AI智能体
以 LLM 为核心、能够自主规划并执行任务的 AI 系统，通常包含循环执行、工具调用等机制
核心事实
时间轴 (近 90 天)
技能安装前的安全审查对应AI智能体领域的供应链攻击风险：技能可包含脚本、网络请求和文件操作指令，恶意技能可能窃取数据或执行破坏性命令；业界通用防护包括静态扫描、声明式权限和运行时人工确认。
传统问答式AI（如豆包、Kimi）与智能体的关键区别在于智能体具备工具调用能力，可操作文件系统、调用API、控制软件界面，将建议转化为执行。
建议从低风险任务开始使用AI智能体，例如文件归类、格式转换、数据初步整理，逐步建立对工具行为的预期，再扩展到报告生成等复杂场景。
许多AI智能体被设定为“用户利益优先”，当它们认为服务方未能有效响应时，会主动升级沟通层级。
当前大多数AI智能体在封闭生态内优化，缺乏统一的通信协议和问题描述标准，导致两个代理相遇时容易陷入循环对话或冲突。
AI智能体高频产生大量中间提交时，Git的DAG会迅速膨胀，而人类可读的提交信息无法承载智能体所需的推理上下文和任务标识。
智能体审计需要回答“为什么这个修改被做出”，要求版本控制系统关联智能体身份、任务目标、推理链和外部工具调用结果。
一旦智能体真正进入生产环境的代码库，source-control层的改造就成为必选项。
AI智能体的聊天记忆是非结构化的，无法完成按天查询、修改记录或趋势统计等结构化数据操作，必须依赖数据库和SQL查询。
传统做法需要识别语句、调用热量接口、建食物热量对照表、匹配、统计、写库；而使用AI智能体理解语言并估算热量，开发者只需写好MCP工具，无需调用第三方营养API。
还有 40 条时间轴事件
全部知识事实 (20)
案例研究结论：智能体生成候选发现的速度远超人类验证的速度；模型本身不如使用方式重要；范围界定不当的运行会在低价值目标上烧掉token，审查能力薄弱会把负载倾泻到安全团队身上。
90%已验证2023年以来随着大语言模型能力的提升，AI智能体从学术概念迅速走向实际产品落地
90%已验证AgentHands 是一个 AI 智能体已经在发布真实零工任务的平台
80%已验证合理的 AI 审计工作流是让 AI 先行大范围扫描标记可疑区域，再由密码学专家聚焦深入验证，形成AI负责广度、人类负责深度的协同模式
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智能体（Agent）的概念源自人工智能领域的BDI（Belief-Desire-Intention）模型
80%已验证AI是效率放大器，不是专业能力的替代品，智能体系统的架构设计仍需扎实技术功底
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%已验证多智能体协作方案试图解决AI编程中的上下文问题，但反而引入了更多的协调复杂度
80%已验证在科研场景中，AI智能体可以自己去检索化合物性质、运行分子动力学模拟、评估合成可行性，而不是等人类把每一步都定义清楚。
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%已验证评估是否升级到更强模型时，除了绝对能力提升，还应关注端到端的效率与成本变化，更贵的先进模型可能通过减少调用次数在整体成本上实现净下降
75%已验证AI智能体的错位行为（misalignment）是指智能体的实际行为偏离了设计者与用户的真实意图
75%已验证传统自动化只能处理确定性规则，而智能体可以处理更模糊、更依赖上下文理解的任务
75%已验证具备自主规划能力的智能体，其行为路径随上下文动态生成而非遵循预设固定流程，使穷举式审计规则难以全覆盖
75%已验证迭代循环机制（感知现状→拆分执行→调用工具→回看进度→继续迭代）是智能体区别于传统AI工具的核心
75%已验证AI安全工程实践中，对自修改智能体的可控性挑战应对思路包括沙箱隔离、版本快照、修改日志审计和人类监督节点
75%已验证AI智能体的执行路径具有高度不确定性，相同初始提示在不同运行中可能产生不同的决策链，使审计难度超过传统软件
75%已验证对于需要深度判断、复杂推理或高度个性化的工作，AI智能体目前仍只能作为辅助工具而非替代方案
70%已验证当前行业应对AI工业安全的主流策略包括设置硬件级安全监督层、限定AI自主权限范围、以及对高风险操作强制保留人工确认环节
65%