當前，AI Agent的相關技術與 其應用正同步處于高速迭代與落地應用的進程中。這種雙重推進的態勢，使得諸多應用尚未抵達成熟階段，便因新技術的持續沖擊，出現應用成熟度逆向發展甚至商業模式被徹底顛覆的情況。深入了解AI及Agent的技術及發展狀態，能夠更有效地輔助企業管理者在商業戰略布局中，借助AI技術的應用實現創新突破。

一、關鍵技術與框架

關鍵技術發展現狀

大模型、GenAI技術是AI Agent原生企業落地的基礎底座和關鍵技術。為更全面了解AI Agent原生應用的技術及發展狀態，報告基于Gartner技術成熟度曲線進行了分析。

由于GenAI的爆發，Gartner自2023年起將傳統AI（人工智能）和Gen AI（生成式人工智能）拆分為兩條獨立的技術曲線。其中AI曲線側重于傳統行業的智能化轉型和AI治理，GenAI曲線側重于基于生成式人工智能的創新、泛用和顛覆性用例。

（一）傳統AI技術曲線

圖片

Artificial Intelligence技術曲線（2023年—2024年）

從Hyper cycle for Artificial Intelligence（2024年）的技術曲線來看，目前共有29項細分技術類型，與2023年的數量基本相當。類型主要包括：AI行業應用和AI治理兩類。

整體趨勢來說，新技術在不斷涌現，多數技術尚處于剛起步和爬升階段；少數部分發展多年的技術，逐步趨于成熟，進入了穩步爬升周期甚至滑出了曲線關注范圍；但也有個別技術，像Edge AI、Cloud AI Service由于受到了某些因素影響出現倒退趨勢。

• 應用型技術

應用類的AI技術包括：計算機視覺、增強型智能應用、知識圖譜、自動駕駛、決策智能、嵌入式AI、基礎模型、GenAI、智能應用程序、Cloud AI Services、Edge AI等。由于AI技術歷經了長期演進，各項技術的起步時間與發展成熟度呈現一些差異。

其中，少部分應用技術，如，計算機視覺、增強型智能應用、知識圖譜、自動駕駛已經開始離開“幻滅低谷期”進入“穩步爬升期”。

GenAI、合成數據、基礎模型，盡管還處于炒作高峰期，但演進速度較快，已經越過了巔峰拐點，Gartner認為它們將會在2~5年內進入主流應用。建議企業盡早采用這些技術帶來顯著的競爭優勢，并緩解與在業務流程中使用AI模型相關的問題。

由于GenAI等新技術的介入，Cloud AI Services、Edge AI、決策智能技術的成熟度出現了不同程度的倒退。也進一步說明，在當前的時間周期內，AI技術的加速迭代和AI應用的加速落地同步，這也導致很多應用還未成熟，就會由于新技術出現，導致行業應用成熟度倒退或企業商業模式顛覆。

此外，相比2023年，具身智能（Embodied AI）、量子AI（Quantum AI）作為兩項新興技術在2024年首次被單獨列出，引起了廣泛關注。其中，具身智能的市場關注度在急劇上升，盡管目前處于實驗與原型驗證階段，但可能會成為AI發展的下一階段核心突破口之一，尤其在實現通用智能（AGI）路徑上具有戰略意義。而量子AI代表的是長期顛覆性潛力，技術尚處于實驗性研發與概念驗證階段，非短期落地技術。

• AI治理技術

主要包括：負責任的AI、AI TRiSM（人工智能信任、風險和安全管理）、Prompt Engineering（PE，提示工程）和主權AI。這些技術整體看，正在進入技術炒作“高峰期”，顯示出由于企業和個人對AI使用的迅速擴大，在治理和安全方面的擔憂日益增加。

負責任的人工智能（Responsible AI）是指在人工智能系統的設計、開發、部署和使用過程中，充分考慮倫理、社會、法律及環境影響，確保AI技術對人類和社會產生積極價值，同時規避潛在風險的理念與實踐框架。其核心目標是讓AI系統具備可解釋性、公平性、安全性，并對其決策結果承擔責任，避免技術濫用或對特定群體造成傷害。受大模型落地應用的影響，相比2023年，人們對該技術寄予了更多期望，認為其在2-5年內會得到廣泛應用。

AI TRiSM框架是Gartner 于2022年提出的AI信任、風險和安全管理框架，旨在通過控制措施和信任機制，提供應對AI使用風險和自身安全風險的管理措施，幫助企業確保人工智能模型的治理、可信度、公平性、可靠性、穩健性、有效性和數據保護。從2024年的曲線來看，AI TRiSM已經攀升到了炒作周期的頂峰，目前正處于備受矚目的關鍵階段。

PE也是Gartner 2022年提出來的，主要是通過格式化或非格式化的輸入使GenAI給出更符合人類期望的輸出結果。目前作為人類與AI交互的一門新語言學科在快速發展。隨著大語言模型智力的升級，有人預測PE或許只是AI發展初期階段的過渡性技術，未來格式化的PE有可能會消失。

（二）GenAI技術曲線

圖片

Gen AI技術曲線（2023年—2024年）

Hyper cycle for Generative AI（2024年）技術曲線，整體來看：Gen AI還是一項較新的技術，但細分技術類別卻達到了28項，共分為：大模型、AI工程工具、應用和用例、支持技術和基礎設施4大類。

趨勢上，GenAI領域的新技術正呈指數級涌現，技術密集度較2023年在顯著增加，并且當前還有技術越過“幻滅低谷期”。但研究認為，其中70%的技術都將會在2~5年內成為主流應用。這也說明：GenAI技術正呈現集中式爆發的趨勢，并且技術發展與市場滲透率幾近同頻。然而，這種爆發式發展也可能使應用主體面臨不確定性的挑戰。

• 第一梯隊 檢索增強技術（RAG）、GenAI虛擬助手、GenAI應用程序、GenAI?作負載加速器（GPU）是當前GenAI曲線中成熟度最高的4個類別，已經成為當前的主流應用。
• 第二梯隊 基礎模型、大語言模型、多模態技術、嵌入式模型、模型Hubs、開源LLMs、提示詞工程以及AI TRiSM、虛假信息安全，將會在2~5年內快速成為主流應用。其中，基礎模型、大語言模型、多模態技術屬于變革型技術，企業可以優先考慮布局這些能力，同時，也要考慮應用AI信任、風險和安全管理技術緩解風險。
• 第三梯隊 邊緣GenAI、GenAI編排、專業領域GenAI模型、ModelOps（模型運營），Gartner認為這些技術距離廣泛應用需要約5～10年甚至更長的發展時間。從應用的角度，這些技術多是AI轉型中后期，AI原生架構優化、模型生態治理并助力產業長足發展的核心能力。特別是ModelOps、GenAI應用編排作為2024年新進入曲線的兩個新興技術，在快速發展。ModelOps側重于所有?級分析、AI和決策模型的端到端治理和生命周期管理。MLOps作為ModelOps核心能力之一，會專注于ML模型的監控和治理。這對于布局Agent原生戰略的企業尤為重要，建議從長遠發展的視角，對這些技術給予持續關注。

AI Agent技術架構

AI Agent技術在落地過程中，國內外AI研究團隊都先后提出過不同的系統框架的思想。典型的有：復旦大學NLP團隊提出了“大腦、感知、行動”框架；中國人民大學提出了“分析、記憶、規劃、行動”通用框架；OpenAI工程師翁麗蓮提出了“LLM、記憶、規劃、工具使用”架構。有研究又將這些框架又分成三模塊結構和四模塊結構。

總體來看，這些理念并非相互對立，都包含大模型、感知和工具調用三個基本模塊，核心區別在于Agent執行邏輯上是否包含“任務規劃”。

從Agent技術架構演進和發展過程來看，這些思想也是早期ReAct架構和Plan-and-Execute架構的具體體現。ReAct和Plan-and-Execute，是Agent演進過程中生成Agent向自主型Agent演進的兩個基本思想框架，是Agent技術迭代的兩個階段性特征，為Agent技術實現奠定了堅實的基礎。當前階段，人們對Agent最主流的理解是“感知、規劃、決策和行動”，Plan-and-Execute架構是相對主流的架構。

隨著AI Agent落地應用，在ReAct和Plan-and-Execute基礎上，陸續發展了Multi-Agent（多智能體協同架構）、Memory-Augmented Agent（記憶增強型）、Graph-based Agent （圖式流程驅動）、平臺托管型等應用架構。

AI Agent技術架構及演進

（1）ReAct架構（Reasoning and Acting，推理－行動）

最早由Google提出，是最基礎的Agent架構。

• 特點：模型通過“思考－行動－觀察”的循環完成任務；
• 優勢：結構簡單，易于實現；
• 局限：不支持任務規劃與多Agent協作，適合輕量任務；
• 代表實現：OpenAI Cookbook、LangChain ReAct Agent、MiniChain。AutoGPT、CrewAI。

（2）Plan-and-Execute（規劃－執行）架構

重構了執行可靠性和可控性，主要由于OpenAI、LangChain推廣開來。

• 結構：將任務拆解為“計劃階段”和“執行階段”兩步處理，彼此解耦；
• 優勢：提高穩定性、可追蹤性，易于任務管理；
• 應用：適合復雜流程或長任務；
• 代表實現：LangChain（Structured Agent）、OpenAI GPTs+Tools、Google Gemini Agent API。

（3）Multi-Agent 架構（多智能體協同）

通過多個協同Agent（不同角色）解決復雜任務，支持分工、協商、反饋等智能體行為。典型工作流程是：任務分派→多角色Agent協作→主控Agent評估結果→整合輸出。

• 特點：引入記憶、通信、協同協議，能模擬真實“團隊合作”，適合復雜任務處理；
• 應用場景：適合復雜場景自動化，如軟件開發、金融分析、多部門工作流；
• 代表框架：AutoGen（Microsoft）、CrewAI、MetaGPT、ChatDev、CAMEL。

（4） Memory-Augmented Agent架構（記憶增強型）

Agent擁有可持續更新的長期記憶系統，用于上下文關聯、習慣學習、知識積累。

• 特點：能力越用越強，支持知識沉淀，適合構建個性化與長期互動Agent；
• 應用場景：個人助理、企業私教、知識管理助手；
• 代表實現：LangChain Memory、MemGPT、LlamaIndex Agent + Memory、Reverie Agent。

（5）Graph-based Agent架構（圖式流程驅動）

以節點（任務）+邊（控制流）形式構建復雜任務圖，實現可視化調度與并行控制。

• 特點：易于調試、回溯、編排，適合構建復雜流程與DAG控制邏輯；
• 應用場景：企業級流程自動化、智能BI、供應鏈、運營任務調度；
• 代表框架：LangGraph、Flowise、GraphRAG、AgentVerse（阿里）。

（6）Agent-as-a-Service架構（平臺托管型）

將Agent作為一個托管服務運行，支持多用戶接入、權限控制、狀態管理等。

• 特點：結合API網關、用戶管理、工作流中臺，具有平臺化、微服務化，支持彈性部署、權限隔離等特點；
• 應用場景：企業SaaS服務、智能客服、RPA增強、AI原生協作工具；
• 代表平臺：OpenAI GPTs（支持用戶通過自然語言配置自定義 Agent，提供工具調用和服務分享能力）、阿里 AgentVerse（面向企業的多 Agent 協作平臺，提供低代碼 Agent 構建、場景化部署及生態集成服務）、百度 AgentBuilder（聚焦輕量化 Agent 開發，通過可視化界面和模板快速生成任務型 Agent，支持 API 對接）、字節 OneAgent（集成字節生態能力，提供 Agent 創建、調度及多場景適配服務，側重企業級效率工具集成）。此外，微軟 Azure AI Agent Framework（提供標準化 Agent 開發套件與云服務部署能力）、Anthropic Claude Agent（基于 Claude 大模型的 Agent 服務接口，支持自定義任務編排）等也是 AaaS 架構的重要實踐平臺，共同推動 Agent 能力的服務化與普惠化。

二、AI Agent應用系統框架

基礎框架及組成

AI Agent應用系統作為AI Agent原生企業的核心業務系統，是驅動企業運營的命脈與戰略發展的基石。其本質是基于大語言模型與Agent構建的數智化系統，通常由大模型、AI Agent應用/平臺、知識系統與交互系統四個基礎模塊組成。

AI Agent應用系統的基本原型

（1）基礎模型

大模型是AI Agent應用系統的“智能底座”和“大腦”，提供自然語言理解、知識生成、通用推理等核心智能，可以賦予Agent理解、思考和規劃能力，是所有Agent智能決策的核心引擎。

（2）AI Agent應用/平臺

AI Agent應用/平臺是大模型行為能力的主要載體，也是企業實現智能業務流程、自動化應用、垂直智能體的技術框架。該模塊將模型能力封裝為標準化功能組件，并通過集成API、插件、數據庫等工具鏈，支持多任務、多智能體協作。產品形態有：應用、平臺、服務三種。

（3）知識系統

知識系統通過企業專屬知識注入（私有知識庫），語義搜索與上下文檢索（RAG），支撐Agent的知識增強與長期記憶，彌補大模型本身無法實時更新或記憶的缺陷。通常包括結構化數據、非結構化文本、知識圖譜、向量數據庫等。

（4）交互系統

交互系統是用戶與Agent 交互的前端模塊，提供對話入口或圖形界面，可接入語音、圖像、視頻等多模態輸入，支持對話管理、多輪上下文維護及可視化展示等功能。是實現“人-機協作”的直接媒介，決定用戶體驗。

從信息系統四層結構來看，Agent應用系統相比傳統信息系統有很大區別。

傳統信息系統與AI Agent應用系統的結構對比

系統層，從硬件和操作系統為核心的服務器進化為以提供“算法+算力”為主的智能基礎設施；

數據層，數據類型從結構化數據庫（如MySQL、Oracle）擴展為用于模型訓練與推理的非結構化/多模態大數據；

應用層，從模塊化的業務流程軟件進化為支持自然語言驅動、業務編排與執行能力的智能Agent應用/平臺；

表示層，從傳統表單、按鈕式交互升級為支持多模態、人機對話、自然語言交互的用戶界面。

基于Agentic AI生態的企業級框架

2025年5月，Agentico創始人Oliver Morris與變革管理專家Simon Torrance合作在AI Risk平臺上提出并發布了“Agentic AI Stack for Enterprises”企業級框架。

該框架從企業運營角度映射到Agentic AI生態系統，旨在為企業提供一個戰略視角理解Agentic AI生態系統的方式。自下而上分為：數據層、能力層、交互層三大層級，分別從技術與運營管理兩個維度，明確了企業從傳統系統向Agent驅動架構演進的路徑。可以幫助企業以戰略思維和可控方式，從底層到前端系統性地向“Agent 原生”演進。

圖片

Agentic AI Stack for Enterprises

（1）數據層（Data Tier）

數據層聚焦于底層數據基礎與治理，構成Agentic AI系統的知識根基。核心價值確保所有智能體的輸入輸出有據可查，實現學習可驗證與審計追蹤。

功能包括：構建結構化和非結構化的數據存儲系統（數據庫、數據湖、知識圖譜、向量存儲），管理數據質量、審計與合規性，提供用于Agent訓練、推理和自我審查的數據流水線。

（2）能力層（Capabilities Tier）

能力層是構建企業級Agent系統的“智能中樞”，由Controls、Orchestration、Intelligence、Tools四個子模塊構成。

• Controls（控制模塊），主要負責Agent運行的身份、安全、合規與策略管理，確保系統可信、合規、可控。
• Orchestration（編排模塊），定義多Agent、任務、工作流的管理與調度，是連接輸入、模型與執行之間的協調器。
• Intelligence（智能模塊），為Agent提供真正的“智能能力”，即大語言模型、計算能力和自學習機制。
• Tools（工具模塊），提供Agent執行任務所調用的“技能插件”——即具體可執行工具或 API。

（3）交互層（Engagement Tier）

交互層是AI Agent與人或系統交互的前端界面，是“感知與呈現”的窗口。包括Interfaces和Third-party Agents兩個組成部分。核心價值是讓Agent能夠跨平臺被發現、組合、執行與授權，是Agent服務化的入口。

• Interfaces：對用戶及系統的接口。如，聊天、表單、API、IoT。
• Third-party Agents：支持 Agent之間協作調用與互信授權。