划重点：

1、李飞飞最新论文，为当下火热的 Agent 划定了边界、确立了范式。谷歌、OpenAI 和微软等巨头的最新布局，几乎都遵循了论文给出的能力栈。

2、论文提出了一套完整的认知闭环架构——从感知、认知、行动，到学习与记忆，构成动态迭代的智能体体系。这不仅是技术的整合，更是对未来 AGI 路径的系统性构想。

3、大模型是驱动 Agent 的核心引擎，但环境交互是解决幻觉和偏见的关键锚点。论文强调，LLM/VLM 提供认知能力，但必须通过真实或模拟环境的反馈来校准现实，减少幻觉，并引入伦理与安全机制。

4、应用潜力横跨游戏、机器人和医疗三大前沿领域——游戏中的沉浸式 NPC、机器人中的自主规划与物理操作、医疗中的智能问诊与健康管理，展现了 Agent 从理论走向实践的清晰路径。

作者 林易

编辑 重点君

2025年，被普遍认为是 Agent 的元年，与之相关的概念从年初至今热度持续走高，包括智能体、AI Agent、Agentic AI 等等。

而就在最近，一篇由李飞飞领衔的 Agent 重磅论文在业内引发了广泛讨论，热度居高不下。网友们如此评价：“几乎是跪着看完的”、“太清晰，硬控了我3个小时”。

这篇长达80页的综述名为《Agent AI: Surveying the Horizons of Multimodal Interaction》，由李飞飞等14位来自斯坦福大学和微软的专家联合撰写。

它之所以备受推崇，是因为这篇综述为 Agent 这一略显混沌的领域，建立了一个清晰的框架：从感知-决策-行动，到记忆、工具使用、环境交互与评测，试图把分散在对话模型、视觉-语言模型、强化学习、工具调用等技术线索，统一到一个多模态 Agent 的新视角里。

并且，虽然这篇论文最早发表于去年年底，但站在当下节点回顾今年 Agent 的发展，谷歌、OpenAI 和微软等主流玩家的核心打法，几乎都是按照论文给出的能力栈来推进的；这也反过来印证了论文对“从大模型到 Agent”这一演进路径的前瞻性判断。

也正如李飞飞在自传《我看见的世界》里强调的，“现在学生太过于追求热点，其实很多老论文是非常经典且具备借鉴意义”；即便这篇综述发表至今不过半年，但其意义之大、影响之深，仍值得每一位 AI 从业者深入品读。

接下来，我们就一起看看这篇纲领性巨作的核心价值。

01

Agent AI 的核心：一个全新的智能体认知架构

要理解这篇论文的精髓，首先必须把握其提出的全新 Agent AI 范式。这远非对现有技术栈的简单拼凑，更是一种对未来通用人工智能（AGI）发展路径的前瞻性思考。

论文中的架构图，便清晰地定义了这个范式的五个核心模块，它们共同构成了一个完整的、可交互的智能体认知闭环。

首先是环境与感知（Environment and Perception），这是智能体与世界交互的起点。

与传统模型被动接收结构化数据不同，Agent AI 主动从物理或虚拟世界中感知信息；这种感知是多模态的，涵盖视觉、听觉、文本、传感器数据等。

更重要的一点是，感知模块内嵌了任务规划与技能观察（Task-Planning and Skill Observation）的能力；这意味着 Agent 在感知环境时，并非茫然地接收一切信息，而是带着明确的目的去理解。

第二个核心模块是认知（Cognition）。

如果说感知是输入，那么认知就是处理中枢，是 Agent 的“大脑”。论文将认知定义为一个极其复杂的系统，包含思考、意识、感知、共情等高级智能活动。

这正是大语言模型（LLM）和视觉语言模型（VLM）发挥核心作用的场域。它们为 Agent 提供了强大的世界知识、逻辑推理和上下文理解能力。认知模块负责解释感知到的信息，进行多步推理，并制定出实现目标的策略。

接下来是行动（Action），它承接认知模块的决策，负责生成具体的操作指令。

这些指令可以是与物理世界交互的机器人控制命令（如移动、抓取），也可以是与虚拟世界交互的API调用、代码生成或自然语言回复。行动模块通过控制器（Controller）作用于环境，从而改变环境的状态。

第四个核心模块是学习（Learning）。

Agent AI 并非一个静态系统，其核心优势在于持续学习和自我进化的能力。论文强调了多种学习机制，包括预训练（Pretraining）、零样本/少样本学习（Zero-shot/Few-shot）、强化学习（RL）和模仿学习（IL）。

通过与环境的交互（即“Agent Interactive Closed-loop”），Agent 从成功和失败的经验中学习。环境的反馈（Feedback）会回流至学习和记忆模块，用于优化未来的决策。

最后，便是记忆（Memory）。

传统模型的“记忆”通常局限于短暂的上下文窗口，而 Agent AI 的记忆模块则是一个更持久、更结构化的系统。它存储着知识（Knowledge）、逻辑（Logic）、推理路径（Reasoning）和推断（Inference）的结果。

这使得 Agent 能够从过去的经验中提取知识，形成长期记忆，从而在面对新任务时，不必从零开始，而是可以举一反三。

这五个模块共同构成了一个动态的、持续迭代的闭环。Agent 通过感知环境，在认知核心的驱动下做出决策，通过行动改变环境，再从环境的反馈中学习和更新记忆，从而在每一次交互中，都比上一次更智能、更高效。

02

大模型如何驱动 Agent AI？

我们刚才解读的 Agent AI 新范式，可以说是这篇综述蓝图中的一个维度。

Agent AI 的宏大框架之所以在今天成为可能，其根本驱动力，源于大型基础模型（Foundation Models），特别是 LLM 和 VLM 的成熟。它们是 Agent 认知能力的基石，但也带来了新的挑战。

LLMs（如GPT系列）和VLMs（如CLIP、LLaVA）通过在海量数据上的预训练，内化了关于世界的大量常识知识和专业知识。这使得 Agent 在启动之初就具备了强大的零样本规划能力。

例如，当一个机器人 Agent 接收到“帮我热一下午餐”的指令时，它能利用 LLM 的知识，自动将这个模糊指令分解为一系列具体的子任务：“打开冰箱 -> 找到午餐盒 -> 把它放到微波炉里 -> 设置时间 -> 启动微波炉”。

这种能力极大地降低了为每个任务编写复杂规则的成本。

除此之外，论文敏锐地指出了大模型的一个核心问题——「幻觉」，即模型可能生成与事实不符或毫无根据的内容。

这在需要与物理世界精确交互的场景中是致命的。例如，一个机器人 Agent 如果“幻觉”出一个不存在的物体并试图抓取，可能会导致任务失败甚至设备损坏。

Agent AI 范式通过“环境交互”为解决幻觉问题提供了一个关键的「锚点」。因为 Agent 的决策和行动必须在真实或模拟的环境中得到验证。

如果模型生成的计划在环境中不可执行（例如，试图穿过一堵墙），环境会立即提供负反馈。这种持续的、基于物理规律的反馈，会倒逼模型将其内部的知识与外部的现实世界对齐，从而显著减少幻觉的发生。

基础模型同样会继承训练数据中的社会偏见。一个在充满偏见文本上训练的 Agent，其行为和语言也可能带有歧视性。

论文强调，在设计 Agent AI 时，必须将包容性作为一项核心原则。这包括使用更多元化的数据进行训练、建立偏见检测与纠正机制，以及在人机交互中设计符合道德和尊重他人的指导方针。

当 Agent（尤其是在医疗、家居等敏感领域）与用户进行深度交互时，会收集大量个人数据。如何确保这些数据的隐私和安全，是一项重大的伦理和技术挑战。

论文提出，需要为 Agent AI 建立明确的法规和监管框架，确保数据使用的透明度，并给予用户控制其数据的权利。例如，通过提示工程（prompt Engineering）限制模型的行为范围，或者增加一个由人类监督的验证层，都是确保 Agent 在安全可控范围内运行的有效手段。

03

Agent AI 的应用潜力

论文不仅提出了理论框架，还深入探讨了 Agent AI 在三个前沿领域的巨大应用潜力，展示了其如何从理论走向现实。

首先就是游戏（Gaming）场景。

传统的游戏 NPC（非玩家角色）行为由固定的脚本驱动，模式单一、可预测，而 Agent AI 将彻底改变这一现状。

例如，基于 LLM 的 Agent 可以扮演 NPC，拥有自己的记忆、目标和情感。它们能与玩家进行真正有意义的对话，根据玩家的行为和游戏世界的变化动态调整自己的行为，甚至形成复杂的社会关系。斯坦福的“生成式智能体”小镇实验（Generative Agents）正是这一理念的早期探索。

并且，玩家可以用自然语言与游戏世界互动，比如告诉 NPC“我们去森林里寻找草药”，NPC 能够理解并协同行动。这为开放世界游戏带来了前所未有的沉浸感和自由度。

Agent 还可以作为创作者的“AI 副驾驶”，根据简单的指令或草图，自动生成游戏关卡、道具甚至完整的 3D 场景，极大地提高游戏开发效率。

其次是机器人（Robotics）场景。

机器人可以说是 Agent AI 最直接的物理化身（Embodiment），用户只需用日常语言下达指令（如“把桌子收拾干净”），机器人 Agent 就能自主规划并执行一系列复杂的物理操作。

论文展示了使用 GPT-4V 来理解人类视频演示，并将其转化为机器人可执行任务序列的实验，这让机器人编程变得如「教孩子做事」般直观。

在模拟环境中训练机器人成本低、效率高，但如何将学到的技能迁移到物理世界是一个核心挑战。Agent AI 通过领域随机化（Domain Randomization）等技术，在模拟训练中引入足够多的变化（如光照、材质、物理参数的变化），使学到的策略对真实世界的细微差异更具鲁棒性。

机器人 Agent 融合视觉、语言、触觉等多种信息来理解环境。例如，它不仅“看到”一个杯子，还能通过语言指令理解这个杯子是“易碎的”，从而在抓取时采用更轻柔的力度。

最后，在医疗健康（Healthcare）中，Agent AI 同样具备巨大的应用潜力。

Agent 可以作为医疗聊天机器人，初步问诊、收集病史，并基于医学知识库为医生提供诊断建议，特别是在医疗资源匮乏的地区，能极大地提升初级诊疗的覆盖率和效率。

医疗领域的知识更新极快，任何错误都可能危及生命。Agent AI 可以连接权威的、实时更新的医学数据库，在生成诊断建议时，同步进行事实核查和来源引用，这对于抑制模型幻觉、保证信息的准确性至关重要。

Agent 可以帮助处理和分流大量的患者信息，监控慢性病患者的生命体征数据，并及时向医生发出预警，实现更高效的个性化健康管理。

结语

尽管前景广阔，但这篇综述也清醒地认识到，Agent AI 仍处于早期阶段，面临着跨越模态、领域和现实的多重鸿沟。

例如，如何让 Agent 真正实现视觉、语言、听觉、动作等模态的深度融合，而不只是浅层拼接，是未来的核心研究方向。

以及如何训练一个能在游戏、机器人和医疗等截然不同领域都能高效工作的“通用 Agent”，而不是为每个领域定制一个模型，是通往 AGI 的关键一步。

并且在评测与基准方面，如何科学地评测一个 Agent 的智能水平也是关键。为此，论文团队提出了新的评测基准，如用于多智能体协作的“CuisineWorld”和用于视频理解的“VideoAnalytica”。建立标准化的评测体系，对于指引领域发展、衡量技术进步至关重要。

回归原文来看，李飞飞等人的这篇《Agent AI》综述，远不止是对现有研究的简单梳理。它提出了一个统一、完整的 Agent AI 认知框架，阐述了大型基础模型在其中扮演的核心角色，并且系统性地剖析了其在关键应用领域的机遇与挑战。为当前略显喧嚣和碎片化的 Agent 研究领域，提供了一张不可或缺的“地图”。

最后，大家可以一键传送论文原文：

https://arxiv.org/abs/2401.03568