长出手来：Agent 的三次进化，和它正在走向的地方

去年年底有一个瞬间，我到现在还记得。

我给一个编程助手派了个活，交代清楚之后合上电脑去吃饭。等我回来，屏幕上不是一句”请问您还需要什么”，而是它自己跑了几个小时、翻了十几个文件、跑了测试、又把没通过的用例默默修好之后留下的一长串记录。它没有等我，也不需要我坐在旁边盯着。

那一刻我意识到，我们对”AI 助手”的想象，已经悄悄换掉了一个词——从”对话”，变成了”托付”。

这篇文章想聊的，就是这个词是怎么被换掉的：Agent（智能体）这几年经历了什么，现在走到了哪一步，接下来又可能往哪儿去。尽量说人话。

一、它本来只有一张嘴

2022 年底 ChatGPT 出来的时候，它其实只会一件事：说话。

你问它，它答你。答得再漂亮，它也只是在生成文字。它不能帮你订机票，不能改你电脑里的文件，甚至不知道今天是几号。它是一张很会说话的嘴，但没有手，也没有记性。

接下来两三年，一群人做的事情，本质上就是给这张嘴装上别的器官。

先是有人发现，如果让它”把思路一步步写出来”，它解题的正确率会明显上升——就像人做数学题打草稿。然后有人让它”边想边做”：想一步，动一下，看看结果，再想下一步。再后来，有人教它什么时候该去查资料、什么时候该调一个计算器，而不是硬着头皮自己算。也有人给它加上记忆，让它把学到的本事存下来，下次直接复用。

这些名字你不用记（草稿叫思维链，边想边做叫 ReAct，会用工具、会攒技能各有各的花名）。你只要知道一件事就够了：这几年，我们花了很大力气，在教一张嘴长出手来。

到 2025 年，手基本长齐了。它能查网页、能运行代码、能操作软件、能记住你上周说过的话。于是它不再只是一个”聊天机器人”，开始配得上”智能体”这三个字——一个能自己感知、自己决定、自己动手把多步任务做完的东西。

二、2026：它开始有手，也开始有同事

如果说 2025 年是”长出手”，那 2026 年这半年，是两件更要紧的事在同时发生。

第一件事：大家想明白了，光有一个聪明的大脑不够。

早些年的思路很朴素——模型不够强？换个更强的。但做过真东西的人很快发现，一个 Agent 靠不靠谱，越来越不取决于它的大脑有多聪明，而取决于它周围那一整套”马具”：怎么把该记的东西记住、不该记的忘掉；工具调用失败了怎么自己爬起来；上下文太长快”失忆”了怎么办；任务跑偏了怎么拉回来。

有句话我很认同：一个 Agent 能不能”第一天跑通”不重要，能不能”第六个月还稳定运行”才是真本事。聪明是一次性的，可靠是长期的。这门给智能体配马具、让它长期稳定干活的工程手艺，正在变成比”换个更大模型”更值钱的东西。

第二件事：它开始有同事，也开始有统一的接口去连接世界。

这半年 Agent 圈最像”历史转折”的，其实不是某个模型又变强了，而是几套底层协议悄悄立住了。这件事枯燥，但重要，重要到有人把它类比成九十年代的 TCP/IP——就是那套让全世界电脑能互相通话、最后长出整个互联网的东西。

说人话，就三件：

一个协议管”Agent 怎么用工具”。以前你想让 AI 连上你的数据库、你的支付账户、你公司的内部系统，每接一个都要重写一遍适配代码，苦不堪言。现在有了统一插口，工具做成标准件，Agent 插上就能用——像 USB-C 之于充电线。这套东西的月下载量已经到了近一亿次，说明它不再是实验，而是水电煤。

一个协议管”Agent 怎么找同类”。当任务复杂到一个 Agent 忙不过来，就需要一个前台 Agent 对接你，再把子任务派给专门的 Agent：一个查资料，一个写稿，一个做合规审查。它们之间怎么互相发现、怎么派活、怎么回传结果、怎么确认对方身份，需要一套通用的”外交礼仪”。这套礼仪在今年五月出了正式版，已经有上百家企业在用。

还有一个更新的层，让整个网页世界直接变成 Agent 能操作的工具——不是让它笨拙地模拟人点鼠标，而是让网页主动把自己”翻译”成机器能读懂的结构。

值得留意的是，这些协议正在从”某一家公司的私产”变成”行业公共设施”：2025 年底，好几家原本是对手的巨头——把各自的协议一起捐给了同一个中立基金会来托管。谁都不想让未来的地基被别人一家攥在手里。这本身就说明，大家都赌它是地基。

有了大脑、有了马具、有了统一插口，Agent 就开始真正”上岗”了。程序员的编程助手已经能无人值守跑上大半天；从叫车、点餐到企业采购，支付这”最后一公里”也被打通；连操作系统层面，都开始把 Agent 当成系统级的基础设施来内嵌。有机构预测，到今年年底，四成的企业软件里会自带 Agent——而一年前，这个数字还不到百分之五。

三、但它还不是个靠谱的员工

写到这儿，如果就此收尾说”未来已来”，那是骗人。

真实情况是：Agent 现在更像一个天赋很高、但很不稳定的实习生。让它做一件界限清楚的小事，它常常惊艳；让它独立扛一个跨度长、变数多的真实项目，它的翻车率依然高得让人不敢真的走开。

那些漂亮的跑分，很多是在干净、静止的测试环境里刷出来的。一放到真实的、会变的、有异常的环境里——网页改版了、按钮挪位置了、某一步返回了意料之外的东西——它的实际能力会掉一大截。它最典型的几种死法也很朴素：把任务目标理解偏了；某个工具调用失败了却不会自己救场；上下文塞太满，前面说的话直接忘了；陷进一个动作里反复循环停不下来；甚至把自己幻想出来的东西，当成工具真的返回的结果，接着往下错。

多找几个 Agent 组队，也不是免费的解药。人一多，沟通成本和 token 账单会飙升；工具一多，它反而会因为”选择太多”而选错。人多不一定力量大，这条朴素的组织学规律，在 AI 这儿一样成立。

所以此刻更诚实的说法是：它长出了手，但这双手还会抖。

四、接下来会往哪里去

顺着现在的势头往前看，有几个方向大概率会发生。

第一，重心从”更聪明”转向”更可靠”。 行业里已经有人把它总结成一句话：我们正从”模型时代”走向”认知时代”。前者比谁的大脑参数多，后者比谁能把智能稳定地、可维护地封装进一套系统，让它连续跑半年也不崩。未来真正稀缺的，不是会调模型的人，而是会造系统的人。

第二，从”一个个 Agent”长成”一张 Agent 的网”。 当每个 Agent 都能被发现、被调用、被支付，它们之间会开始像人一样互相”外包”和”结算”——一个 Agent 花钱雇另一个 Agent 干活，可能是几年内就会成型的常态。到那时，网络上跑着的就不只是网页和 App，还有一层看不见的、互相谈生意的智能体经济。

第三，从屏幕里走进物理世界。 同一套”大脑 + 马具”的思路，正在被搬进真实的身体里——服务机器人、陪伴设备、各种带手带脚的东西。会说话、会决策的那颗脑子不变，只是这次，它的手是真的手。

第四，真正的瓶颈会从”能力”换成”治理”。 这一点常被低估。一个被授予了自主权、还能自己调工具花钱的 Agent，一旦被骗、被劫持，破坏力远超一个只会聊天的模型。今年已经出现了专门针对智能体的安全清单和真实漏洞。一条正在成为共识的原则是：不能指望模型自己管住自己——模型的判断是概率性的，永远防不住所有情况，必须在 Agent 和外部世界之间，架一道确定性的、硬性的闸门。

这道闸门今天已经有了具体的样子。比如现在的编程 Agent 大多支持一种叫 hook（钩子）的机制：你可以规定，在它每次动手调用工具之前，先无条件跑一段你写好的检查——碰到密钥文件就拦下，看到 rm -rf、DROP TABLE 这类危险命令就叫停。它和在提示词里写”请不要碰生产库”最大的区别在于：提示词是概率性的、可以被说服的，而 hook 每次都硬跑、不讲情面。想让一个自主体真正可控，靠的往往不是把话说得多清楚，而是这种确定性的硬门禁——这也正是我此前专门讲 hook 的文章反复强调的那件事。

谁定义了这些协议和闸门，谁就握住了下一代基础设施的咽喉，就像九十年代握住 HTTP 的那些人一样。

尾声

回到开头那个瞬间。

我合上电脑去吃饭，回来发现活已经干完了。这件事真正让我在意的，其实不是它有多能干，而是它抹掉了一个东西——那个我以前必须坐在”想做”和”做了”之间的停顿。

过去，人的意图和行动之间，总隔着一段亲手操作的时间。正是这段时间里的迟疑、复核、临时改主意，构成了我们所谓的”负责”。Agent 做的事，说到底是把这段停顿拿走了：它不累，不问为什么，也不会像你记住它那样记住你。

有机构预测，再过两三年，我们日常工作里相当一部分决策，会由 AI 自己做出。技术能不能做到，我不太担心，大概是能的。

我更想不清楚的是另一个问题——被拿走的那段停顿里，原本装着的东西，我们打算把它放回哪里去。

这个问题，目前还没有人有答案。