智能体 2.0：从“循环脚本”到真正的智能系统
原文作者：Philipp Schmid 原文地址：agents-2.0-deep-agents
在过去一年里，很多人所谓的 AI 智能体（AI Agent），其实结构非常简单： 写一个 while 循环，把用户的提示词（Prompt）发给大模型（LLM），解析模型返回的工具调用指令，执行工具，再把结果喂回模型，如此反复。
这类系统通常被称为 浅层智能体（Shallow Agent），也就是 Agent 1.0。
对于一些简单任务，比如：
“东京现在天气怎么样，我应该穿什么？”
这样的系统已经足够好用。但当任务变成：
“研究 10 个竞争对手的定价模型，做一个对比表，并写一份战略分析报告。”
问题就出现了。
这类任务可能需要 几十甚至上百个步骤，而传统 Agent 很容易：
- 分心跑题
- 丢失上下文
- 陷入循环
- 产生幻觉
原因也很简单：所有“记忆”和状态都挤在一个上下文窗口里。
现在，一种新的架构正在出现—— 深度智能体（Deep Agents），也可以称为 Agent 2.0。
这类系统不再只是被动地循环执行，而是具备：
- 规划能力
- 持久化记忆
- 分工协作的子智能体
- 更精细的上下文管理
从而能够真正处理 复杂、多步骤、长时间的任务。
智能体 1.0：浅层循环的问题
要理解 Agent 2.0 的意义，先看看现在主流 Agent 的工作方式。
典型流程如下：
-
用户提问
“查一下苹果公司的股价，并判断是否值得买入。”
-
模型推理
“我需要使用搜索工具。”
-
调用工具
search(“AAPL stock price”)
-
获取结果
工具返回搜索数据。
-
模型生成回答
根据结果回复，或者继续调用工具。
-
循环执行
这种架构的问题在于：
它几乎没有真正的“状态”。
所有信息都堆在对话上下文里，一旦任务复杂，就会出现几个典型问题。
1. 上下文溢出
工具输出往往很长，比如：
- HTML 页面
- JSON 数据
- 大量文本
这些内容会迅速填满上下文窗口，把最初的任务目标挤掉。
2. 目标丢失
在几十个中间步骤之后，Agent 可能已经忘了：
“我最开始到底要做什么？”
于是开始胡乱尝试。
3. 没有恢复能力
如果走进死胡同，浅层 Agent 往往只会：
- 重复尝试
- 原地打转
而不会 回溯、调整策略或重新规划。
简单来说：
浅层 Agent 适合 5–15 步的任务，但面对 100+ 步任务就会崩溃。
Agent 2.0：深度智能体的架构
深度智能体的核心思想是：
把“规划”和“执行”分开，并把记忆移出上下文窗口。
通常，这类系统由 四个关键支柱组成。
支柱一：显式规划（Explicit Planning）
浅层 Agent 的规划往往是隐式的，例如：
“我先做 X，然后做 Y。”
但这种规划只存在于模型的一次思考里，很容易丢失。
深度智能体会把计划 显式写出来，例如一个 Markdown 任务列表：
在每一步执行后，Agent 会更新状态：
- Pending（待处理）
- In Progress（进行中）
- Completed（已完成）
如果某一步失败，它不会盲目重试，而是 修改计划再继续。
这样系统始终知道：
当前任务是什么，整体目标是什么。
支柱二：层级委托（子智能体）
复杂任务通常需要分工。
浅层 Agent 试图 一个 Prompt 做所有事情。 而深度智能体采用 协调者 + 子智能体 的结构。
例如：
- Coordinator（协调者）
- Researcher（研究员）
- Coder（程序员）
- Writer（写作者）
工作流程是：
- 协调者分配任务
- 子智能体在自己的上下文里执行
- 子智能体完成任务后 只返回总结结果
这样可以避免：
- 上下文污染
- 信息过载
- 职责混乱
每个 Agent 只做自己擅长的事情。
支柱三：持久化记忆
深度智能体不会把所有信息塞进上下文，而是使用外部存储，例如：
- 文件系统
- 数据库
- 向量数据库
Agent 可以：
- 写入文件
- 读取数据
- 查询历史结果
例如：
/research/quantum_notes.md /data/competitor_prices.csv /report/draft_v1.md
新的 Agent 只需要知道：
去哪里读取信息。
范式从：
“记住一切”
变成：
“知道去哪里查。”
支柱四：极致上下文工程
很多人以为：
模型越强，就越不需要 Prompt。
但事实正好相反。
复杂 Agent 需要非常详细的上下文设计。
这些说明往往包含：
- 什么时候需要先规划
- 什么时候创建子智能体
- 工具的定义与使用示例
- 文件结构和命名规范
- 人类介入（Human-in-the-loop）的流程
这些提示有时会达到 几千个 token。
但正是这些规则，让系统能够 稳定运行长时间任务。
可视化深度智能体的工作流
举个例子：
用户请求：
“研究量子计算，并写一份总结到文件中。”
深度智能体的流程可能是：
- 创建任务计划
- 启动 Researcher 子智能体收集资料
- 将资料写入本地文件
- 启动 Writer 子智能体生成总结
- 更新任务状态为 Completed
整个过程中：
- 计划在更新
- 数据在存储
- 子智能体在分工
系统始终保持 清晰的结构和状态。
结语
从 Agent 1.0（浅层智能体） 到 Agent 2.0（深度智能体） 的演进，并不仅仅是：
给大模型接更多工具。
真正的变化是：
从被动循环，转向主动架构。
通过：
- 显式规划
- 子智能体协作
- 持久化记忆
- 精细化上下文工程
我们终于可以让 AI 处理 数小时甚至数天的复杂任务，而不仅仅是几秒钟的问答。
这也意味着：
AI Agent 正在从“脚本自动化”走向真正的软件系统。
致谢
这一概述基于深入的人工研究整理而成。 “Deep Agents（深度智能体）”这一术语由 LangChain 团队提出并逐渐流行，用于描述这种新型智能体架构。