2026 年 7 月初，“2026 中国 AI 智能体大会”在杭州举行。

从大会讨论的自进化智能体、Coding Agent、记忆系统、Agent Harness、安全治理和智能体基础设施等议题来看，行业关注的重点正在发生明显变化：

AI 的竞争焦点，正在从“模型能生成什么”，转向“智能体能够持续完成什么”。

过去几年，大模型应用主要围绕聊天框展开。用户提出一个问题，模型生成一段回答；用户提供一份内容，模型完成摘要、翻译、改写或者代码生成。

而现在，越来越多的 AI 系统开始围绕一个目标，连续完成多项工作：

理解目标 → 分析环境 → 制定计划 → 调用工具 → 观察结果 → 反馈调整 → 交付成果

这种从“回答问题”到“自主执行任务”的变化，正是 Agentic AI 受到关注的根本原因。

一、Agentic AI 到底是什么

Agentic AI 可以理解为一种强调目标驱动、自主决策和持续执行的 AI 应用形态。

普通大模型应用通常采用以下模式：

用户输入 → 模型处理 → 生成回答

这种模式适合文本生成、翻译、摘要、分类和简单问答。

但当任务包含多个步骤，需要查询外部数据、调用业务系统或者根据中间结果不断调整时，一次模型调用通常无法完成全部工作。

Agentic AI 会将模型放入一个持续执行的循环中：

理解目标
↓
分析上下文
↓
决定下一步行动
↓
调用工具或执行任务
↓
观察执行结果
↓
判断任务是否完成
未完成：继续规划和执行。
已完成：生成最终结果。

因此，Agent 不只是一个“能够调用工具的大模型”，而是一个由模型参与决策、由程序控制执行的动态系统。

二、为什么 Agentic AI 会在这一阶段集中爆发

Agent 的概念并不是最近才出现的。

早期的 AutoGPT、BabyAGI 等项目，也曾经引发过一轮智能体热潮。但当时的 Agent 普遍存在模型能力不足、工具调用不稳定、成本过高、容易陷入循环和难以完成长任务等问题。

当前这一轮 Agentic AI 热潮更加广泛，是因为几个关键条件正在同时成熟。

1. 模型开始具备更强的规划和行动能力

早期大模型更擅长生成语言，但对复杂任务规划、工具选择和错误修正的能力相对有限。

随着模型的推理、长上下文、代码生成、多模态和 Computer Use 能力不断增强，大模型已经开始具备参与真实任务执行的价值。

例如，一个 Coding Agent 可以：

• 阅读代码仓库；

• 定位相关模块；

• 制定修改计划；

• 修改多个文件；

• 执行编译和测试；

• 根据错误信息继续修复；

• 最终生成变更说明。

模型仍然可能理解错误、偏离目标或者做出错误判断，但它已经不再只是内容生成器，而是可以参与任务规划和执行的决策组件。

2. Function Calling 连接了模型与软件系统

一个只能输出文字的大模型，很难成为真正的智能体。

Function Calling 使模型能够生成结构化的工具调用请求，由应用程序执行真实操作，例如：

• searchDocuments(keyword)

• queryDatabase(sql)

• createCalendarEvent(event)

• executeCode(script)

• updateOrderStatus(orderId, status)

模型负责理解任务并决定需要做什么，程序负责参数校验、权限控制和可靠执行。

这种分工将模型的语言理解能力，与传统软件系统的确定性执行能力连接起来。

3. MCP、A2A 和 Skills 正在完善智能体生态

随着 Agent 接入的工具和系统越来越多，逐个开发专用连接方式会带来较高的集成成本。

因此，行业开始探索更加标准化的连接方式：

• MCP：连接工具、数据和外部资源；

• A2A：支持智能体之间发现、委托和协作；

• Agent Skills：将领域规则、工作步骤、模板和经验封装为可复用能力。

这些技术使 Agent 不再局限于一个聊天窗口，而是逐渐成为能够连接文件、数据库、业务系统、开发工具和其他智能体的执行节点。

4. Coding Agent 验证了 Agent 的实际价值

在当前的智能体应用中，软件开发是相对成熟的落地场景。

这是因为代码具有结构化、可检查和可回滚的特点：

• 编译器可以提供明确反馈；

• 单元测试可以验证结果；

• Git 可以记录和回滚修改；

• Lint 和类型检查可以发现错误；

• CI/CD 可以形成持续反馈闭环。

Coding Agent 证明了一个重要方向：

当任务能够被拆解，并且每一步都有明确反馈时，Agent 可以持续执行较长时间，并真正完成有价值的工作。

这种方法也可以扩展到文档处理、数据分析、企业办公和业务自动化等场景。

三、行业关注点已经从“能不能做”转向“能不能落地”

早期 Agent 项目更关注：

• 能不能调用工具；

• 能不能自动操作电脑；

• 能不能让多个 Agent 相互协作。

现在企业更关注：

• 能否长期稳定运行；

• 是否能够产生真实业务价值；

• Token 成本是否可以接受；

• 结果是否可以评估；

• 权限和安全是否可控；

• 失败以后能否恢复；

• 是否具备规模化部署能力。

这意味着 Agentic AI 已经开始从概念验证走向工程化落地。

一个演示级 Agent 可能只需要模型 API、几个工具函数和一个执行循环。

但一个生产级 Agent 还需要：

• 状态和任务管理；

• 长期记忆；

• 异步执行；

• Checkpoint 和失败恢复；

• 权限和人工审批；

• 日志与调用链追踪；

• 结果评估；

• 成本控制；

• 沙箱和安全隔离。

Agent 是否先进，不能只看它能够调用多少模型和工具，还要看它能否以合理的成本、安全并稳定地完成任务。

四、自进化为什么成为新的热点

根据本次大会内容，2026 年被一些从业者称为“自进化 Agent 落地元年”。

这里所说的自进化，并不意味着 Agent 可以脱离人工控制，无限制地修改自己。

在工程实践中，自进化通常表现为：

• 从历史任务中提取经验；

• 根据用户反馈调整后续行为；

• 自动更新记忆；

• 优化任务规划；

• 改进工具选择；

• 识别反复出现的失败模式；

• 更新 Prompt、Skill 或 Harness。

要实现这些能力，Agent 不能只依赖有限的上下文窗口，而需要独立的记忆系统。

记忆系统可以保存：

• 用户偏好；

• 项目背景；

• 任务历史；

• 成功经验；

• 失败案例；

• 工具使用记录；

• 阶段性任务摘要。

但记忆并不是越多越好。系统还需要判断：

• 什么信息值得保留；

• 哪些内容已经过期；

• 如何处理记忆冲突；

• 如何防止错误经验被持续放大；

• 进化后如何测试和回滚。

因此，自进化不仅是模型能力问题，也是记忆、评估、安全和版本治理问题。

五、Agent 落地面临的几个现实难题

1. 成本与效率

一个复杂 Agent 可能在单次任务中调用模型几十次。

理解目标、制定计划、选择工具、分析结果、反思修正和生成最终输出，都可能消耗 Token。

降低成本不能只依赖更便宜的模型，还需要优化整个系统：

• 动态选择上下文；

• 压缩历史消息；

• 缓存工具结果；

• 用小模型处理简单任务；

• 控制重试和反思次数；

• 将确定性逻辑交给普通程序；

• 避免多个 Agent 重复处理相同信息。

更加成熟的评价方式，不是看 Agent 使用了多少先进模型，而是看：

完成同一个任务，需要多少 Token、多少时间、多少人工介入和多少执行成本。

2. 安全与权限

普通聊天应用主要输出文字，而 Agent 可以执行操作。

当 Agent 能够访问企业文件、数据库、邮箱、代码仓库、浏览器和本地命令后，风险也会明显增加。

生产级系统不能让模型决定什么，程序就直接执行什么。

更加合理的过程应该是：

模型提出行动建议 → 系统校验身份、权限和参数 → 判断操作风险等级 → 必要时要求人工确认 → 在受控环境中执行 → 记录完整审计日志

Agent 越接近“数字员工”，就越需要明确身份、角色、权限和责任边界。

3. 场景与评估

企业建设 Agent 时，最难的问题往往不是选择哪个框架，而是确定：

哪些工作真正适合交给 Agent？

如果任务规则明确、流程固定，普通程序和工作流通常更加可靠。

Agent 更适合：

• 需要理解自然语言的任务；

• 需要处理大量非结构化信息；

• 执行路径无法完全提前确定；

• 需要根据中间结果动态调整；

• 需要在多个工具之间进行选择；

• 结果可以被程序或者人工验证。

同时，Agent 不能只根据最终回答是否“看起来不错”来评估。

还需要关注：

• 任务完成率；

• 事实正确率；

• 工具调用准确率；

• Token 消耗；

• 重试次数；

• 人工介入率；

• 安全违规率；

• 最终业务结果。

没有评估，就无法判断 Agent 是真正变好了，还是只是生成了不同的内容。

六、为什么 Agent Harness 越来越重要

在 Agent 入门阶段，人们通常使用以下表达：

Agent = Model + Tools

但这不足以描述一个生产级智能体。

Agent 真正运行时，还需要：

• 系统指令；

• 上下文管理；

• 记忆；

• 状态；

• 计划；

• Skills；

• 文件系统；

• 沙箱；

• 权限；

• 测试；

• 反馈；

• 可观测性。

因此，可以使用一个更加工程化的表达：

Agent = Model + Harness

模型负责理解、推理和生成。

Harness 则负责：

• 提供正确的上下文；

• 管理工具和执行环境；

• 保存任务状态；

• 建立运行循环；

• 限制模型行为；

• 检查执行结果；

• 支持失败恢复；

• 控制权限和成本；

• 记录完整运行轨迹。

同一个模型，放在不同的 Harness 中，最终表现可能存在明显差异。

可以说：

模型决定智能体能力的上限，Harness 决定这些能力能否被稳定、安全地发挥出来。

这也是 Agent Harness 成为当前智能体领域重要议题的原因。

七、Agent 会取代传统软件吗

随着 Agent 热潮升温，一种常见观点是：未来所有软件都会被 Agent 替代。

这种判断并不准确。

传统软件擅长：

• 精确计算；

• 固定规则；

• 数据存储；

• 事务处理；

• 权限控制；

• 稳定执行。

Agent 擅长：

• 理解自然语言；

• 处理非结构化信息；

• 根据目标动态规划；

• 在多个工具之间选择；

• 处理难以完全编码的判断。

未来更加现实的形态是二者结合：

用户提出目标 → Agent 理解、规划和协调 → 调用企业软件与业务服务 → 传统系统可靠执行 → Agent 检查结果并继续推进

Agent 不会让 API、数据库、工作流和业务系统失去价值。

相反，Agent 越普及，越需要底层软件提供标准接口、可靠执行、严格权限和完整审计。

八、传统开发人员为什么应该关注 Agentic AI

Agentic AI 的发展，并不意味着传统软件开发经验已经过时。

随着 Agent 进入生产环境，传统工程能力反而更加重要。

传统软件工程	Agent 系统
API	Tool
状态机	Agent Workflow
消息队列	异步 Agent 任务
数据库	记忆和状态存储
RBAC	Agent 工具权限
容器	Sandbox
分布式追踪	Agent Trace
单元测试	Agent 结果评估
工作流引擎	Agent 编排
规则引擎	Guardrails

真正复杂的 Agent 系统，核心问题并不只是 Prompt，而是状态、工具、数据、权限、异常、安全、评估和可维护性。

这些正是有经验的前后端开发人员和软件架构师所熟悉的领域。

九、应该如何看待当前的 Agent 热潮

面对 Agentic AI，需要避免两个极端。

第一个极端，是认为 Agent 只是聊天机器人换了一个名称。

随着模型、工具协议、记忆、Harness 和基础设施逐渐成熟，Agent 确实会进入越来越多真实业务流程。

第二个极端，是认为 Agent 已经可以替代所有软件和专业人员。

当前 Agent 仍然存在结果不稳定、长任务容易偏离、成本较高、安全风险扩大和评估困难等问题。

因此，一个更加合理的判断是：

Agentic AI 已经具备重要应用价值，但仍处于从能力突破走向工程成熟的阶段。

未来竞争的重点，不只是让 Agent 表现得更聪明，而是让它：

• 更可靠；

• 更便宜；

• 更安全；

• 更可控；

• 更容易评估；

• 更接近真实业务。

十、写在最后

Agentic AI 为什么突然火了？

不是因为行业突然创造了一个新的 AI 名词，而是因为多个长期积累的条件，在当前阶段集中成熟：

• 模型开始具备更强的推理和规划能力；

• Function Calling 连接了模型和真实软件；

• MCP、A2A 和 Skills 正在形成智能体生态；

• Coding Agent 验证了长任务执行的实际价值；

• 记忆系统开始支持经验积累和持续优化；

• Harness 让模型进入可控的工程环境；

• 企业开始关注任务完成率和投资回报；

• 基础设施开始围绕 Agent 工作负载重新设计。

过去的大模型应用主要回答：

你想知道什么？

Agentic AI 开始尝试回答：

你希望完成什么？

从回答问题到执行任务，从单次生成到持续运行，从聊天助手到数字工作成员，这就是 Agentic AI 当前受到关注的根本原因。

但 Agent 的真正价值，不在于它表现得多像一个人，而在于它能否在明确的权限和规则下，可靠地完成任务，并交付可以验证的实际结果。

上一篇回顾：

从大模型应用到 Agentic AI：智能体开发与 Harness 工程化系列开篇-CSDN博客

下一篇将进一步介绍：

AI Agent、Agentic AI、普通大模型应用和 AI Workflow，到底有什么区别？