白皮书