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)
通用大模型（如ChatGPT）本质是被动响应的对话系统，不会主动拆解任务、调用工具或迭代执行；而AI智能体是目标驱动的执行单元，能自主规划步骤、调用外部工具、根据中间结果调整策略，并在多轮循环中逐步逼近目标。
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。
AI智能体不试图穷举所有组合，而是通过启发式搜索、机器学习预测模型或贝叶斯优化等策略，在庞大空间中快速定位高潜力区域，将不可管理的搜索空间压缩到可实验验证的规模。
Discovery的专用AI智能体工作流程分为两步：第一步寻找最有前景的候选方案，第二步对候选方案进行优先级排序。
Discovery的核心机制是运行一组针对科研场景设计的专用AI智能体，这些智能体并非通用聊天机器人，而是任务执行单元。
若用户未提供订单号或系统找不到订单，智能体应主动询问订单编号，而非给出模糊回复。
在电商客服场景中，查询订单状态的智能体需要获取用户的邮箱地址和订单编号两类信息。
订单查询回答应包含三个要素：订单状态、预计送达日期和物流追踪链接。
先定义后构建的方法论适用于电商客服、内部知识库助手、预约管理系统和数据处理管道等场景。
取消、退款和投诉类请求被明确划定为必须转交人工处理的范畴。
还有 40 条时间轴事件
全部知识事实 (20)
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%已验证在缺乏工具连接的情况下，AI模型面对无法读取的数据会倾向于编造自信但错误的答案
65%已验证提示词注入通过在智能体处理的外部内容中嵌入伪装成指令的文本，诱导智能体偏离原始任务意图
65%已验证定义智能体意图的本质是在自主性与可控性之间寻找平衡：给得太死沦为普通脚本，给得太松埋下安全隐患
65%已验证现代AI系统尤其是大模型具有一定程度的涌现行为和不可解释性，可能产生连开发者都无法预料的输出
65%已验证AI智能体能够代表用户浏览网页、填写表格、提交材料并独立完成整个申请流程
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Git协议本身具有强状态性，仓库的读写操作需要访问特定的存储节点，使得简单的水平扩展无法直接应用于核心的Git服务层
65%待验证AI智能体网站的核心技术包括任务理解与拆解、智能体编排逻辑、虚拟环境执行和结果可视化呈现
85%待验证智能体产品区别于普通聊天机器人的关键体验差异在于用户可以看到整个问题被解决的过程
80%