复盘AI Agent的完整进化线：从LLM到Agent OS，以及我们该搭一个什么样的架构

这篇文章的起因是我在做一个Agent项目，把2022年到现在AI工程领域的演进翻了一遍。

翻完发现两个有意思的视角：

第一，所有爆火的Agent产品——从Agentic RAG到OpenClaw到Hermes——背后都在用同一个底层模式。 理解了这个模式，你就理解了整条进化线。

第二，如果把每个阶段放在一起看，这不只是一条技术迭代线，更是一份"怎么搭一个不落伍的Agent架构"的路线图。

一条隐藏的主线：ReAct

2022年，Google Research发了一篇论文《ReAct: Synergizing Reasoning and Acting in Language Models》（姚顺雨是第一作者）。核心思想极其简单：

思考 → 动手 → 看结果 → 再思考 → 解决问题。

听起来像常识？但就是这套"常识"，成了后面所有Agent产品的底层工作方式。

Agentic RAG：不是搜一次就完，而是搜了看结果→不够→换个关键词再搜→够了→综合回答。ReAct。

OpenClaw：模型收到任务→规划步骤→调工具执行→看输出→判断是否完成→继续或调整。ReAct。

Hermes Agent：DSPy + GEPA自动优化提示→跑一遍看效果→不行→进化下一轮→直到帕累托最优。ReAct。

AutoGPT为什么失败了？因为它也在用ReAct——但缺了"看结果"这一步的验证机制，导致"再思考"变成了空转。

Harness Engineering本质是什么？给ReAct循环加了两个东西：一个独立的Evaluator（帮你看结果），一个终止条件（告诉你什么时候该停）。

AI Coding工具（Cursor/Claude Code/Trae）为什么最先成熟？因为IDE天然提供了完整的ReAct闭环——linter/compiler是Evaluator，测试结果是反馈，代码补全是Generator。

理解了ReAct是底层模式，整条进化线就变得清晰了：每个阶段都在补ReAct循环的某个短板。

• RAG补了"动手"的能力（检索外部知识）
• Function Call补了"动手"的工具（调用API）
• MCP补了"动手"的标准化（统一接口）
• A2A补了"动手"的协作（Agent之间对话）
• Skill补了"动手"的复用性（封装能力）
• Harness补了"看结果"的可靠性（独立评估）
• Hermes补了"再思考"的自动化（自我进化）

好，带着这个视角，我们按时间线走一遍。

起点：模型能力跃迁（2022）

2022年底ChatGPT上线。模型越来越强——GPT-3.5→GPT-4→Claude，每次升级都让人觉得"这次真的可以了"。

但天花板很快出现：模型编造事实、知识有截止日期、不了解私有数据。

ReAct视角： 模型能"思考"，但不能"动手"，也没有"结果"可看。循环断在第一步。

RAG（2023）——用外部系统补模型短板

检索增强生成。先从知识库检索相关内容，再塞进上下文让模型基于事实回答。

RAG解决的是"模型不知道的事"。2023年被很多人称为"RAG元年"。

它揭示了AI工程的一个核心模式：模型能力不够时，用外部系统补。 这个模式贯穿了后面所有的演进。

开发框架：从LangChain到Dify、Coze（2023-2024）

2023年LangChain横空出世，把RAG、Prompt模板、记忆管理、工具调用封装成组件。2024年Java生态跟进——Spring AI和LangChain4j。

核心价值：把"每个项目都要重写一遍"的解决方案沉淀成可复用组件。

同期Dify以开源姿态填补了LangChain在国内的空白。Coze（扣子）走了另一条路——Bot商店+可视化工作流+插件市场，把Agent开发的门槛降到了"拖拽即用"。Coze的爆发说明了一件事：Agent时代的killer app，可能不是某个杀手级产品，而是一个让人人都能搭Agent的平台。

LangChain、Dify、Coze，三条路线至今都在并行——没有人证明哪个是正确答案。

AutoGPT（2023）——自主Agent第一次尝试

让模型自己规划步骤、自己调工具、自己迭代。Demo很酷，很快沉寂。

核心问题：缺乏停止条件和验证机制。

但AutoGPT证明了一件事：Agent的瓶颈不在模型智力，在外部控制系统。

Function Call（2023）——标准化的起点

OpenAI推出Function Calling，模型从"能说"变"能做"。但函数多了就迷路，能力边界也死。

Manus（2025）——产品级Agent标杆

2025年的现象级产品。通用型Agent，能自主完成电脑操作。2025年底Meta以超过20亿美元收购，从产品上线到收购仅270天。

Manus创始团队有一段被广泛引用的话：

"如果更强模型出来，你是更高兴还是觉得之前做的工作白费了？如果是高兴，那么我们认为是在正确的赛道上。"

好的Agent架构应该让模型升级成为红利，而不是让之前的工作变废纸。

MCP与A2A（2024-2026）——从统一工具到Agent协作

Anthropic推出MCP统一工具接口。2025年，Google推出A2A（Agent-to-Agent）协议——让不同框架的Agent能互相发现、委托任务、协作完成。A2A目前由Linux基金会管理，已有150+合作组织。

这意味着什么？Agent不再只是"单个Agent+多个工具"，而是"多个Agent互相协作"。 ReAct循环从一个Agent内部，扩展到了Agent之间——Agent A思考后把任务委托给Agent B，看Agent B的结果，再决定下一步。A2A的终极形态可能是出现Agent社区 ——Agent之间自主交流、交换知识、甚至形成社会结构。

Skill系统（2025）——封装可复用能力

OpenClaw引入Skill：工具+执行流程+记忆模板。Function Call从"选择"进化到"创造"。

AI Coding工具链：从Claude Code到Cursor、Trae（2025-2026）

在Harness成为主流之前，AI辅助编程已经率先完成了进化。

Claude Code把整个代码库当作上下文，接受任务后自主规划、执行、验证。Cursor是第一个AI原生IDE。Trae是字节跳动对Cursor的回应，内置中文界面和国内生态适配。

这三种工具的本质，是把Harness理念内嵌到了为Agent量身定做的工作环境里。编程是Agent能闭环验证的任务，所以它最先跑通了可靠生产的路径。

Harness Engineering（2025-2026）——可靠性保障

这是当前最关键的进展。前面所有阶段都在解决"能力"问题，Harness解决的是"可靠性"问题。

▪ Anthropic的实践

Planner→Generator→Evaluator，GAN式三Agent架构。单Agent 9废品，加Harness 200可用产品。

▪ OpenAI的实践

3个工程师，5个月，用Codex写出100万行代码，0行手写。

几个颠覆认知的实践：

• "给Agent一张地图不是百科全书"——AGENTS.md只有100行
• Agent能看到什么就能做到什么——Chrome DevTools接入，Agent自己操作应用做QA
• 自定义linter替代code review
• Agent连续工作6小时+，人类在睡觉

▪ 核心转变：in the loop → on the loop

传统方式是人每步都判断（in the loop）。Harness把人移到循环外（on the loop）——设计环境、制定规则、监控系统，Agent自主执行。

Hermes（2026）——自我进化

Hermes用DSPy + GEPA（遗传-帕累托提示进化）自动优化技能和提示。它把ReAct循环从"执行单个任务"提升到了"优化循环本身"——每一轮进化都是一次"跑任务→看效果→改参数→再跑"的ReAct，只是优化对象从任务结果变成了循环参数。

Context Engineering与AgentOps

Prompt Engineering的继任者——关注"给模型什么信息、以什么格式、在什么时候给"。Agent的生产运维——版本管理、成本追踪、A/B测试。

完整进化线

LLM能力跃迁（2022） 模型越来越强，但不能行动 ↓ RAG（2023） 模型不够？用外部知识补 ↓ 开发框架（2023-2024） LangChain / Dify / Coze 沉淀解决方案 ↓ AutoGPT（2023） 自主Agent第一次尝试，失败 ↓ Function Call（2023） 模型从"能说"变"能做" ↓ Manus（2025） 产品级Agent标杆，Meta $20亿收购 ↓ MCP、A2A（2024-2025） 统一工具接口、Agent之间能对话协作 ↓ AI Coding（2025-2026） Claude Code / Cursor / Trae ↓ Skill（2025） 封装可复用能力 ↓ Harness（2025-2026） 可靠性保障，in the loop → on the loop ↓ Hermes（2026） 自我进化

注意这条线的隐含模式： 每个阶段都在补ReAct循环的某个短板——动手能力、结果验证、迭代优化、Agent间协作。如果你在搭架构，先想清楚你的ReAct循环哪个环节最弱。

还没解决的两个核心难题

难题一：谁来评估评估者？

Harness把评估交给独立Evaluator Agent。但Evaluator也是LLM——同样有幻觉、有偏见。Anthropic自己承认"Claude is a poor QA agent"。"元评估"问题目前只有人能解决。

难题二：外循环脚本的误差累积

Harness让模型写脚本执行任务。但新脚本没经过测试，边界情况的误差会累积。不可能完全消除误差，但可以通过反馈回路把误差控制在预算内。

面向未来：三个正在改变游戏规则的趋势

▪ 趋势一：多模态原生——模型从"读文字"到"看世界"

2026年3月，OpenAI发布GPT-5.4——第一个具备原生Computer Use能力的前沿模型，支持1M token上下文。不需要截图转文本的中转层，模型直接看屏幕、操作界面。

Google的Gemini 2.5 Pro、Meta的Llama 4 Maverick都已支持原生多模态。这意味着什么？

• 模型能看屏幕 → Computer Use不需要外部工具中转，Skill层的部分"工具"会被模型原生能力吸收
• 模型能理解PDF/表格/代码仓库 → RAG的"先解析再检索"管道可能被"直接看"简化
• 模型能听能说 → Agent的交互方式从打字变成对话

对架构师的意义： 你现在搭的多模态适配层，应该设计成可插拔的插件。因为6-12个月后，模型可能原生吃掉这些功能。松耦合的适配层，拔掉就行；紧耦合的，得重构整条管道。

▪ 趋势二：世界模型——从"试了才知道"到"想了再试"

当前Harness的隐含前提：Agent先干，Evaluator后验。这是"后验式"可靠性——错了再改。

但世界模型（World Model）指向另一种可能：模型在行动前就能模拟结果。

Yann LeCun离开Meta创立AMI Labs，融资5亿欧元，估值30亿美元——一个还没发布产品的公司拿到这个估值，说明资本对世界模型方向的信心。LeCun的核心论点：LLM通过统计文本模式学习，永远无法理解物理现实。世界模型通过学习物理表征，才能实现真正的推理和规划。

Google DeepMind发布了Genie 3——第一个能实时生成交互式3D环境的世界模型，24fps。Fei-Fei Li的World Labs推出了Marble，让世界模型生成商业化可用。NVIDIA的Cosmos平台已有200万次下载，被机器人和自动驾驶团队用来生成物理感知的合成训练数据。

如果Agent能在"脑子里"跑一遍操作、预判结果，很多错误根本不会发生：

• 改代码前先模拟测试结果 → 编译错误减少90%
• 操作数据库前先预判影响范围 → 误操作减少
• 执行商业决策前先模拟市场反应 → 风险预判

这直接冲击Harness的Evaluator角色。 评估可能从"事后检查"变成"事前模拟+事后验证"的双保险。误差累积问题的根本解法可能不是反馈回路，而是预测性规划。

对架构师的意义： 在编排层预留"模拟器接口"——现在可以没有实现，但架构上应该有这个位置。当世界模型成熟，你的Agent可以从"边做边验"跳到"先想后做"。接口设计很简单：simulate(action) → predicted_result，让Evaluator可以在执行前后各调一次。

▪ 趋势三：模型吃掉中间层

如果模型能原生处理文件、浏览网页、调用工具，整条进化线会被压缩：

现在的栈： Function Call → MCP → Skill → Harness → 产品 压缩后的栈：模型原生工具 → Harness → 产品

MCP和Skill层会从"必需品"变成"企业加强包"。个人开发者和中小团队可能不再需要MCP——模型直接能操作。但企业级场景（权限控制、审计日志、合规要求）仍然需要。

这恰恰验证了"分层解耦"原则的价值。 松耦合的中间层，模型吃掉哪层就拔掉哪层；紧耦合的栈，模型每升级一次就重构一次。

下一步：Agent Runtime → Agent OS

所有进展都在解决"Agent怎么靠谱干活"。但下一个方向已经开始浮现。

▪ OpenClaw：Agent Runtime

类似JVM之于Java，OpenClaw之于Agent。管理Agent的生命周期、工具连接、会话状态、技能加载、跨渠道消息。

▪ ColaOS：Agent OS

2026年4月，ColaOS提出了更激进的概念——Agent OS，有灵魂的操作系统。

老操作系统操作Byte，新操作系统操作Token。大模型是CPU，Agent是内核。

它和Manus、OpenClaw的区别：

• Manus能干的员工——你交代任务，她做完等下一个
• OpenClaw工具箱——你得自己组装才能用
• Hermes 进化型教练——它不只帮你干活，还会自己训练自己，越用越强
• ColaOS她来适应你——开箱即用，记忆原生，主动做事

▪ 大厂也在走这条路

Anthropic的Claude Computer Use让AI直接看屏幕、操作电脑。OpenAI的GPT-5.4把Computer Use变成了模型原生能力。

Google的Project Astra探索"通用AI助手"。2026年1月Apple与Google达成10亿美元合作，Gemini成为Siri和Apple Intelligence的基础。

Agent OS可能会从桌面端走向移动端，成为每个人的默认交互方式。

展望：三条可能的路线

这三条路线不是互斥的——底层都是同一个ReAct循环（思考→动手→看结果→再思考），只是体验层做了不同的取舍。 Agent Runtime把循环暴露给开发者，Agent OS把循环封装成产品，平台内嵌把循环藏进操作系统。

角色速查

怎么搭一个不落伍的架构

基于这条进化线，一个前瞻性的Agent架构应该遵循几个原则：

1. 分层解耦。 能力层、通信层、编排层、体验层各自独立。模型升级只影响能力层。中间层设计成可插拔——模型能吃掉哪层，就拔掉哪层。

2. 评估体系独立于执行体系。 不要让执行者评估自己。保留人类介入的接口。同时预留模拟器接口——当世界模型成熟，评估从事后移到事前。

3. Harness是动态系统。 模型每升级一次，检查哪些组件不再必要。定期修剪比堆砌重要。

4. 误差预算思维。 不追求零误差，设定可接受范围，设计反馈回路控制在预算内。

5. 知识在仓库里不在人脑里。 Agent看不到的东西等于不存在。

6. 优先选择"boring"技术。 成熟、稳定的技术更容易被模型驾驭。

7. 为Agent OS时代预留接口。 确保你的架构可以向上演化为"人只管说"的体验。

8. 围绕ReAct循环设计。 每个组件都应该能回答"我在补这个循环的哪个环节"。如果回答不了，可能是多余组件。

最后

"学不过来怎么办？"

不用每个都学。这条进化线背后的逻辑是：能力不够用外部补→外部复杂了用框架沉淀→框架不可靠了用Harness保障→Harness成熟了向上做Agent OS。 这个"能力→沉淀→可靠性→体验"的螺旋上升才是本质。

而底层驱动这一切的，就是一个简单的ReAct循环：思考→动手→看结果→再思考。 每个阶段都在让这个循环更完整、更可靠、更自动化。

搭架构时，对准螺旋的方向，设计好你的ReAct循环，其他的都会跟上。

💡 一句话带走：AI Agent的每一次进化，都是在把人的判断从循环内移到循环外。你的架构应该让这件事成为红利，而不是威胁。

⚠️ 踩坑提醒：别被GitHub Star数忽悠了。Agent项目的活跃贡献者数量比Star更有参考价值。

❓ 灵魂拷问：你现在在做的Agent项目，如果GPT-6明天发布、能力翻倍，你是更高兴还是觉得之前白做了？