AI Agent 是什么：把订机票这件事拆给你看

用过 ChatGPT 的人都熟悉这种体验：问一句，它答一句。但你可能也隐约感觉，这东西虽然聪明，却「只能聊」——让它帮你订张机票、查个航班比价，它就回你一份文字攻略，而不是真的替你点下去。AI Agent 想解决的，就是从「能聊」到「能动手」这一步跨越。

整篇专题我们就用「帮我订下周二去北京最便宜航班」这一条线索，把 Agent 是什么、它内部怎么运转、它和 Chatbot 的本质差别在哪、它现在的能力边界在哪，一次讲透。

从 ChatGPT 到 AI Agent：差在哪里

要明白 Agent，先承认一个有点尴尬的事实：「Agent」这个词在业界至今没有统一定义。Michael Wooldridge 与 Nicholas R. Jennings 在 1995 年发表于《Knowledge Engineering Review》的论文 "Intelligent Agents: Theory and Practice" 里就抱怨过，「虽然这个词被广泛使用，但很难给出一个所有人都接受的定义」（论文 1994 年 10 月投稿、1995 年 6 月正式发表）SimonAgents。直到 2025 年，独立技术博主 Simon Willison 才公开背书了一个可操作的工程圈表述：An LLM agent runs tools in a loop to achieve a goal——一个 LLM 驱动的 Agent 会在一个循环里调用工具，直到完成目标。

这句不长的话里有三个支柱：

• Tools（工具）：LLM 不只是生成文字，它能请求外部世界帮它做点什么。经典实现就是 function calling / 工具调用 API。
• In a loop（循环）：每一步工具调用的结果都会回喂给模型，模型再推理，决定下一步要不要再调一次工具。这正是 Anthropic 等一线厂商也已稳定采用的「边想边动」循环。
• To achieve a goal（有目标且有停止条件）：循环必须有边界——目标可以是用户给的，也可以是上层 sub-agent 派发的，但必须有明确的「做完」判断。

图注：一张 meme 风格拼贴图，中央是蓝色正态分布钟形曲线（IQ 轴），曲线两端都出现「An LLM in a loop with an objective」字样。meme 用自嘲方式说「什么是 AI agent」这个问题的简单答案与过度工程化的答案殊途同归，中间的复杂学术文献才是真正的噪声。曲线轴是 meme 模板，不代表 LLM 能力服从正态分布。SimonAgents

把这句话拆开，你立刻就能看出 Agent 和 Chatbot 的关键差别：Chatbot 是「你问一句我答一句」的请求-响应模型；Agent 是「接到目标 → 在循环里调用工具 → 完成目标」的循环模型。回答之外，Agent 还会动手；对话之外，Agent 还有目标。

不过，这个定义只是技术圈近一年才沉淀下来的「一种」共识。据 Simon Willison 转述，OpenAI 一家内部就至少在三个意义上使用「agent」一词：Sam Altman 把 agent 描述为「能独立替你干活的 AI 系统」（Simon 转述，OpenAI 原始页面或演讲视频本次未独立抓取）；2025-07 发布的 ChatGPT agent 是一个能让浏览器自动跑起来的产品功能；据 Simon Willison 转述，2025 年 3 月发布的 openai-agents SDK 则是一套写 agent 程序的代码库（具体发布日未独立核实 openai.com 原始公告）——三个用法并不互相替代SimonAgents。所以我们后面会反复回到「这究竟算不算 Agent」「它是 tools in a loop 那种，还是别的什么」这把尺子上判断每一款产品。

Anthropic 在 2024-12 的工程博客里给了另一个冷静的厂商视角：所有这些系统都可以统称「agentic systems」，但其中要区分「workflows」——LLM 与工具沿预定义代码路径编排——和「agents」——LLM 动态决定自己的过程和工具用法BuildAgents。Anthropic 还把所有 agentic system 的最底层共性抽象成一块积木：augmented LLM——一个 LLM 加上检索、工具、记忆三种增强。

图注：Augmented LLM——LLM 中心节点 + retrieval（检索）/ tools（工具）/ memory（记忆）三个 augmentations 围绕，箭头显示 LLM 既调用这些 augmentations 也接收它们的输出。这是 Anthropic 给出的 Agent 最底层构建块：任何 workflow 或 autonomous agent 内部剥开都是这个结构。BuildAgents

这块「augmented LLM」是入门时最值得带走的一张图：它告诉你，无论外面是 Chatbot 还是 Agent，最底下都站着一个会调用检索、工具、记忆的 LLM；差别在于调用得有多复杂、有没有循环、循环能不能自己决定走哪一步。

到这里我们守住一个工程圈可操作的定义：Agent 是「LLM 在循环里调用工具直到完成目标」。它和 Chatbot 的差别不是「更会聊天」，而是「会动手做事」。至于它内部具体在干什么，下一节我们用一个真实任务把它拆开。

一个 Agent 的日常：跟我一起订一张机票

抽象定义容易滑走，我们把镜头钉死在一个具体场景：「帮我订下周二去北京最便宜的航班」。后面每讲一个机制，都会指回这一步。

如果让你自己订这张机票，你会怎么干？大致是这几步：

1. 查清楚下周二具体是哪一天；
2. 找出从你所在城市飞北京的航班；
3. 比一比价格、起飞时间、是否直飞；
4. 选一个最划算的；
5. 去航空公司或第三方网站填表、付款；
6. 收到确认邮件，订票完成。

任何能替你做完这件事的程序，都必须把这几步走完——少一步都不算「订到了」。我们后面要看的 Agent，本质上就是「让 LLM 拿着 LLM 这个大脑，按类似的步骤把任务走完」。

为了让这张图变成整篇反复回指的锚，我们用一段示意画出来：

这一张图就是后面三章会反复回指的「订机票循环」。

读者可能会问：那 Chatbot 不也能告诉我这几个步骤吗？差别不在「会列出这些步骤」，而在「会真的去调航班 API、真的去打开网站、真的去填表付款」。Chatbot 给你的是文字攻略；Agent 在理想情况下替你把攻略执行完。当然——「理想情况下」这四个字后面我们会反复打折扣。

到这里，请记住这一节的中心判断：Agent 不是单步回答，而是「任务 → 查 → 比 → 选 → 填 → 付」这种带循环的事。这正是它和 Chatbot 的体感差异所在。

Agent 的四个核心部件：感知、决策、行动、记忆

把 Agent 的内部画给你看，最好的图是 Lilian Weng 2023 年在 Lil'Log 上画的那张 Agent System OverviewWengAgent。

图注：以 Agent 为中心的系统架构图：向上连 Memory（再分支为 Short-term memory / Long-term memory）；向左连 Tools（再分支为 Calendar / Calculator / CodeInterpreter / Search 等）；向右连 Planning（再分支为 Reflection / Self-critics / Chain of thoughts / Subgoal decomposition）；向下连 Action。这是入门最值得记住的一张 Agent 内部图。WengAgent

图里有一个中心节点和四块围着的模块：Planning（规划）、Memory（记忆）、Tools（工具）、Action（行动）。图作者把 LLM 比作 Agent 的大脑，正是这块大脑在不断和四个模块对话。

为了方便入门理解，我们把 Lilian Weng 的四模块映射到一组更口语的四个环节——感知、决策、行动、记忆——然后一起钉到订机票这件事上。

感知对应 Memory 的短期记忆部分加上 Tools 的输入。Agent 得先「看见」两件事：用户那句「下周二去北京最便宜」是什么意思（解析日期、目的地、约束），以及外部世界返回了什么（航班 API 给出的列表、浏览器当前页面长什么样）。感知这一步不直接做决定，它的工作是把「人和环境的信号」变成 LLM 能读懂的上下文。

决策对应 Planning。LLM 拿到感知到的上下文之后，要做几件事：把「订机票」拆成查时间窗、查航班、比价、选座、付款这样的子目标；跟踪每个子目标走到哪一步；如果中途碰到异常（航班售罄、价格变贵）还要切换策略。Planning 模块里又会用到几个关键能力——Subgoal decomposition（子目标分解）、Chain of thoughts（思维链）、Reflection / Self-critics（自我反思）。我们后面会专门讲 ReAct 这个把「想」和「动」交错的具名范式。

行动对应 Action 和 Tools。LLM 想清楚下一步要做什么之后，就去调外部工具——查航班就调航班 API、填表就在浏览器里点 click 和 type、付款就走支付 API。Tools 模块列出的 Calendar / Calculator / CodeInterpreter / Search 就是典型可调用动作；其中 Search 正是订机票时最常用的一类。

记忆对应 Memory 的长期部分。短期记忆就是当前对话历史和本次任务的步骤日志——这相当于 Agent 的「便签本」。长期记忆则要靠外部的向量数据库（一种把文本转成数字表示、按相似度快速检索的存储系统）来保存用户的偏好：比如你上次订过靠窗座位、你常飞的航空公司、你倾向的起飞时段。下一次 Agent 帮你订机票时，它会先翻一翻便签本，看看有没有可以复用的偏好。

把这四块拢在一起看，订机票就是这样一次完整演练：感知 → 决策 → 行动 → 记忆，每跑完一轮，记忆模块把当前状态记下来，下一轮感知时再读出来；LLM 在循环里反复读感知、做决策、派行动、更新记忆，直到任务完成或达到停止条件。

ReAct：把「想」和「动」交错的标准范式

「在循环里感知-决策-行动」听上去有点抽象，2022 年 Yao 等人提出的 ReAct 范式给出了一个具体的命名：Thought → Action → Observation——想一步、做一步、看一步反馈、再想下一步ReactPaper。

图注：上栏 HotpotQA 四种 prompting 横向对比：Standard 直接答（错）、CoT 用 thought 但不查外部（事实 hallucination 用红字标出）、Act-only 反复搜索但缺乏 reasoning 链合成最终答案、ReAct 边想边搜逐步解题。下栏 ALFWorld 两个子图对比 Act-only 与 ReAct 在文字家庭任务上的轨迹差异。ReactPaper

把这张图对应到订机票：Thought 就是「我应该先查下周二的具体日期，再查航班列表」；Action 就是「调航班 API，参数是日期范围 = 下周二」；Observation 就是 API 返回的航班列表；下一轮 Thought 再决定「这一批里挑哪三个比价」……这个 Thought-Action-Observation 循环就是 ReAct。

要诚实交代的一点是：ReAct 单独在某些任务上并不一定比纯思考更强。在 HotpotQA 上，ReAct 单独的正确率 27.4% 反而低于纯 Chain-of-Thought 的 29.4%，把两者组合（CoT-SC↔ReAct）才能把成绩推到 35.1%ReactPaper。但 ReAct 的最大价值是它给「边想边动手」起了一个标准名字——后面所有的 Agent 产品几乎都跑在这个范式上。

CoT：ReAct 的前置

ReAct 不是凭空发明的，它的前置是 Chain-of-Thought（CoT）——Wei 等人 2022 年发现，只要在 prompt 里给模型几个「先写中间推理步骤、再给最终答案」的示例，足够大的模型就能模仿这种「把思考过程显式说出来」的方式CoTPaper。CoT 只在 LLM 内部推理，不和外部世界交互；ReAct 把 CoT 的「想」保留下来，又加了外部「动」的能力。

图注：一组横向对比图，每个示例展示两次：一次 Standard prompting 模型直接从 Q 跳到错答案；一次 Chain-of-thought prompting 模型先写高亮中间句再给正确答案。这张图直观展示「Q → A」与「Q → … → A」的差别，是 ReAct 范式的前置基础。CoTPaper

到这里，这一节给你一张 Agent 内部的全景图：感知-决策-行动-记忆四块围着一个 LLM 大脑，ReAct 是 Thinking-Action-Observation 三环的标准范式，CoT 是 ReAct 的前置。订机票就是这四块在循环里的一次完整演练。下一节我们专门讲「行动」这一块——Agent 是怎么把工具从 JSON API 一路扩展到整个桌面浏览器的。

Agent 如何调用工具：从聊天到动手做事

「动手」这件事要分两层看。第一层是 API 级别的工具调用——LLM 通过写好的 JSON 接口去触发外部系统的功能，这是 2022-2023 年学术界和工业界走通的第一条路；第二层是 Computer Use / Browser Agent——把工具从专门的 API 扩展到整个浏览器或桌面，2024-2025 年开始走到产品里。

第一层：LLM 自己学会用工具

2023 年 Meta AI 提出的 Toolformer 是「LLM 自学调用 API」这条学术路径的代表Toolformer。它的核心思路是：让模型在大量自然语言上自己「试」插入 API 调用，再用「把 API 结果放在前面时，模型预测下一个词的损失是否下降」这个自监督信号，过滤掉没用的调用，保留有用的；最后用这些保留的样本去微调模型本身。

图注：Toolformer 的自监督学习流水线：输入文本 x → 模型在 x 里采样候选 API 调用位置 i 和候选调用 c_i^k → 执行这些调用，对比「带 API 结果时」和「不带 API 结果时」的下一个 token 预测损失 L_i^+ vs L_i^- → 只保留让损失下降的调用 → 把这些调用交错回原文，得到增强训练样本 x*。整张图说明 LLM 如何自己学会决定何时插入 API 调用。Toolformer

Toolformer 的标志性结论是：6.7B 参数的 GPT-J 在 LAMA 知识问答、数学题、时间推理等任务上能打过 25 倍大的 GPT-3 175B——「小模型打败大模型」的范式靠的就是会调工具Toolformer。但要诚实交代的是，这条结论是有条件的：Toolformer 在依赖外部搜索结果质量的 QA 任务上（因为它的搜索 API 没法改 query、没法浏览多结果）反而不如 GPT-3，多语言 QA 也并不稳定Toolformer。今天业界主流的「工具调用」并不是 Toolformer 这条自监督路线，而是 OpenAI 2023-06 推出的 Function Calling——产品方为模型设计好 JSON 接口，模型在 inference 时决定要不要调用。Toolformer 作为学术起点，理解它能让你知道「LLM 怎么学用工具」有两条路：自监督学（Toolformer）和接口设计（OpenAI Function Calling）。

第二层：把工具从 API 扩展到整个桌面

Toolformer 解决的还是「JSON API 这一类专用工具」。2024-10 Anthropic 做了一个更大的动作：让 Claude 3.5 Sonnet 直接「看屏幕、移动光标、点击、键入」——这被命名为 Computer UseComputerUse。

图注：Anthropic Computer Use 发布页的概念插画：橙红颗粒背景 + 白色箭头光标 + 几条手绘动作线，传达「AI 直接当光标」这一直觉。该图仅作概念隐喻，不承载机制信息——Computer Use 真正的管线（截图 → 像素计数 → 鼠标键盘命令）需要靠示意图重绘。ComputerUse

Anthropic 在研发文档里把这一动作的核心范式点得很透：「Up until now, LLM developers have made tools fit the model... Now, we can make the model fit the tools」ComputerUse——过去是模型开发方为每个任务写专属工具，现在是让模型去适配我们日常在用的电脑环境。落到订机票这件事上，等于不用再为每家航空公司单独开发 API 集成，Agent 直接用 Chrome 浏览器打开你常用的订票网站，像人一样点进去填乘客信息、选座位、付款。

训练方法上一个细节值得知道：Computer Use 的关键训练目标是让模型学会「count pixels accurately」——准确数屏幕上的像素位置，因为鼠标命令本质上就是一组像素坐标ComputerUse。这件事比传统 API 调用难得多——传统 API 调用只要「决定要不要调」，Computer Use 要在「决定做什么」之外还要「算出鼠标该去哪」。这也是为什么 Computer Use 的基准 OSWorld 数字：Claude 拿到 14.9%（仅看截图）和 22.0%（多步执行），离人类水平 70-75% 还有相当距离ComputerUse。

OpenAI 在 2025-01 推出了自己的同代实现 Operator 和底层模型 CUA（Computer-Using Agent），把 GPT-4o 的视觉能力与 RL 推理结合，训练出专门操作 GUI 的模型OperatorChatGPT。CUA 的工作循环分三段：Perception（把屏幕截图加进上下文）→ Reasoning（用 chain-of-thought 推理下一步）→ Action（点击、滚动、键入），直到任务完成或需要人类介入OperatorChatGPT。

图注：OpenAI CUA 浏览器像素交互管线图：任务文字 + 当前截图 → CUA 推理 → 输出鼠标/键盘动作 → 在虚拟机里执行 → 新截图回传，形成闭环。右侧 ACTIONS 节点展示 chain-of-thought 推理与具体 click/type 指令。这是 Computer Use 范式在 OpenAI 体系的同代对照。OperatorChatGPT

2025-07 OpenAI 把 Operator 整合进了 ChatGPT，更名为 ChatGPT agent，把工具集扩展为四件套：visual browser（视觉浏览器）/ text-based browser（文本浏览器）/ terminal（终端）/ direct API access（直接 API 访问）OperatorChatGPT。这一组合让 Agent 在「看到截图再点」和「直接调 API」之间自由选择——遇到不支持 API 的老网站就用视觉浏览器，遇到结构化的数据查询就直走 API。

到这里请你带走这一节的中心判断：Agent 的「动手」能力来自工具调用；从 JSON API 到 Computer Use 是同一条能力的两次放大。订机票这件事，在 JSON API 形态下是「调航班 API」；在 Computer Use 形态下是「直接用浏览器填表」。两种形态的目标一致——替用户真正完成动作。

常见误解澄清：Agent 不等于聊天机器人

讲完机制，最容易踩的坑是把「Agent」当成万能许愿机。Anthropic 自己就在 2024-12 那篇工程博客里直接泼了一盆冷水：「We recommend finding the simplest solution possible, and only increasing complexity when needed. This might mean not building agentic systems at all」BuildAgents。换句话说——很多任务，一次 LLM 调用 + 一次检索就够了；硬上 Agent 只会换更高的延迟和成本，不一定有更好效果。Anthropic 还附带了一条 2026 年追加的 caveat：原文顶部（导语区段）明确写着「much of the tooling landscape described in this post has changed since December 2024」BuildAgents，所以 2024 年的产品建议不能照搬到今天。

这种「不是越复杂越好」的克制，来自厂商在一线工程里反复踩坑：很多看起来「必须上 Agent」的任务，其实 prompt 写好、检索接上、几行代码编排就够了。把 augmented LLM 这块基础积木用对，比硬塞一个自治循环更有效。

演示-实测落差：Devin 案例

理论上的克制是一回事，市场上的炒作是另一回事。2024-03 Cognition Labs 发布的 Devin 是「AI 软件工程师」品类的标杆——首发博客里宣称在 SWE-bench 上端到端解决了 13.86% 的 GitHub issue，「远超此前的 1.96%」DevinManus。但数字之外，有两条 caveat 是必须连同呈现的：第一，Devin 是从 SWE-bench 的 25% 随机子集上评估的，而不是全量；第二，Devin 是「unassisted」——评估时没被告知要改哪些文件，而其他模型是「assisted」——被告知具体要改的文件DevinManus。这两条不对称同时存在，意味着 13.86% 对比 1.96% 的「7 倍领先」实际可比性比宣传弱很多。

更显眼的是一个月后 Carl Brown（InternetOfBugs 频道）发布的 "Debunking Devin" 视频——他把 Devin 的 Upwork 演示视频逐帧拆解DevinManus。他发现：演示里 Devin「完成」的 Upwork 任务，其实不是客户真正发布的那个——客户要的是「how to do this on AWS 的详细操作说明」，而 Cognition 给 Devin 的输入里没有这条核心约束。Devin 演示里「修复」的文件在客户的仓库里根本不存在——Carl 在 GitHub 上搜遍只有两个同名 fork，仓库里压根没那个文件。Carl 自己手动跑 36 分钟完成了客户真正要的事，而 Devin 花了 6 小时 20 分钟，其中很多时间是在「修自己造的 bug」。Carl 自己的立场是「Devin is powerful, but over-hyping or fabricating the results of the work actually does a disservice to the overall development of the AI agent」——既不全盘否定，也不全盘接受。

炒作本身作为信号：Manus 案例

如果说 Devin 是「垂类 Agent 演示与实测落差」的样本，Manus（Butterfly Effect 公司 2025-03 发布的通用个人助理 Agent）就是「通用 Agent 炒作本身」的样本DevinManus。它自报在 GAIA benchmark 三个难度档分别拿到 86.5 / 70.1 / 57.7%，但 The Decoder 报道指出官方公布的图表 x 轴从 30% 起而不是从 0% 起，人为放大「领先」感；底层使用 Anthropic Claude 3.5 Sonnet + 微调 Qwen 这一架构细节也基本没对外披露，独立核证困难DevinManus。更具教学价值的是它作为炒作信号的指标——邀请码在闲鱼等中国二手平台被炒到 ¥50,000-¥100,000（约 USD 7,000-13,800），启动 demo 视频 20 小时播放量破百万DevinManus。一个值得记住的事实是，Manus 在 2025-12 被 Meta 宣布以 20-30 亿美元收购，2026-04 被中国发改委叫停，2026-06 Meta 宣布切割，2026-08-11 Manus 宣布恢复独立公司DevinManus——它在 2026-09 时点的产品形态仍处于重整窗口期。

订机票这件事的真实边界

把这两个案例拉回订机票这件事上，结论很直接：今天大多数 Agent 产品在「订机票」上仍多停在「比价 + 给建议」阶段DevinManus。能真正走到「打开浏览器、填表、付款、收到确认」这条链路的，要么是 Anthropic Computer Use / OpenAI CUA 这类浏览器像素级操作的工具，要么仍需要人类在支付、登录等环节接管控制权（「takeover mode」）。把演示视频里的「一键全自动」当成现实，会被宣传带到坑里。

到这里，请你带走这把尺子：Agent 不是营销话术里的「一键全自动」；演示能做到的不等于实际能做到；能给建议的不等于能替你付款。下次看到产品宣传时，能用这把尺子自己卡一下。

动手试试：用现有产品感受 Agent 的能力

理论的克制说再多也不如自己上手试一次。下面是 2026-09 时点可以亲手感受 Agent 能力的几条产品入口，附上诚实标注的边界。

给你一个具体可操作的测试方法：用「帮我总结这篇文章 + 用邮件发给某人」这种两步任务去试 Agent。这一句话任务里藏着四个环节：感知（读懂文章 URL 和收件人）、决策（规划「先抓网页再总结再发邮件」）、行动（调 fetch 工具、邮件 API）、记忆（保留前一步的状态）。跑下来你能直接看出产品是真齐了这四块，还是只在「聊天」这一段装得像 Agent。

诚实交代的另一条边界：上面这些产品入口截至 2025 各家最新一次官方公告的状态，2026-09 时点的实际开放范围、月配额、定价都可能在变动——以各产品实时页面为准OperatorChatGPTDevinManusBuildAgents。

到这里，本节请带走一个行动指引：今晚就能用一个具体任务把 ChatGPT agent 或 Claude Computer Use 拉出来试一次；试的时候能看出四环节是否真齐备——这就是「判断一款产品是不是 Agent」的最快路径。

学界怎么看 LLM Agent 的开放问题

最后让我们站在学界视角给这把尺子再加一道刻度。2025 年 8 月 Sadia Sultana Chowa 等人发布在 arXiv（已发布在 Artificial Intelligence Review 2026）的综述 "From Language to Action: A Review of Large Language Models as Autonomous Agents and Tool Users"，是 2023-2025 年 A* / A 级会议 + Q1 期刊共 108 篇文献的系统筛选LangToActionSurvey。这是 2026-09 时点我们能拿到的最近一份学界坐标。需要标注的是：综述内容仅覆盖至 2025-2026 年，并不反映 2026 上半年的最新进展LangToActionSurvey。

综述把现有 Agent 框架分成三类：

• Single-agent LLM system：单个 agent 主导自主决策与反思。代表工作 ReAct、Reflexion、Toolformer——展示「planning + memory + tool use」决策循环，但在需要同时跟踪上下文、外部记忆、动态工具调用的环境中仍吃力。
• Multi-agent LLM systems：多个 LLM 以专业化角色互动。代表框架 MetaGPT、CAMEL、AgentVerse、AutoGen——能力包括共识构建、不确定性感知规划、工具协同。
• Tool-augmented LLMs：把外部 API / 搜索引擎 / 代码执行 / 数据库 / 浏览器接入 LLM 当作「Agent 的双手」。代表工作 Toolformer、ToolLLM、ChemCrow、ALFWorld——这是我们前面讲 ref-003 / ref-007 / ref-008 时所在的那一类LangToActionSurvey。

把前面的产品放进这三个坐标，ChatGPT agent 和 Claude Computer Use 是 single-agent + tool-augmented 的实例；Devin 同样落在这两个分类的交集，但更偏垂类软件工程；Manus 因为公开信息有限、定位为通用个人助理，更接近 multi-agent + tool-augmented 的模糊带LangToActionSurvey。

评测仍不统一

综述明确指出当前 Agent 评测「仍未统一」——Table 7 列了 68 个公开数据集（HumanEval、MBPP、GSM8K、MATH、HotpotQA、GAIA、Mind2Web、AndroidArena 等；WebShop 在综述正文出现，但按本次抓取 HTML 未在 Table 7 单元格内列出，需逐行核对）LangToActionSurvey。各家用不同的基准、不同的环境、不同的评分方式LangToActionSurvey。一个值得记下来的事实是：Devin 用的 SWE-bench 不在这 68 个数据集清单里LangToActionSurvey——这意味着 SWE-bench 上的成绩对不上学界综述给出的主流坐标系，引用时要特别小心可比性。

综述还点出评测方法上的根本问题：「Many existing datasets are built within simulated or synthetic environments… These settings often fail to capture the inherent noise, unpredictability, and multimodal complexity of real environments, leading to overfitting and poor performance」LangToActionSurvey——模拟和合成环境没法反映真实世界的噪声、不可预测性和多模态复杂度。这也是为什么订机票这类「真世界闭环」任务，今天仍多停在「比价 + 给建议」阶段：评测本身就还没真正建起来。

三大开放问题

综述 §11 集中讲了三大开放问题LangToActionSurvey：

第一是推理可验证性。当前 agent 的推理过程「frequently remain unclear」——没人能完整说清楚模型在某一步为什么那样决策。综述提到 ToTh（Theorem-of-Thought）把形式化推理图与多 agent 协作结合、把 LLM 与 BDI（Belief-Desire-Intention）这类符号 AI 框架结合做可验证决策，都是尝试方向。

第二是自改进能力。当前 agent「capacity to learn from failure is limited」——失败过一次后，下一次能不能真正学到教训？代表方法 Reflexion（verbal RL + 反思记忆）、RISE（递归内省 + 自校准微调）、COPPER（reflector agent 给队友反馈）都在尝试解决。

第三是个性化、前摄性、信任与伦理。文章点名了几类风险：长期用户模型带来的隐私问题、human-like 交互中的欺骗 / 过度信任风险（尤其对老人与儿童）、agent 不具备道德主体性因而「归责 conceptually flawed」、agent 多轮对话 + 多源信息更容易遭 jailbreaking 与 environmental-signal backdoor。这恰好回答了上一节的问题：为什么订机票这类「真世界闭环」任务，今天仍多停在「比价 + 给建议」阶段——评测本身不统一、推理过程不可验证、失败后学习能力有限，三条都限制了闭环能力。

到这里请你带走这最后一节的中心判断：Agent 不是终点，它是 2025-2026 学界还在快速推进的研究方向；今天任何「Agent 已能全自动」的宣传，都比学界共识要乐观。

整篇专题用「订机票」这一条线索走完了 Agent 的定义、内部四环节、工具调用两层放大、演示-实测落差、学界开放问题六个递进步骤。一句话收尾：Agent 是一句可操作的工程定义，不是一种玄学气质；它和 Chatbot 的差别是「会动手」，而不是「更会聊天」。下次看到产品宣传，把「它能不能在循环里调用工具直到完成目标」这把尺子拿出来——能跑通循环的是 Agent，跑不通的，至少目前还不是。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Simon Willison, "I think 'agent' may finally have a widely enough agreed upon definition to be useful jargon now" — https://simonwillison.net/2025/Sep/18/agents/
2. Lilian Weng, "LLM Powered Autonomous Agents" — https://lilianweng.github.io/posts/2023-06-23-agent/
3. Schick et al., "Toolformer: Language Models Can Teach Themselves to Use Tools" — arXiv:2302.04761
4. Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models" — arXiv:2210.03629
5. Anthropic Engineering, "Building effective agents" — https://www.anthropic.com/engineering/building-effective-agents
6. Wei et al., "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" — arXiv:2201.11903
7. Anthropic News, "Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku" — https://www.anthropic.com/news/3-5-models-and-computer-use
8. OpenAI, "Introducing Operator / Introducing ChatGPT agent: bridging research and action" — https://openai.com/index/introducing-operator/ / https://openai.com/index/computer-using-agent/ / https://openai.com/index/introducing-chatgpt-agent/
9. Cognition Labs, "Introducing Devin" + Wikipedia, "Manus (AI agent)" — https://cognition.com/blog/introducing-devin / https://en.wikipedia.org/wiki/Manus_(AI_agent)
10. Chowa et al., "From Language to Action: A Review of Large Language Models as Autonomous Agents and Tool Users" — arXiv:2508.17281