AI Agent的概念溯源——从词源隐喻到技术提案的谱系

为助力读者清晰地把握AI Agent的核心内涵，特邀专家及一线教师系统梳理了其从哲学隐喻逐步转化为技术方案的完整历程、解读AI Agent的演进逻辑（重点剖析经典架构框架）、现代架构（聚焦大语言模型驱动下的技术革新），构建起“概念夯实—演进梳理—应用指引”的完整知识体系，以帮助读者全面、系统地掌握AI Agent相关知识，为教学实践应用做好准备。

AI Agent专题

01

杨磊 张锦生

AI Agent的概念溯源——从词源隐喻到技术提案的谱系

02

杨磊 朱多跃

AI Agent的演进逻辑——从概念沉淀到经典框架的建立

03

杨磊 段淑勤

AI Agent的现代架构——大语言模型驱动的认知与协同革新

AI Agent的概念溯源

——从词源隐喻到技术提案的谱系

AI Agent并不是计算机科学内部单纯产生的概念，其概念内核有十分明确的可追溯的跨学科根源：词源学、控制论以及哲学意向立场。因此，本文以“概念如何形成”为核心问题意识，沿三条相互交织的线索展开谱系学追溯，并在此基础上，对符号AI革命中麦卡锡“建议获取者”提案的历史意义进行了分析。三条溯源线索最终汇聚于一个统一命题：AI Agent本质上就是“权力委托+反馈闭环+心理建模”三位一体的产物。

引言

AI Agent的概念近年来在学术界和产业界都掀起热潮，其应用已经渗透到工业智能、智能运维、人机协同等领域。然而，任何一个概念的爆发式流行都难免伴随其内涵的稀释、边界的模糊。当AI Agent被广泛讨论时，有两个根本性的问题常被忽略：该概念从何而来？其深层内涵是由哪些思想资源共同塑造的？若不厘清这两个问题，对AI Agent的所有技术讨论都无异于在模糊的地基上筑楼，也极难达成真正有洞见、有共识的学术结论。

AI Agent的概念不是凭空出现的。它的思想根系深扎于多个学科的土壤之中——从拉丁语的动词词根，到20世纪中叶控制论的理论突破，再到分析哲学对“心智”与“行为”关系的形而上学追问，这些看似分属不同领域的思想成果，在近百年的时间跨度中自然汇聚、彼此碰撞、相互渗透，最终共同浇筑了AI Agent概念的核心内涵。

本研究旨在梳理AI Agent的概念溯源，以“概念如何形成”为核心问题意识，沿词源学、控制论与哲学意向立场三条线索展开谱系学追溯（如图1），并以麦卡锡“建议获取者”提案为概念从哲学走向技术的历史节点，厘清其概念演化的内在逻辑，为后续的架构演进研究提供坚实的学理基础与逻辑支撑。

图1 AI Agent多学科框架图

词源学中的权力委托：Agent的本质内涵

1.从“agere”到“Agent”：一个动词的名词化之旅

“Agent”一词的源头来自拉丁语动词“agere”，其本义就是“驱动”“行动”“执行”或“推动”。从古典拉丁语到中世纪拉丁语再至近代欧洲各语言，“agere”的现在分词形式“agens”（意为“正在行动者”）逐渐完成名词化转变，最终进入英语成为“agent”，并由此发展出“代理人”“执行者”“作用力”“媒介”等多重语义维度。

这一词源学脉络揭示了一个关键事实：Agent在语义基因中天然带有“行动”与“代理”两种互为联系、彼此不可割裂的属性。因此，当计算机科学于20世纪后期第一次正式借用此术语描述智能系统时，两重核心属性都被完整继承，并结合技术特性赋予了新的内涵——数字时代的“自主行动代理人”。

2.权力委托：从政治哲学到计算语境

在政治哲学语境中，“代理人”概念的核心是“委托—代理”关系的建立与运作。该关系实质上就是权力委托，当“代理人”概念延伸到AI Agent的计算语境时，“权力委托”的核心逻辑被其精确地映射，由此形成人机之间的“委托—代理”关系：人类主体（委托人）向AI Agent（代理人）说明任务目标、需求偏好及约束条件，授予其在一定范围内自主决策、自主行动的权力，而AI Agent作为人类主体的代理人，以自主感知环境、逻辑推理、行动执行的方式去达成预设的任务目标。

这种委托绝不是简单的“指令传递”或“代码执行”，因为AI Agent要严格遵守人类明确的指令，同时要主动揣摩人类的潜在需求，在动态环境之中灵活、合理地调整行动策略，处理突发事件。这正是AI Agent与传统计算机程序的本质区别：后者是被动执行预设代码的“工具”，没有自主决策能力，而前者是被赋予有限自主权的“代理人”，可在授权范围内自主判断、自主行动。

控制论：数字舵手的诞生与Agent的理论雏形

1.舵手的隐喻：控制论的核心思想

如果说词源学揭示了Agent“代表谁行动”的本质属性，明确了其“代理人”的身份定位，那么20世纪40年代诺伯特·维纳（Norbert Wiener）所创立的控制论（Cybernetics）就是Agent“如何自主行动”的第一个有严格科学形态的运作机制模型。这一词源于古希腊语“kybernētēs”，即“舵手”或“掌舵人”，其命名精准传达了维纳的核心学术洞见：动物行为及机器运行本质上都可被描述为“感知—反馈—调整”（如图2）的循环因果过程，这是系统维持稳态、达成目标的基本机制。

图2 控制论“感知—反馈—调整”闭环

维纳在1948年所写的著作《控制论：动物和机器中控制和通信的科学》中，对这一机制做了清晰系统的阐述：优秀的舵手能及时、准确地感知风向、水流、航向等诸种变化（感知环节），据此灵活地调整舵轮的角度及用力程度（行动环节），又随时注意船只实际航迹与预定航向之偏差（反馈环节），因此能以“感知—行动—反馈”的连续循环来不断修正行为，最终让船只安全到达目的地。他把生活常识升华到严格的科学理论高度：系统的“稳态”并不是靠固定程序维持的，而是通过“信息获取→偏差检测→行为修正”的闭环主动、可靠地来实现的。这一理论打破了传统机械论的框架：机器绝不只是执行固定指令序列的被动装置，它实际上可以在有限范围内“自主调整”，故而“自主行动”有了可建模、可分析的明确科学依据。

2.控制论与AI Agent的逻辑同构

控制论所提出的“感知—反馈—调整”闭环与后世AI Agent的“感知—推理—行动”核心架构有十分清楚、自然的逻辑同构性，二者的核心逻辑一脉相承。尽管控制论时代的“数字舵手”不是现代意义上的AI Agent，但是，更重要的是其根本逻辑始终贯穿于之后所有AI Agent的演化之中。从早期的智能控制机器人，到现代LLM驱动的AI Agent，“感知—反馈—调整”的闭环机制都是实现自主性的核心基础。控制论为AI Agent的“自主性”维度提供了最早的、具有严格科学形态的理论支撑，让“自主行动”从哲学思辨进入到了可建模、可设计、可实现的工程范畴，因此为后续AI Agent的技术研发奠定了重要的理论基石。

丹尼特的意向立场：为机器注入“灵魂”的形而上学支撑

1.三种立场：一个预测复杂系统行为的工具箱

词源学赋予了Agent“代表他者行动”的身份属性，明确了其核心定位；控制论给出了Agent“感知—反馈—调整”的运作逻辑，建立了其自主性的理论基础。但还有一个更深层的问题：在设计或预测复杂智能体行为时，应当在何种描述层次加以理解？怎样才能高效、准确地刻画其复杂行为？哲学家丹尼尔·丹尼特（Daniel Dennett）的“意向立场”理论，为这一问题提供了坚实的形而上学框架，成为AI Agent心理建模的核心哲学支撑。他在《意向立场》（The Intentional Stance）中系统、严谨地提出三种策略性“立场”（如表1），各立场适用于不同复杂度的系统，构成了一套完整的行为预测工具箱。

表1 丹尼特三种立场核心特征对比

物理立场（Physical Stance）是从系统的物理构成及自然规律出发，对系统的物理结构、物质组成、运动规律等加以分析，由此合理地预测系统行为，其适用于简单系统（石块、单摆）及需要严格物理分析的场合。

设计立场（Design Stance）是从系统的设计目的、功能出发，合理地假定系统诸部件都按设计意图正常工作，通过分析系统的设计逻辑、功能定位，预测其行为。这种立场适用于钟表、计算机程序等人工制品，无需关注底层物理细节，仅凭设计目标就可做出可靠预测。

意向立场（Intentional Stance）是当系统行为足够复杂，物理立场及设计立场都不经济、不可行时，就可把该系统当作有“信念”“欲望”“意图”诸种心理状态的理性代理人来看待，由此推测其“心理状态”（“相信什么”“想要达成什么”“打算怎么做”）。

2.意向立场对AI Agent设计的哲学解放

意向立场对AI Agent研究的贡献有十分明确、层次分明的双重性——既解决了理论上的哲学难题，又给出了实践性的设计指导，实现了对AI Agent设计的“哲学解放”。在理论层面，意向立场为AI Agent的设计提供了形而上学的“解放证书”。长久以来，“机器是否真的具有意识”的哲学命题一直困扰在AI研究者心头：若不能证明机器有意识，是否就不能用心理学术语描述其行为？而意向立场对此做了厘清：用“信念”“欲望”“意图”等心理学术语描述AI Agent的行为，不需要机器真的有意识，实质上是一种高效、可靠的行为预测及设计策略。这种理论的解放，为后来BDI模型（Belief-Desire-Intention，信念-欲望-意图模型）的发展做了重要铺垫：事实上，BDI模型的三个核心组件（信念、欲望、意图）几乎就是意向立场术语体系的工程化翻版，也是意向立场从哲学理论走向工程实践的最直接的转化成果。

意向立场确立了“理性代理人”的抽象层次，因而为AI Agent的模块化设计提供了基础，也使得设计者可以在该抽象层次上直接、明确地刻画AI Agent“应该相信什么”“需要达成什么目标”“决定采取什么行动”，而不需时刻关注底层的代码实现细节或硬件电路状态。因此，此种抽象层次的建立既降低了AI Agent设计的复杂性，也为多智能体系统（MAS）中用心理术语描述Agent间交互行为提供了统一、清晰的语义框架，对多智能体协同技术的发展有极大的促进作用。

符号AI革命与“建议获取者”：概念的技术落地

1.从哲学隐喻到工程提案的“惊险一跃”

通过词源学、控制论以及意向立场的三重论述，AI Agent的概念内涵已基本成型：它是接受人类权力委托、有“感知—反馈”闭环、可以用心理术语合理建模的自主行动者。但是，需要指出的是，若要让该概念真正进入计算机科学领域，成为可研发、可实现的技术实体，就必须完成一次典型的“惊险一跃”，即从抽象的哲学隐喻转向具体的工程提案。

在20世纪50年代，符号AI革命的根本思想是：用符号逻辑来模拟人类的思维过程，以符号的定义、推理与运算多种方式，实现机器的智能行为。这一范式打破了传统机械论的局限，将“思维”当作可符号化、可运算的过程来处理，由此为人工智能研究提供了新的方向。1958年，人工智能领域奠基人之一约翰·麦卡锡发表了论文《有常识的程序》（Programs with Common Sense），正式提出了“建议获取者”的架构，这也是人类历史上第一个完整可行的AI Agent系统提案，标志着AI Agent概念正式进入技术研发阶段。

2.“建议获取者”的核心架构与历史意义

麦卡锡提出的“建议获取者”构想是为了打破当时主流的“硬编码”程序范式，解决传统程序灵活性差、适应性弱的问题。在当时的计算模式下，程序一经编写完成，其功能边界便基本固定，要处理新情况、解决新问题，通常都要重新设计算法、重写代码。而他构想的“建议获取者”则相反，它是能运行于过程之中并动态获取、运用新知识的智能系统，其核心目标即“知识的动态更新与推理的自主生成”。换言之，“建议获取者”有三个核心能力，构成了其完整的系统架构：

其一，知识表示能力——能够以逻辑公理的形式，存储人类提供的知识及规则。因此人类可以将新的“建议”（问题解决方法、领域知识）以形式化逻辑语句的方式“告知”系统，系统不需要改写底层代码即可将其加入知识库中，实现知识的动态更新。

其二，逻辑推理能力——利用知识库中所含的内容作符号逻辑演绎，由此求得解决新问题的方法，故系统除能处理“已知的”任务外，还能推出“未知的”结论，因而它有“举一反三”的能力，真正突破了传统程序的功能限制。

其三，学习能力——能主动、有层次地整合新建议，更新知识库，由此在运行中实现能力增长。文中清楚地说明此种学习能力不是现代意义上的机器学习，而是以符号逻辑为基础的知识整合与推理优化，与现代AI Agent“根据环境反馈优化行为”的适应性特征一脉相承，因而也自然地引出后续学习机制的思路。

虽然当时的技术条件受到限制（算力匮乏、知识库规模有限、符号逻辑的局限性），麦卡锡所提出的“建议获取者”构想没有完全实现，但从概念演进的角度来看，“建议获取者”清晰地勾勒出了AI Agent的多个关键特征——知识表示、逻辑推理、学习能力和自主行动（如表2），为后续数十年的AI Agent研究确立了大方向。更重要的是，它完成了AI Agent从“哲学概念”到“技术提案”的决定性转变，让该概念正式进入计算机科学的研究议程，也成为AI Agent技术演进的逻辑起点。

表2“建议获取者”核心能力与现代AI Agent特征对比

结论

本研究从词源学、控制论和哲学意向立场三条相互交织的线索出发，系统追溯了AI Agent概念的百年谱系，并结合麦卡锡“建议获取者”提案，考察了概念从哲学隐喻走向技术实践的关键节点，通过多维度分析与对比，得出以下核心结论。

第一，AI Agent的概念绝不是某一学科孤立发展的产物，而是多学科思想交汇融合的结晶。词源学从语义角度厘清了其“权力委托”的本质属性，明确了AI Agent“自主行动代理人”的身份定位；控制论从科学角度给出了“感知—反馈—调整”的运作机制，建立了其自主性的理论基础；意向立场从哲学角度确立了以心理术语建模复杂行为的正当性，也为此类行为预测及设计提供了明确的形而上学框架。三者彼此不可替代，互为补充，共同构成AI Agent概念完整的、层次分明的内涵。

第二，AI Agent概念有十分清楚且逻辑严密的从“哲学隐喻”到“科学理论”再到“工程提案”的三阶段演进：词源学及早期哲学思考给其以“代理人”的隐喻基础，控制论把“自主行动”从哲学思辨升格为可以建模、可以分析的科学理论，而麦卡锡所提出的“建议获取者”完成了从理论到技术提案的决定性转化。因此AI Agent概念正式进入计算机科学的实践疆域，为之后的技术发展指明了方向。

第三，三条溯源线索最终汇聚于一个统一命题——AI Agent本质上就是“权力委托+反馈闭环+心理建模”三位一体的产物，因此该命题既是理解AI Agent概念内涵的极好框架，也清楚地厘清了其与传统计算机程序、简单智能系统的本质区别，更由此顺理成章地引出之后的各种架构设计。

概念之根既已厘清，演进之脉便有待展开。从“建议获取者”的符号推理，到BDI模型的心理建模，再到大语言模型驱动的认知跨越，一条从“逻辑推演”到“通用智能”的AI Agent架构演进之路正徐徐展开，而这将是另文探讨的核心议题。

本文作者：

杨磊

天津市第五中学

新疆生产建设兵团第十一师第四中学

张锦生

新疆生产建设兵团第六师五家渠第三中学

文章刊登于《中国信息技术教育》

2026年第11期

引用请注明参考文献：

杨磊 张锦生.AI Agent的概念溯源——从词源隐喻到技术提案的谱系[J].中国信息技术教育,2026(11):75-79.

陆续推送 敬请期待 ……

欢迎订阅

识别上方二维码订阅纸质版或电子版杂志