今天給家人們分享一下，2025 AI Agents的六大趨勢、Multi-Agents的協作架構、Agent的自主L1 ~ L5等級 ~

趨勢一：DeepResearch Agent —— 任務從執行到拆解與監督

我們最熟悉的Agent模式是接收一個任務，然后自己從頭干到尾。

DeepResearch的玩法變了，它引入了一個Manager的角色。

Manager 不親自干活，核心任務是兩件事：

• 拆解任務：把一個復雜問題（比如“分析Q3季度AI Agent行業報告”）拆解成一堆更小的、可以獨立執行的子任務（文獻檢索、數據驗證、圖表生成、摘要撰寫等）。
• 監督與整合：把這些子任務派發給不同的“專家Agent”，然后監督它們的工作，最后將結果整合成一份完整的報告。

Anthropic Multi-Agent Architecture in Action

Anthropic 的 Deep Research，就是用的這種 Orchestrator-Workers 模式。

主Agent（Opus 4）負責策略制定和任務分配，子Agent（Sonnet 4）負責并行執行，性能直接提升了90%以上。

趨勢二：Coding Agents —— 從單人開發到AI軟件團隊

編程可能是Agent最快落地的領域。單個Coding Agent也許能寫一個函數或修復一個bug，但面對整個軟件生命周期（需求、設計、編碼、測試、部署）就有一點扛不住了。

所以大家都在說，未來的AI編程，會是一個AI Team：

• 產品經理Agent:負責理解需求，編寫PRD。
• 架構師Agent:設計系統架構和技術選型。
• 程序員Agent:編寫具體的代碼。
• 測試工程師Agent:編寫單元測試和集成測試。
• 運維工程師Agent:負責部署和監控。

這種協同工作的模式，讓AI真正有能力端到端地交付一個完整的軟件項目，而不再只是個高級的代碼補全工具。

趨勢三：CUA (Computer Using Agents) —— 桌面不再是界面，而是可編程環境

讓Agent操作我們的電腦，一直是行業的終極目標之一。但單一Agent學習操作無數軟件的成本極高，而且非常脆弱。

一個新思路是：為不同的任務和軟件訓練專門的Agent。

• 一個Excel Agent，精通所有表格操作和數據透視。
• 一個Photoshop Agent，擅長圖像處理和設計。
• 一個瀏覽器Agent，負責信息檢索和在線操作。

當一個復雜任務（比如“從網頁下載數據，整理到Excel，然后做成PPT”）下達時，一個“總管Agent”會依次調用這些“專家Agent”來接力完成。

趨勢四：Agentic RAG —— RAG已死，可反思、可規劃的檢索當立

傳統的RAG就是個“問-查-答”的單向過程，AI無法判斷檢索到的內容是否準確或充分。

Agentic RAG則是一個動態的、可反思的多Agent流程：

1. 查詢Agent:負責理解用戶問題，并將其轉化為多個檢索查詢。
2. 檢索Agent:并行執行查詢，從多個數據源獲取信息。
3. 評估Agent:評估檢索結果的質量和相關性，如果信息不足，會要求“查詢Agent”重新生成查詢。
4. 總結Agent:基于篩選后的高質量信息，生成最終答案。

這個過程引入了規劃、執行、反思的閉環，讓信息檢索的可靠性發生了質的飛躍。

趨勢五：Agent Protocols —— 讓AI們說同一種語言

當成千上萬的Agent需要協作時，必須有一套統一的“溝通協議”，就像互聯網的TCP/IP一樣。這就是Agent Protocols要解決的問題。

無論是OpenAI的MCP，還是Google的A2A，它們都在嘗試定義一套標準，讓不同的Agent能夠：

• 互相發現 (Discovery):知道彼此的存在和能力。
• 任務分配 (Task Assignment):清晰地傳遞任務和上下文。
• 數據交換 (Data Exchange):安全、高效地共享信息和狀態。

趨勢六：Voice Agents —— 從語音助手到實時AI隊友

未來的語音交互，不會是一個孤立的AI在回答你。當你開車時，一個多Agent語音系統可能正在協作：

• 感知Agent:負責將你的語音轉化為文本，并理解意圖。
• 導航Agent:實時規劃路線。
• 通訊Agent:幫你撥打電話或回復消息。
• 娛樂Agent:控制音樂播放。

它們在一個共享的上下文中無縫協作，提供的是一種情景感知、主動服務的環境智能，這與Siri、小愛同學這類被動響應的“語音助手”有本質區別。

Multi-Agent的協作架構

那么，這些Agent們到底是如何協同工作的呢？微軟Azure和Anthropic給出了幾乎一致的答案，我們可以將其歸納為五種核心編排模式。

1. Sequential Orchestration: 像工廠流水線，每個Agent處理上一個Agent的輸出。適用于“起草-審查-潤色”這類線性工作流。

2. Concurrent Orchestration: 多個Agent同時處理同一個任務，從不同角度提供見解（比如技術、商業、創意），然后匯總。

3.Group Chat Orchestration: 所有Agent在一個共享的對話中協作，由一個“聊天管理器”協調流程，適合頭腦風暴或復雜問題決策。

4. Handoff Orchestration: 任務在一個Agent網絡中動態傳遞，每個Agent評估任務后，決定是自己處理還是移交給更合適的Agent，非常適合復雜的客戶服務場景。

5. Magentic Orchestration: 專為開放式、無預定解決方案的復雜問題設計。一個“經理Agent”會動態構建和完善任務列表，并與“專家Agent”協作來制定和執行計劃。

Agent的治理與風險

當Agent可以自主行動時，一個終極問題浮出水面：我們如何控制它們？

華盛頓大學在2025年的一篇論文中，提出了一個“AI自治五級”框架，它不關注Agent的能力，只關注用戶在交互中的角色。

Levels of Autonomy

• L1 操作員 (Operator):人類完全控制，AI僅提供建議或執行單步操作。
• L2 協作者 (Collaborator):人機協同，多輪溝通，動態分配任務。
• L3 顧問 (Consultant):AI主動規劃和執行，人類提供反饋和方向。
• L4 審批者 (Approver):AI幾乎完全獨立，僅在關鍵節點尋求人類批準。
• L5 觀察者 (Observer):AI完全自主，人類僅監督和擁有“緊急停止按鈕”。

最后

2025年，AI Agent領域最激動人心的故事，不再是關于某個模型跑分又提升了多少，而是關于智能體之間如何形成高效、可靠的協作。

從DeepResearch的任務拆解，到Coding Agent的軟件團隊...

我們正在見證智能體時代的到來。

本文轉載自???探索AGI???，作者：獼猴桃