智能体
核心事实
时间轴 (近 90 天)
当前主流智能体实现方式包括浏览器自动化（如 Playwright）、桌面控制（模拟鼠标键盘）和屏幕理解（OCR、视觉定位）。
短期看，智能体仍将在人类界面的夹缝中运行，屏幕读取和模拟操作依然是主流方案。
拟人化智能体路径的优势是通用性强，无需目标软件提供接口；代价是效率低、易出错、依赖界面稳定性。
教程建议先学习工作流再学习智能体，因为工作流是更底层的编排能力，先理解节点串联再理解智能体调用，学习曲线更平缓。
工作流和智能体是互补关系而非替代关系：工作流可作为工具被智能体调用，智能体也可嵌入工作流中承担自然语言理解节点。
用户可以直接复制预置智能体模板，编辑模型、分类、知识库和描述后发布为自己的专属智能体。
业界常用任务成功率而非单次演示效果来衡量智能体能力：同一任务重复多次，看有多少次能一次交付合格结果，以及失败时能否自我发现并修正
真实办公场景中常见命名混乱的压缩包、合并单元格的表格、扫描件PDF，这些会显著拉低智能体的任务成功率
有部分开发者指出，智能体要求转人工可能只是遵循了预设的升级策略，而非真的“生气”。
基于大语言模型的智能体具备语义理解与工具调用能力，可以解析非结构化的设备规格书、按需调用参数校验接口、在遇到歧义时生成自然语言提问并暂停等待人工确认。
还有 40 条时间轴事件
全部知识事实 (20)
AI评估对象分为大语言模型评估、知识库（RAG）评估、智能体（Agent）评估三层，且呈知识度和复杂度递增的递进关系
80%已验证AI智能体具备三个关键能力：任务规划、工具调用、记忆与上下文管理
80%已验证AI Agent是一种能够自主感知环境、做出决策并执行操作的人工智能系统，与传统AI聊天机器人不同，它具有目标导向性、自主规划能力和调用外部工具的能力
80%已验证AI与过往技术的不同之处在于它具备前所未有的渗透力与自主性，能自主生成决策、生产内容、驱动行为
80%已验证常驻智能体的技术实现通常依赖持久化记忆、工具调用能力以及任务调度机制等核心组件
75%已验证智能体的延迟与成本随工具调用次数线性甚至超线性增长
75%已验证对于机械重复消耗时间的任务应交给 AI，对于需要深度理解、塑造判断力、构建核心能力的事情应亲力亲为
75%已验证RAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%已验证智能体循环遵循「推理-行动-观察」范式，反复迭代直到达成目标或触及停止条件
70%已验证文章作者认为智能体时代的核心竞争力在于能否把专业经验与AI能力深度结合，而非会用多少工具
70%已验证智能体核心机制是：模型发出工具调用请求→代码运行工具→执行结果回传给模型→模型决定下一步的闭环
65%已验证具身智能是指将智能系统嵌入拥有物理身体、能够与真实环境直接交互的机器人或智能体中的研究方向
65%已验证智能体产品可归为专业智能体、通用智能体、平台搭建型智能体三类
65%已验证判断一个智能体需求是否成立可依据任务是否结构清晰、数据是否可控、结果是否可验收
65%已验证高阶智能体引入了 ReAct（推理+行动）或多步规划能力，能自行分解目标、动态选择工具、根据中间结果调整后续步骤
65%已验证一个AI系统涉及数据提供方、模型训练方、微调者、部署平台、终端用户等多个环节，责任链条比枪支复杂
65%已验证如今的AI智能体具备真正的行动能力，能够跨多个步骤自主完成任务并模拟人类在网页上的点击、填写和提交操作
65%已验证智能体（Agent）与传统对话大模型的本质区别在于：对话模型是输入→输出的单次映射，Agent是输入→[推理→决策→行动→观察]×N→输出的多轮迭代循环
65%已验证间接提示注入的原理是攻击者将恶意指令伪装成正常数据，通过Agent信任的数据源传递给模型，诱使模型将数据解读为指令并执行
65%已验证智能体（Agent）是具备自主决策能力的AI，能自行拆解任务如搜索信息、提取内容、生成报告
65%