文章核心观点 - AI智能体正从过去依赖确定性流程图逻辑的“类智能体”架构，向具备真正自主规划、工具使用和错误恢复能力的“智能体”架构演进 这一转变由大语言模型在上下文长度、任务轨迹训练、推理能力、基于结果的强化学习、标准化工具连接以及持久会话部署等方面的进步驱动[1][2][3] - 智能体自主性正在编码、研究和计算机使用等输出可验证的领域率先实现 而在金融运营、供应链和客户服务等流程繁重的企业领域 类智能体架构仍是主流生产模式 过渡将更缓慢[8] - 企业架构的设计问题正在从“如何将流程接入AI工作流”转变为“结果的哪些部分需要确定性 哪些需要自适应认知 以及何种治理能覆盖两者” 这本质上是一个运营模式问题[7] AI模型与运行时能力的演进 - 上下文窗口显著扩大 从4K-8K令牌发展到128K至100万+令牌 使模型能在工作记忆中容纳更多代码、文档或对话状态 减轻了旧系统对检索管道、分块逻辑和外部内存解决方案的压力[3] - 领先模型越来越多地在任务轨迹上进行训练 包括人类跨应用完成真实任务时的截图、点击和按键序列 并针对跨工具、界面和中间决策的多步骤交互等更复杂的任务轨迹进行优化 这提升了其在陌生环境中导航和从失败中恢复的能力[3] - 推理已成为一种经过训练的能力 OpenAI的o系列和DeepSeek R1等模型在推理时分配计算资源以生成内部推理链 从而能够将目标分解为子目标、评估多种策略并自行回溯 将原本编码在流程图中的规划逻辑内化[3] - 强化学习现在奖励结果 当前的方法通过可验证奖励的强化学习奖励模型达到正确结果 例如通过测试的代码或满足外部检查的答案 模型学习何时使用工具以及当工具返回意外结果时如何恢复 取代了类智能体系统外部构建的确定性重试逻辑[3] 行业架构与编排模式的转变 - 标准化工具连接范式正在减少集成摩擦 模型上下文协议为模型提供了运行时向模型暴露工具和数据的通用接口 允许工具接口被定义和外部化 而不是将每个集成硬编码到工作流定义或编排层中[3] - 部署正从无状态轮次转向持久的智能体会话 模型现在能够原生地进行规划、使用工具和从错误中恢复 因此可以在安全虚拟浏览器、Docker沙箱或桌面环境等托管运行时中维持长时间运行 减少外部必须施加的逐步执行逻辑[3] - 编排层本身正在发生变化 供应商正在将协调与认知解耦 例如UiPath基于Temporal通用执行引擎构建其智能体编排产品Maestro 这意味着旧的编排编码了工作逻辑 而新的编排越来越多地提供持久的协调 由智能体处理认知[8] - 流程知识正与执行逻辑分离 类智能体模型中 流程知识以流程图形式存在 知识和执行逻辑是同一产物 而新的模式如AGENTS.md将流程知识外部化为声明性上下文 智能体在运行时读取这些约束并决定如何安排工作顺序[8] 企业控制与治理模式的更新 - 在更智能化的模型中 当智能体在运行时进行规划、动态选择工具并随时调整路径时 控制不能依赖于预定义的序列 治理必须与执行分离 并通过策略执行、运行时监督和跨平台可见性独立应用[6] - 流程图对行为的决定作用越小 企业就越需要一个独立的智能体控制平面[6]