前瞻科技
| 科技洞察 2026, 5(1): 121-131
全球智能体的发展、挑战与建议
全屏
全屏
作者信息
- 1中国电子信息产业发展研究院(赛迪研究院), 北京 100081
王宇霞，博士，副研究员。中国电子信息产业发展研究院数字经济首席研究员，信息化与软件产业研究所人工智能产业研究室主任。主要从事人工智能相关领域产业研究、行业分析、政策规划、前沿技术跟踪等研究。主持或参与工业和信息化部、国家互联网信息办公室、国家发展和改革委员会及地方政府委托的人工智能相关课题30余项，参与撰写学术专著6部，编制研究报告20余份，发表论文30余篇。电子信箱：wangyuxia@ccidthinktank.com
刘丽超，博士，副研究员。信息化与软件产业研究所人工智能产业研究室副主任。主要从事人工智能、数字经济相关领域研究。电子信箱：liulc@ccidthinktank.com
Developments, Challenges and Countermeasures of Global Intelligent Agents
Affiliations
- 1China Center for Information Industry Development, Beijing 100081, China
出版时间: 2026-03-20
doi: 10.3981/j.issn.2097-0781.20260001
文章导航
摘要
收起
智能体是以大模型为核心驱动，具备感知、学习、适应、决策、执行能力的智能系统，是推动人工智能从以大模型为代表的生成式人工智能迈向代理式人工智能的主导产品形态，是人工智能落地应用的战略必争领域。当前，智能体在全球范围内快速兴起，不仅深刻改变了软件产业发展范式，更为实体经济转型提供了新动能。文章旨在系统阐述智能体概念内涵的演进历程，深入分析全球智能体技术研发和应用创新的最新进展，客观梳理智能体发展面临的技术、应用、生态等多重挑战，并从推动技术创新、深化融合应用、完善标准体系、加强人才培养、完善治理体系、优化发展环境等维度提出对策建议。
智能体
/
代理式人工智能
/
新动能
An intelligent agent is an intelligent system driven by large models (LMs) as its core, capable of perception, learning, adaptation, decision-making, and execution. As a primary product paradigm, it advances artificial intelligence (AI) from generative AI represented by LMs to agentic AI, and represents a strategic competitive field for the real-world application of AI. Currently, intelligent agents are rapidly emerging worldwide, not only profoundly transforming the development paradigm of the software industry but also providing new drivting forces for the transformation of the real economy. This paper aims to systematically expound the evolution of the concept and connotation of intelligent agents, conduct in-depth analysis of the latest progress in research and development as well as application and innovation of global intelligent agent technology, and objectively review multiple challenges facing the development of global intelligent agents in terms of technology, applications, and the ecosystem. Additionally, systematic countermeasures and suggestions are proposed from the perspectives of promoting technological innovation, deepening integrated applications, improving the standard system, strengthening talent cultivation, improving governance systems, and optimizing the development environment.
intelligent agents
/
agentic AI
/
new drivting forces
王宇霞, 刘丽超.
全球智能体的发展、挑战与建议.
前瞻科技,
2026
, 5
(1)
: 121
-131
.
DOI: 10.3981/j.issn.2097-0781.20260001
Yuxia WANG, Lichao LIU.
Developments, Challenges and Countermeasures of Global Intelligent Agents[J].
Science and Technology Foresight,
2026
, 5
(1)
: 121
-131
.
DOI: 10.3981/j.issn.2097-0781.20260001
正文
收起
当前，人工智能的发展正迎来一个关键性跃升，它不再仅仅是响应人类指令的被动“工具”，而是开始进化为能够主动理解意图、自主规划并执行任务的数字“行动者”——智能体（Agent）。作为代理式人工智能（Agentic AI）时代的核心体现，智能体的崛起并非简单的技术迭代，而是一场深刻的范式革命。它预示着软件的本质正从静态的应用程序转变为动态的任务伙伴，人类与数字世界的交互逻辑将被彻底改写。这种从“能说会道”的对话伙伴到“能思会干”的行动主体的转变，标志着人工智能在自主性与实用性上的质的飞跃，预示着一个由无数智能体协同共生的全新数字生态的到来。在这一关键发展时期，全面梳理智能体的技术脉络，深刻洞悉其应用前景，并前瞻性地研判其带来的多维度挑战，对于把握发展主动权、构建健康可持续的产业生态至关重要。
1 概念内涵的演进历程
收起
智能体的概念可追溯至20世纪80年代。1986年，马文·明斯基（Marvin Minsky）在其著作《心智社会》（The Society of Mind）中[1]，首次系统性地阐述了“智能体”思想，并将其引入人工智能的研究领域。此举激发了学界的广泛研究，但因缺乏统一标准，导致概念定义的日益多样与混淆。为应对这一问题，Michael Wooldridge与Nicholas R. Jennings于1995年发表了经典论文《Intelligent agents: Theory and practice》[2]，给出了一个被广泛接受的智能体定义，并明确了其核心特性，如自主性、反应性、主动性和社会性，为智能体研究划定了清晰的理论边界，奠定了该领域后续发展的基础。
1.1 智能体演进历程
（1）符号智能体阶段，主要使用逻辑规则和符号表示对知识进行封装并推动推理进程。20世纪80年代兴起的基于知识的专家系统是典型代表案例，这类系统在医疗诊断、财务分析等领域展现了智能体在特定任务中的实用价值。
（2）反应式智能体阶段，主要关注智能体与环境之间的交互，能够快速感知环境并作出反应。这类智能体的设计优先考虑直接的输入输出映射，而非复杂的推理与符号操作。1999年，索尼有限公司推出的AIBO娱乐机器人是此类智能体在消费电子领域的早期应用，展现了智能体在日常生活和休闲互动中的应用前景。
（3）基于强化学习的智能体阶段，主要关注使智能体通过与环境交互优化决策过程。在这一阶段，智能体能够从高维输入中学习复杂的策略，并取得许多重大成果。例如，2011年，IBM公司研发的Watson智能体在“危险边缘”问答比赛中战胜人类冠军；2016年，谷歌公司研发的AlphaGo智能体战胜围棋世界冠军李世石。这一系列里程碑事件，展示了智能体在复杂环境中不断提升的决策能力。
（4）具有迁移学习和元学习能力的智能体阶段，主要关注提高智能体在新任务方面的学习效率与泛化能力，降低对大量训练样本的依赖。2020年，DeepMind公司推出的AlphaFold 2在蛋白质结构预测领域的重大突破是这一阶段的标志性成果。
（5）基于大语言模型的智能体阶段，将大语言模型作为智能体大脑或控制器的核心组件，并借助多模态感知技术和工具使用等多样化策略显著扩展感知范围和行动空间。2023年，AutoGPT的出现进一步提升了智能体的自主性和任务执行能力，推动智能体向更通用化的方向演进。
1.2 智能体分类
（1）按照产品形态划分，包括“硬智能体”和“软智能体”两类。“硬智能体”指具备物理实体的产品，包括具身智能、自动驾驶等；“软智能体”指数字世界的软件实体，是未来数字生态的神经中枢，也是“硬智能体”的核心驱动。
（2）按照智能体作出决策的依据划分，包括确定性和非确定性两类[4]。确定性智能体是基于固定规则和逻辑运行，结果可预测；非确定性智能体是基于数据驱动，具有灵活的适应性。
（3）按照智能体作出决策的过程划分，包括简单反射、基于模型反射、基于目标、基于效用、学习型5类[5]。简单反射智能体不考虑过去经验，直接根据规则作出反应；基于模型反射的智能体根据历史数据和模型规则共同作出决策；基于目标的智能体以最大化未来目标为依据作出决策；基于效用的智能体可以在目标相互冲突或不确定的复杂环境中作出决策；学习型智能体能够根据当前知识选择行动策略，并通过观察行动结果对自身进行优化。
（5）按照功能定位与应用场景划分，包括智能助理、感知交互、仿真、安全、协作等多种类型[8]。
（6）按照智能体数量与协作能力划分，包括单智能体系统、多智能体系统、人类与智能体协作3类[3]。单智能体系统侧重于独立运作与自主决策，适用于执行明确任务并实现单一目标的应用场景；多智能体系统以智能体协同与信息交互为核心特征，通过集体智能解决单体智能难以应对的复杂问题，即群体智能；人类与智能体协作将人类认知与机器能力有机结合，构建从工具使用到伙伴协作的多层次交互模式。
1.3 智能体内涵发展
1.3.1 当代智能体主要指以大模型为基础的智能系统
（1） 当代智能体是人工智能新发展阶段的重要产品形态。英伟达公司首席执行官黄仁勋认为，人工智能发展可以分为4个阶段。一是感知式人工智能，以图像识别等为代表，具备能看能听的能力，但不具备思考能力；二是生成式人工智能，以大模型为代表，会思考能写作，但是不具备使用工具的能力；三是代理式人工智能，以智能体为代表，能分解任务、自主决策并执行任务；四是物理式人工智能，以具身智能为代表，是智能体与机器人的结合，能够改造物理世界。当前人工智能正在经历一个新的拐点，正在从生成式迈向代理式阶段，智能体是新发展阶段的重要产品形态。
（2）当代智能体是大模型之上能力更强的系统。大模型擅长知识处理和语言交互，是一种被动响应输入，智能体则拥有自主思考和调用工具的能力，能实现端到端的问题解决。具体来看，从功能定位方面，大模型以内容生成及理解为核心能力，而智能体以任务完成为目标，具备规划和执行能力；从模型结构方面，大模型为神经网络架构，智能体则是多组件系统，包括感知器、大模型、工具、记忆组件、规划器等[9]；从自主性方面，大模型为被动响应输入，无主动决策能力，智能体可主动规划、迭代、调用工具；从应用场景方面，大模型适用于问答、写作等生成式服务，智能体可解决一站式智能助手等复杂问题或端到端问题。综合来看，智能体能力不再局限于大模型的被动响应人类指令，而是可以理解人类意图、自动分解任务、作出决策并寻找可用工具执行任务，推动人工智能从只会回答问题的“做题家”升级为能够解决问题的“项目经理”，能力发生飞跃质变。
1.3.2 当代智能体是下一代软件演进跃迁的新方向
智能体的核心软件属性既延续了传统软件的本质特征，又通过智能化实现能力跃迁，代表了下一代软件变革演进的新方向、新形态。
（1）智能体的软件属性不变，其本质是由代码构成的可执行程序的延续升级。智能体通过自主决策系统和动态适应能力，将软件从“工具属性”升级为“伙伴属性”，但其代码驱动、可执行、可管理的软件本质属性未变。从代码驱动的一致性看，智能体的大模型推理、强化学习策略等核心决策模块本质上是动态代码的集合，应用程序编程接口（API）、数据库等工具调用仍依赖于软件接口规范；从运行环境的一致性看，智能体需部署在服务器、云端或边缘设备，依赖操作系统、容器化技术，与传统软件的运行环境兼容，如谷歌公司云平台、亚马逊公司云服务、微软公司Azure云平台提供各种云计算服务，用于构建和部署智能体；从部署运维的一致性看，智能体遵循“需求分析→设计→编码→测试→部署→运维”的软件开发流程，依赖软件开发相关的版本控制、测试、监控等工具提升开发效率、保证质量。
（2）智能体推动软件的用户从人变为智能体，从而推动软件向原子化、个性化、智能体友好转变。过去软件面向的用户群体是人，界面的易用性、功能的完备性是争夺用户的核心要素，但正因为功能设置过于烦琐，加上需要人通过点击等操作方式来使用特定功能，造成诸多“隐藏产品”和“隐藏功能”出现。Compass Lexecon 2025年的报告数据表明，微软公司应用商店现有超过80万个应用程序（App）[10]，但“搜索难”“选择难”问题一直存在。智能体能够有效解决上述问题，其进行任务规划、调用和使用工具的能力能够帮助用户完成“选软件−手动操作软件”的整个过程，用户仅需在聊天界面中用自然语言描述需求，智能体就能自动执行任务。这表明，用户与软件之间将产生隔离，软件的用户将从用户端转移到智能体，“运行哪款软件”将交由智能体判断，软件特别是工具软件的生态将迎来重构，有可能转变为智能体的功能插件或数据源，从一体化转向原子化、从人类友好转向智能体友好将是工具软件的演进趋势。
（3）智能体推动软件形态由“静态”变为“动态”，从而改变软件的生产范式。过去软件的开发是通过人总结经验并将其转化为机器能够理解的代码，其运行规则是既定的，任务执行只能依据既有的规则进行机械化响应，每次功能更新均需要对软件进行重新开发。智能体依托大模型的“思考”和“学习”能力，克服了传统软件规则僵化、响应机械、升级困难的局限。人类向智能体下达任务指令后，智能体能够依据任务要求自适应调用功能、工具甚至自主编写代码来完成指定任务，如在金融分析中，Manus智能体可以自主制定搜索方案、抓取数据信息、编写Python分析脚本并生成可视化图表。另外，智能体凭借自主学习能力还能实现自成长、自演进。例如，借助强化学习算法，人工智能软件工程师Devin每周的编程能力迭代提升幅度达15%，目前已精通12种主流编程语言，熟练使用300+开发框架。在代码质量评测中，智能体生成代码的稳定性和可维护性得分比初级程序员平均水平高出37%。未来，智能体将同时扮演软件本体、软件使用者及软件设计者、编写者、修改者等多重角色。软件的生产模式将从人类学习掌握机器语言进而完成软件开发的模式转变为智能体按照人类需求完成软件功能扩展和迭代的模式。
（4）智能体推动软件由“孤岛”走向“互联”，从而改变软件的商业模式。与传统软件作为独立工具、彼此无法相互调用不同，智能体具备调用外部软硬件工具的能力。智能体既可以在数字环境中调用各种软件接口，如数据分析、图像生成、办公套件等，也可以通过物联网（IoT）协议获取空间感知、环境适应和实时反馈功能，并控制物理设备，如机械臂、汽车等，形成虚实结合的任务执行能力。此外，通过多个独立智能体之间的职能划分和协同合作来处理复杂任务的多智能体网络系统，使得智能体生态具有极强的可扩展性，如同一个自组织系统持续演化，可以突破单一软件在任务类型和应用场景上的限制。例如，阿里云计算有限公司发布的智能编程助手通义灵码2.0，通过规划、搜索、生成、单测、调试等多智能体框架来处理复杂的软件开发任务。在智能体互联互通特性的支撑下，用户逐渐无需在多个软件产品或软件即服务（SaaS）产品间进行切换，“订阅多个独立软件或SaaS”可能转变为“订阅一个通用智能体”。这将推动过去按工具使用收费模式向按任务量收费模式的转变。
2 技术研发和应用创新进展
收起
全球智能体快速兴起，科技巨头纷纷加大技术研发和应用创新布局力度，市场预期乐观向好。英伟达公司首席执行官黄仁勋称，智能体可能是下一个机器人产业，蕴藏着价值数万亿美元的机会。未来，每家公司的信息技术（IT）部门都将成为智能体的“人力资源部”。据Gartner公司预测，至2028年，将有33%的企业软件应用程序包含智能体，至少15%的日常工作决策将通过智能体自主作出[11]。凯捷（Capgemini）公司报告指出，82%的组织计划到2026年整合智能体，主要用于电子邮件生成、编码和数据分析等任务[12]。国际著名市场研究机构Markets and Markets发布报告显示，AI智能体的市场规模将从2025年的78.4亿美元增长到2030年的526.2亿美元，年均复合增长率46.3%[13]。
2.1 技术研发持续突破
1）大模型技术持续迭代升级
大模型是当代智能体的核心驱动，是智能体具备自主规划、自主决策、自主学习能力的关键组成。自2022年OpenAI公司发布ChatGPT以来，全球大模型发展进入技术加速进化、能力集中涌现、应用加快普及、创新群体突破交织叠加的“四阶并进”时期。和讯网数据显示，2024年8月—2025年7月，ChatGPT访问量接近466亿次，同比增长106%；OpenAI官方数据显示，截至2026年2月，ChatGPT的周活跃用户已达到9亿。2025世界人工智能大会数据显示，各国发布大语言模型突破3 000个。斯坦福大学《2025年人工智能指数报告》[14]显示，大模型基准性能近年来显著提升，在MMMU、GPQA、SWE-bench 3个基准测试集上，2024年大模型相比2023年得分分别提升18.8、48.9、67.3个百分点。在SWE-bench上，AI编程问题解决率由2023年的4.4%升至2024年的71.7%，实现了惊人跃迁。各国纷纷加大大模型布局力度，推动大模型进入应用成本和门槛双重降低、技术水平和成熟度双重提升的阶段。美国OpenAI公司相继发布ChatGPT、Sora、o1、o3等标志性技术产品，引领全球大模型技术的里程碑式创新，Anthropic公司、谷歌公司、Meta公司、xAI公司等也加速跟进。中国杭州深度求索人工智能基础技术研究有限公司（DeepSeek）推出DeepSeek-V3和DeepSeek-R1模型，实现大模型训练成本和推理能力双提升，模型能力达到国际领先水平，工程化水平得到全球广泛认可，开辟了大模型发展的新路径。随着OpenAI o1和DeepSeek-R1的推出，大模型逐步从重训练向重推理转变，思维链（Chain of Thought，CoT）技术成为推理模型的关键。思维链技术是智能体任务分解的关键，其可以模拟人类思考过程，将任务指令分解成多个可具体执行的子任务，逐步开展假设、演绎、反思、纠错等步骤，显著提升了模型的逻辑推理能力。
2）智能体开发平台与工具快速涌现
智能体开发平台与工具是承担推动智能体技术创新和应用落地的关键角色，为智能体设计、训练、测试和部署提供系统化、模块化支持，目前正加速构建和完善。微软公司官方数据显示，微软公司推出Copilot Studio平台支持企业自建智能体，截至2025年4月，已有超过 16万家企业使用该平台构建专属智能体，每月发送消息量超过2.51亿条；谷歌公司推出Vertex AI Agent Builder，为企业提供无代码/低代码智能体开发平台；Oracle公司推出AI Agent Studio平台，使企业在安全合规的前提下，灵活构建智能体并嵌入核心业务流程；英伟达公司推出智能体协同开源工具组件 Agent Intelligence Toolkit，优化智能体运行效率。中国阿里巴巴集团、字节跳动有限公司、百度公司、腾讯控股有限公司、科大讯飞股份有限公司等也纷纷推出智能体开发平台。其中，百度公司文心智能体平台允许开发者通过零代码/低代码的方式，利用自然语言交互快速创建智能体，截至2024年11月，该平台已累计汇聚15万家企业及80万名开发者，分发量较2024年初上涨16倍。
3）通信协议标准化加速推进
互联互通是智能体区别于传统软件的核心特性。通过多个智能体的相互连接，构建起一个多智能体协作网络，而通信协议则是实现互联互通的关键保障，目前已实现重要突破（表1）。例如，2024年11月，Anthropic公司推出模型上下文协议（MCP）[15]，MCP打破了模型链接外部资源的信息孤岛，简化了集成流程，被比喻为“AI领域的USB-C接口”。腾讯控股有限公司数据显示，截至2025年2月，已有1 000多个社区构建并对外提供MCP服务器服务，OpenAI公司等美国企业及华为技术有限公司等中国企业均已在其产品中集成使用。2025年4月，谷歌公司联合Oracle公司、德勤全球有限公司、Salesforce公司等超50家技术合作伙伴和服务商推出Agent2Agent（A2A）开放协议[16]，旨在为不同框架、供应商构建的智能体提供标准化通信机制，实现跨平台的无缝协同。A2A协议实现了与MCP的互补，可有效助力构建多智能体团队处理复杂工作任务。此外，中国ANP开源技术社区推出智能体互联通信协议（ANP），并在GitHub平台开源。ANP采用点对点（P2P）思路，基于去中心化标识符（W3C DID）标准实现智能体身份管理，形成去中心化协作网络。
2.2 应用创新蓬勃发展
当前，手机、电脑等端侧设备厂商及大模型厂商、智能体创新企业纷纷面向消费级应用和企业级应用推出一系列智能体产品，应用场景逐步拓展。
1）消费级智能体
聚焦手机、电脑等终端使用，具备网页浏览及操作、报告撰写等功能的智能体正加速涌现（表2）。在手机智能助手方面，苹果公司通过接入OpenAI公司的ChatGPT等大模型将手机助手Siri升级为智能体，华为技术有限公司、小米集团等手机厂商也纷纷将语音助手升级为智能体。此外，智谱人工智能科技有限公司发布智能体系列产品，面向手机端的AutoGLM，兼容抖音、微博、饿了么、京东、拼多多等热门App，并具备跨App操作能力。在计算机助手方面，微软公司推出Windows Copilot，打造用户与应用软件的智能交互新入口，推动用户使用应用软件的方式由传统的适应学习转变为自然语言驱动。智能体创新企业Monica公司推出智能体Manus，能够直接控制电脑，完成报告编写、简历筛选等任务。
2）企业级智能体
行业通用工具类和面向特定行业类“一纵一横”两类智能体加速发展。从纵向看，办公、管理等行业通用工具类智能体不断推出。微软公司、Salesforce公司等美国软件巨头依托前期积累，重点发力行业管理智能体并迎来高增长。据微软公司2024年10月发布的信息，其在Dynamics 365平台中集成了10个销售、运营、服务类自主智能体，为企业用户节约大量时间和运营成本。例如，美国电信企业Lumen科技公司通过运用微软公司智能体每年节约5 000万美元的成本，相当于新增了187名全职员工的效能；麦肯锡公司借助自动化的流程分配智能体，将项目受理流程从20天压缩至仅2天。管理软件厂商Salesforce将智能体与客户管理软件融合打造Agentforce平台，允许企业按需创建客户服务、销售、数据分析等智能体。截至2025年5月，Agentforce及其相关智能体已在超过 5 000 家机构部署，其中约 3 000 家采用付费版本。中国金山软件有限公司、金蝶国际软件集团有限公司、用友网络科技股份有限公司等企业也纷纷推出办公辅助、人力资源智能体产品，但国际知名度较低。从横向看，行业智能体产品不断丰富。软件工程领域，美国Cognition AI公司推出人工智能软件工程师Devin推动软件工程全流程智能化。金融领域，招商银行推出“掌上生活优惠”“财富看点”两款智能体，为用户提供优惠查询、办卡指南、行情分析、资产配置建议等个性化服务。教育领域，字节跳动有限公司推出“豆包爱学”，可协助学生和教师进行智能解题、作业批改。
3 面临挑战
收起
3.1 底层技术瓶颈
（1）算法性能有待优化。现有算法在面对复杂应用场景时表现欠佳，稳定性有待加强，智能体基准测试环境OSWorld-Verified的测试数据显示，当设置最大操作步数为15步时，OpenAI公司开发的OpenCUA智能体仅能达到26%的任务成功率。
（2）高质量数据获取难。训练高性能的智能体通常需要大规模、高质量、多样性丰富的标注数据。然而，这类数据获取成本高昂，标注过程耗时费力且易出错。许多行业存在“数据孤岛”现象，数据分散在不同部门或系统中，难以整合利用。
（3）高性能算力资源相对紧缺。相比传统大模型，推理导向的应用对计算资源的消耗更加巨大。随着智能体应用边界的持续扩展，推理算力的需求呈现爆发式增长态势，对算力的执行效率和响应速度提出更为严苛的要求。
3.2 实际部署困境
智能体的商业化应用和大规模部署仍处于初期探索阶段，主要困难集中在决策质量不稳定、跨场景协作能力不足等问题。
（1）决策质量不稳定。当前许多智能体以大语言模型作为核心认知引擎。然而，大模型固有的“幻觉”问题，导致智能体输出结果的可靠性难以保证，质量难以稳定控制。尤其在高精度和高可靠性的应用场景中，一旦智能体输出错误决策，恐导致系统性问题，甚至产生不可修复的损失。如在医疗领域，智能体承担辅助诊断、疾病预测和个性化治疗等关键任务，其决策失误可能直接危害患者健康甚至生命，并可能引发对整个医疗AI技术体系的信任危机。
（2）跨场景协作能力不足。现有智能体大多只能在特定工作环节中发挥作用，缺乏灵活调配和自主决策的综合能力，影响了其在自主驾驶、复杂任务规划等多元化、融合性场景中的适用性。
3.3 产业生态挑战
（1）隐私泄露风险。智能体为用户提供个性化、智能化服务的过程中，不可避免地需要接触和处理大量数据，其中不乏个人敏感信息和企业核心机密。智能体日益增强的自主决策能力和与外部环境API、数据库系统等的交互能力，使其在某种程度上成为数据系统中的“特权访问者”，带来了前所未有的隐私泄露风险。
（2）算法偏见隐患。智能体决策行为高度依赖训练数据和底层算法设计，其自主学习和强化训练过程可能会将训练数据中存在的隐性偏见进一步放大，从而加剧社会公平问题，导致在关键应用领域产生歧视性后果。此外，智能体作为未来软件应用的实际操控者，在软件产品选择方面拥有较大的话语权。一旦智能体开发商将不公平竞争规则内置于智能体系统中，势必会对软件市场的公平选择机制造成干扰。
（3）责任归属界定难。智能体具备高度自主的决策能力，当智能体的行为导致损失时，极大增加了在开发者、部署者、使用者等多元主体之间清晰界定并分配责任的难度。
4 对策建议
收起
对照全球发展情况，结合中国实际，建议充分发挥新型举国体制优势，统筹推进技术创新、应用推广、标准制定、人才培养等各项工作，为加快推动中国智能体发展创造良好条件。
4.1 加强核心技术攻关，构建开放协同创新生态
加强智能体关键技术研发，支持高校院所和企业围绕智能体核心算法、架构设计、记忆与学习机制、多智能体协作等开展技术攻关，着力提升智能体在复杂动态环境下的决策稳定性与任务成功率，突破算法性能瓶颈。促进智能体开源创新发展，鼓励建设开源技术社区和代码仓库，推动智能体相关工具、框架、模型的开源共享，并构建开放的智能体评测基准与排行榜，形成“以赛促研”的良性竞争氛围，降低技术应用门槛。完善技术创新支持政策，通过科技计划项目、创新基金等方式，加大对智能体技术研发的资金投入和政策支持力度。
4.2 加速行业融合赋能，构建应用推广与成效评价体系
推进智能体在重点行业的应用示范，在制造、金融、教育、医疗等重点行业开展智能体应用试点，尤其是在对决策可靠性与安全性要求极高的场景，探索建立“人机回路”的融合工作模式，以规避“幻觉”等问题带来的潜在风险，探索智能体与传统业务的深度融合模式。建立智能体应用推广机制，组织开展智能体技术交流、产品展示、供需对接等活动，促进智能体技术成果的转化应用。完善智能体应用效果评价机制，建立涵盖技术先进性、应用成熟度、经济效益等多维度的评价指标体系，并重点关注其决策的可靠性、可解释性和安全性，确保应用成效可量化、可追溯。
4.3 健全技术与评测标准，推动标准体系宣贯落地
制定智能体技术标准，围绕智能体架构、接口、数据格式、多智能体通信协议等技术要素，研究制定相关技术标准和规范，为智能体产品开发和应用提供技术指引。建立智能体评估评测标准，制定智能体性能评价、安全评估、能力测试等标准体系，并建立针对“幻觉”问题、算法偏见、鲁棒性等关键风险的评测方法与指标，为智能体产品质量评价和应用选择提供科学依据。推动标准宣贯实施，通过标准培训、认证评估等方式，促进智能体相关标准的推广应用和持续完善。
4.4 完善多层次培养体系，深化产学研协同育人机制
完善智能体人才培养体系，支持高校设立智能体相关专业课程，培养既懂人工智能技术、熟悉行业应用，又具备法律、伦理素养的复合型人才。开展智能体专业技能培训，面向企业技术人员和管理人员，组织智能体技术培训、应用实践等活动，提升从业人员专业技能水平。建立人才交流合作机制，促进产学研用各方在智能体人才培养方面的交流合作，推动优秀人才向智能体领域聚集。
4.5 构建安全可控监管机制，强化伦理和数据治理规范
建立安全监管机制，制定智能体安全管理办法，建立安全评估、风险监测、应急处置等机制，确保智能体应用安全可控。加强伦理规范治理，制定智能体伦理准则和行为规范，建立伦理审查机制，确保智能体发展符合伦理道德要求。完善数据治理体系，建立数据分类分级保护制度，加强个人信息和企业数据保护，促进数据安全有序流动。探索建立智能体行为的责任认定与追溯框架，积极研究并明确开发者、运营方和使用者在不同场景下的权利、义务与责任边界，可考虑引入“智能体行为保险”等创新机制，为潜在风险提供社会化解决方案。
4.6 夯实算力与数据基础，深化全球化交流与合作
加强基础设施建设，优化面向智能体推理需求的算力网络布局，提升大规模并行推理的效率与低延迟响应能力，建设智能体公共服务平台，提升基础支撑能力。构建行业高质量数据集，在制造、金融、医疗等重点领域，建设一批高标准、可信赖、可流通的行业专用数据集，为智能体模型训练提供“燃料”。加强国际交流合作，深化与国际组织和各国在智能体技术研发、标准制定、应用推广等方面的交流合作，提升中国在全球智能体发展中的影响力。
5 结束语
收起
智能体正以前所未有的颠覆性力量，成为全球科技竞争的下一个战略制高点。展望未来，智能体将不再是执行指令的工具，而是能够自主感知、决策、行动的“数字生命”。由亿万智能体构成的协同网络，将涌现出超越任何个体的“集体智能”，为攻克新药研发、气候变化等全球性复杂挑战提供根本性的解决方案。智能体作为连接数字世界与物理世界的桥梁，将重塑智能制造、自动驾驶乃至社会运行的方方面面，开启人机深度共生的全新文明图景。当前，围绕智能体技术的全球竞速已然展开。以美国为首的西方国家正倾力构筑智能体技术优势与应用生态，抢占下一代智能平台的定义权与主导权。这不仅是技术路线的竞争，更是未来产业生态、数字经济规则乃至全球影响力的关键博弈。在这场决定未来的关键赛局中，中国需加快构建自主的智能体技术体系，全力突破核心算法、算力瓶颈与高质量数据壁垒，打造一个安全可控、开放协作的中国智能体生态，抢占未来产业竞争的制高点，并为全球贡献“中国智慧”与“中国方案”。
文献
收起
参考文献
引证文献
排序方式：
[1]
Minsky M. The Society of Mind[M]. New York: Simon & Schuster, 1985.
[2]
Wooldridge M, Jennings N R. Intelligent agents: Theory and practice[J]. The Knowledge Engineering Review, 1995, 10(2): 115-152.
[3]
Xi Z H, Chen W X, Guo X, et al. The rise and potential of large language model based agents: A survey[J]. Science China Information Sciences, 2025, 68(2): 121101.
[4]
World E F. Navigating the Al frontier: A primer on the evolution and impact of Al agents [EB/OL]. (2024-12-16)[2026-01-07]. https://www.weforum.org/whitepapers/navigating-the-ai-frontier-a-primer-on-the-evolution-and-impact-of-ai-agents/.
[5]
Russell S J, Norvig P. Artificial intelligence: A modern approach[M]. 4th ed. London: Pearson, 2020.
[6]
Hu X Y, Xiong T, Yi B, et al. OS agents: A survey on MLLM-based agents for computer, phone and browser use[C]//Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Stroudsburg: ACL, 2025: 7436-7465.
[7]
Jiang W J, Zhuang Y Y, Song C X, et al. AppAgentX: Evolving GUI agents as proficient smartphone users [DB/OL]. arXiv preprint: 2503.02268, 2025.
[8]
王吉伟. 一本书读懂AI Agent: 技术、应用与商业[M]. 北京: 机械工业出版社, 2024.
Wang J W. Understand AI agent in one book: Technology, application and business [M]. Beijing: China Machine Press, 2024. (in Chinese)
[9]
Weng L L. LLM powered autonomous agents [EB/OL]. (2023-06-23)[2026-01-07]. https://lilianweng.github.io/posts/2023-06-23-agent/.
[10]
Padilla J, Prasad K, Tuffin A. FRAND access to app stores[R/OL]. (2025-06-11)[2026-01-07]. https://compass-lexecon.files.svdcdn.com/production/editorial/2025/06/FRAND-access-prices-for-app-stores-The-Analysis-120625.pdf.
[11]
GARTNE. AI agents: Powering new business[EB/OL]. [2026-01-12]. Models https://www.gartner.com/en/articles/ai-agents-pc1.
[12]
CAPGEMINI. Harnessing the value of generative AI[EB/OL]. [2024-07-22]. https://www.capgemini.com/wp-content/uploads/2024/11/Generative-AI-in-Organizations-Refresh_25112024.pdf.
[13]
MARKETS and MARKETS. AI Agents Market by Agent Role (Productivity & Personal Assistants, Sales, Marketing, Customer Service, Code Generation), Agent Systems (Single Agent, Multi Agent), Product Type (Ready to Deploy Agents, Build Your Own Agents) - Global Forecast to 2030[EB/OL]. [2025-04-23]. https://www.marketsandmarkets.com/Market-Reports/ai-agents-market-15761548.html.
[14]
Stanford University Human-Centered Artificial Intelligence. The 2025 AI index report[R/OL]. (2025-04-07)[2026-01-07] https://hai.stanford.edu/assets/files/hai_ai_index_report_2025.pdf.
[15]
ANTHROPIC. Introducing the model context protocol [EB/OL]. (2024-11-25)[2026-01-07]. https://www.anthropic.com/news/model-context-protocol.
[16]
GOOGLE. Announcing the Agent2Agent protocol (A2A) [EB/OL]. [2025-12-01]. https://a2a-protocol.org/latest/.
2026年第5卷第1期
PDF下载
5211
2618
引用本文
BibTeX
文章信息
doi: 10.3981/j.issn.2097-0781.20260001
- 接收时间：2026-01-04
- 出版时间：2026-03-20
- 发布时间：2026-04-16
补充材料
相关文章
表12种不同金属材料的力学参数
| 科 Family | 属数 Number of genus | 种数 Number of species | 占总种数比例 Percentage of total species (%) | 属 Genus | 种数 Number of species | 占总种数比例 Percentage of total species (%) |
|---|---|---|---|---|---|---|
| 鹅膏菌科Amanitaceae | 2 | 11 | 5.26 | 鹅膏菌属 Amanita | 10 | 4.78 |
| 小菇科 Mycenaceae | 2 | 12 | 5.74 | 丝盖伞属 Inocybe | 5 | 2.39 |
| 多孔菌科 Polyporaceae | 8 | 14 | 6.70 | 蜡蘑属 Laccaria | 5 | 2.39 |
| 红菇科 Russulaceae | 3 | 23 | 11.00 | 小皮伞属 Marasmius | 6 | 2.87 |
| 小菇属 Mycena | 11 | 5.26 | ||||
| 光柄菇属 Pluteus | 5 | 2.39 | ||||
| 红菇属 Russula | 17 | 8.13 | ||||
| 栓菌属 Trametes | 5 | 2.39 |
关闭全屏
