2026-04-05

这一两年，Agent 给人的感觉越来越像人了。

最早它只是会聊天，会思考，会推理。后来它有了工具，能查资料、改文件、跑命令。再后来它开始有 Skill，有 Memory，有 Soul，有 Rules。你越看越觉得不对劲：这玩意儿怎么像是在长器官？

刚开始它像个嘴很会说、手脚不太利索的实习生。再过一阵，它像个会用工具的同事。等它有了长期记忆、稳定人格和规则约束之后，你已经很难把它当成一个单纯的“聊天机器人”了。

一看到这儿，有人兴奋，有人害怕：它是不是快“变成人”了？是不是迟早替代咱们？

我的看法没那么戏剧化。Agent 的拟人化，本质上不是在复制人类的外表，而是在补齐人类工作的功能模块。 不是先长脸，而是先长脑、长手、长记忆、长习惯、长规矩，最后再长出“组织能力”。

这条路，其实已经挺清楚了。 去年初还是主要问 ChatGPT 问题，期待 AI 给的答案，现在已经让 AI 帮我做很多的案头工作了，写代码，改文档， 安排会议并写会议记录， 它越来越像一个聪明的秘书了， 幸亏我当年在国企干了两年秘书后果断转行了

先把一个误区打掉：拟人化，不等于真的“像人”

我们平时说“AI 越来越像人”，很容易脑补成两个方向：

1. 它会像人一样说话、表达情绪、安慰你
2. 它会像人一样工作、记事、协作、守规则

真正重要的是第二种。

前一种是界面层的拟态，后一种才是工程层的进化。企业愿意给 Agent 掏钱，可不是因为它会说“抱抱你”，而是因为它能：

• 读文档
• 调工具
• 记上下文
• 执行流程
• 遵守权限
• 在出错时回退
• 把任务交给别的 Agent

这些能力凑一块儿，才勉强接近“一个能上班的人”。

聊 Agent 的未来，别盯着它会不会变成电影里的机器人。盯着它有没有把知识工作里那些关键器官一个个长出来，更实在。

第一阶段：先有脑子，但还没有手

最早的大模型，其实更像一个高智商但坐在轮椅上的顾问。

它能思考，能归纳，能解释，能写一篇像模像样的文章，也能帮你分析代码和方案。但问题也很明显：它知道很多，却动不了环境。

这一阶段的能力核心是：

• 推理
• 语言生成
• 计划草拟
• 领域知识压缩

但它缺两样关键的东西：

1. 感知外部世界的接口
2. 改变外部世界的执行能力

所以那个阶段的大模型，看起来聪明，干活却总差点意思。就像办公室里有一种同事，脑子转得快，PPT 也写得漂亮，可你让他去系统里点一下、查个日志、改个配置，他两手一摊：“我没有权限。”

Agent 的第一步进化，就是给它装上眼睛、耳朵，然后是手。

第 1.5 阶段：有了多模态，Agent 才“睁眼看世界”

在装上手（Tool）之前，Agent 还需要先长出眼睛和耳朵。

最早的大模型只吃文本、只吐文本。你跟它聊天可以，但你发一张架构图给它，它看不懂；你给它一段会议录音，它听不见；你想让它帮你分析一段视频，它更是两眼一抹黑。

多模态（Multimodal）解决的就是这件事：让 Agent 的感官从纯文字扩展到图、声、视频。

别小看这一步。表面上是“多了几种输入格式”，实际改变远不止此。

输入侧：看得见、听得到

今天主流模型已经开始支持：

• 图片理解：看截图、看架构图、看白板手写、看 UI 界面、看报错信息截图
• 音频理解：听语音消息、听会议录音、做实时语音对话
• 视频理解：分析视频片段、理解屏幕录制、从监控画面中提取信息
• 文档理解：直接读 PDF、读扫描件、读表格图片

这意味着 Agent 的信息入口从“只能读文字”扩展到了“能看能听”。

举个实际例子。以前你想让 Agent 帮你排查一个前端 bug，你得把报错信息一行一行复制粘贴过去。现在你可以直接截个图扔给它，它自己看报错、看 UI 状态、看控制台输出，然后告诉你问题在哪。

再比如，你开完一个小时的会议，以前得自己写纪要。现在可以把录音扔给 Agent，它听完给你一份结构化的会议纪要，带 action items 和 owner。

现在我司的会议记录功能已经非常强了， 我当年当秘书时练就的会议速记本领已经没啥，写得没 AI 快， 总结得没有 AI 全面， 唯有会议记录的 Action 那一项写得比 AI 强

这不是锦上添花。你想想，咱们日常工作中有多少信息是纯文本的？截图、录屏、白板、PDF、语音消息——到处都是非文字信息。

输出侧：不光会写，还会画、会说

多模态不只是输入端的事。输出端也在扩展：

• 生成图片：画流程图、生成 UI 原型、做数据可视化
• 生成语音：语音回复、语音播报、实时语音交互
• 生成视频：演示动画、教程视频（目前还在早期）
• 操作界面：直接在 GUI 上点击、拖拽、填表（Computer Use）

当 Agent 既能看截图又能操作界面时，很多需要人盯着屏幕点来点去的事情，就有了自动化的可能。

多模态对 Agent 架构的影响

多模态不只是“多了几个 API”，它会改变 Agent 的几个核心环节：

Context 变复杂了。 以前上下文里都是文本，token 好数。现在图片、音频、视频都进来了，上下文管理变成了多媒体资源管理。什么时候该把图片带上，什么时候只带文字描述，这是新的 context engineering 问题。

Memory 也要多模态化。 以前 Agent 记住的是文本事实。以后它可能还得记住“上次那张架构图长什么样”“用户上次发的那段语音里提到了什么”。记忆不再只是文字条目，而是多媒体索引。

Tool 调用会更丰富。 Agent 不再只是调 API，它可能需要先截个图、录个屏、拍张照，然后再决定下一步做什么。感知和执行开始交替进行，不再是“先想好再动手”。

Eval 更难了。 你怎么评估 Agent 看图的准确性？怎么评估它听会议录音的理解程度？文本有 benchmark，多模态的评估体系还远没有成熟。

所以多模态其实是一层基础设施。它让 Agent 从“只在文字世界活动”变成“在人类的真实工作环境里活动”。这一步之后，给它装 Tool 才更有意义——因为它不光有手了，还有眼睛。一个瞎着眼干活的人和一个看得见的人，效率差距不是一星半点。

第二阶段：有了 Tool，Agent 才真正“下地干活”

Tool 是 Agent 真正跨过“能说”到“能做”的分水岭。

一旦模型不再只是吐文本，而是能调用搜索、浏览器、shell、数据库、Git、邮件、日历、工单系统，它就不再是一个语言玩具，而是一个工作流节点。

今天大家常见的 Agent loop，基本都长这样：

读输入 -> 推理 -> 选择工具 -> 执行工具 -> 观察结果 -> 再推理 -> 继续执行

这条链子看着简单，变化却很大。模型不再只是“给建议”，而是自己去拿证据、跑命令、改状态、回填结果。

MCP 和 CLI 最近这么受关注，原因就在这儿。它不只是“多了一个工具标准”，而是把 Agent 的手脚从一个个私有插件，变成了相对统一的接口体系。

Tool 层后面还会往三个方向长：

1. 更标准

工具不再是随手写几个函数，而会逐步接近严格的 API contract：

• 输入有 schema
• 输出有固定 envelope
• 错误有统一格式
• 副作用有权限和预算

原因很简单：Agent 最怕的是“乱调工具”。参数错了、重复调用、重试失控、超时没兜住——这些比答错一句话致命得多。

2. 更安全

工具会进一步强调：

• 最小权限
• 沙箱执行
• 审批流
• 可回滚
• 审计日志

尤其是涉及付款、删库、发消息、合并代码、改生产配置这类动作，未来大概率不会允许模型想做就做，而是要经过 policy engine 或人工确认。

3. 更有身体感

今天的 Tool 更多还是数字世界里的手脚：文件、命令、网页、API。

再往后，它会进一步接入：

• 浏览器和桌面 UI
• 传感器
• 摄像头和语音
• 机器人和机械臂
• IoT 设备

一旦到了这一步，Agent 就不只是“有手”，而是开始有身体了。

第三阶段：有了 Skill，它才不像每次都从零上岗

只有 Tool 的 Agent，像一个什么都能碰一下、但做事全靠临场发挥的人。

Skill 要解决的是另一件事：怎么把反复出现的经验，沉淀成稳定套路。

你可以把 Tool 理解成工具箱，把 Skill 理解成套路。

• Tool 告诉 Agent：你手里有什么扳手
• Skill 告诉 Agent：碰到这个问题，按什么顺序拧

这跟人类工作中的 SOP 化一个道理。

一个新人入职，最开始也是会用系统，但不知道顺序。为什么老同事效率高？往往不是因为他每一步都更聪明，而是因为他已经知道：

• 先查哪里
• 再看什么
• 哪种情况直接跳过
• 哪种情况一定要升级处理

Skill 本质上就是把这些“工作套路”显性化。

Skill 层后面的趋势，我看主要有三个：

1. Skill 会越来越模块化

今天很多 Skill 还是长篇说明书。以后更像组件：

• 触发条件
• 输入要求
• 输出格式
• 执行步骤
• 失败处理
• 依赖工具

这让 Skill 不再是“给模型读的一段话”，而是一个能被组合、被继承、被测试的能力单元。

2. Skill 会越来越可蒸馏

前面那篇我刚写过，Skill 一长，token 就开始流血。

所以 Skill 后面会出现和代码重构很像的事情：

• 把冗长说明压缩成短版本
• 把例子抽成 references
• 把硬约束单独提出来
• 把常见套路沉淀成模板

这件事说小了是省 token，说大了是在做“经验压缩”。真正成熟的 Agent 生态，一定会出现大量 Skill marketplace、Skill optimizer、Skill testbench。

3. Skill 会越来越像“岗位能力包”

今天的 Skill 还偏任务导向，比如“写周报”“审代码”“查日志”。

再往后，Skill 会更像角色导向：

• Release manager skill set
• Security reviewer skill set
• Executive assistant skill set
• Customer success skill set

Agent 不只是学会一个动作，而是在装配一个岗位。

第四阶段：有了 Memory，它才不至于每次醒来都失忆

没有 Memory 的 Agent，像什么？

像一个每次开会都要重新自我介绍、重新问背景、重新看上下文的同事。再聪明也会把人烦死。

Memory 让 Agent 的行为开始跨回合、跨任务、跨时间连续起来。不只是记住几条事实那么简单。

现在比较成熟的方向，基本是分层记忆：

• Working memory：当前上下文窗口里的内容
• Summary memory：长对话压缩出来的摘要
• Long-term memory：用户偏好、项目背景、关键事实
• Artifact memory：文档、代码、文件、记录这些“外部记忆体”

后面这一层的重点不在“记更多”，而在怎么记、怎么忘、怎么共享。

1. 更会筛选

不是所有东西都值得记。真正难的是判断：

• 什么该记
• 记多久
• 记在哪一层
• 什么时候该忘

只会囤积记忆的 Agent，最后不会更聪明，只会更拧巴。

2. 更会共享

单 Agent 记忆还好办，多 Agent 场景就麻烦了。

未来很重要的一条线，是分层共享记忆：

• 全局共享
• 团队共享
• 角色共享
• 私有记忆

否则两个 Agent 不是互相失忆，就是互相串台。

3. 更可治理

有记忆就有风险，尤其是用户偏好、组织知识、操作历史这类数据。

后面 Memory 层一定会更强调：

• namespace 隔离
• tenant 隔离
• retention 策略
• 可删除
• 可审计

不然 Agent 越记越多，最后先出事的往往不是效果，而是合规。

第五阶段：有了 Soul，它才开始像“那个固定的它”

很多人对 Soul 这种文件名有点犯嘀咕，觉得太玄。

其实没那么玄。Soul 这层在技术上解决的是：同一个模型，为什么这次像你熟悉的助手，而不是另一个语气、另一个价值取向、另一套工作习惯的助手。

说白了，Soul 就是：

• persona
• tone
• preference
• decision bias
• stable style

你可以把它理解成一个长期稳定的“行为配置层”。

它的作用很大，因为只有到这一步，Agent 才不只是“会完成任务”，而是开始“按你能接受的方式完成任务”。

Soul 层后面会怎么长？我看到三条线：

1. Persona 从文案，变成约束层

今天很多 persona 还停留在“你是一个友好的助手”这种提示词水平。

后面会更工程化，比如：

• 默认沟通风格
• 决策优先级
• 风险偏好
• 对不同用户的互动边界
• 在冲突情况下如何取舍

这已经不只是文风，而是行为一致性问题。

2. Soul 会和 Memory 绑定

Soul 如果只是一段静态 prompt，很快就会空心化。

真正稳定的 persona，要靠长期记忆去喂：

• 你习惯什么表达
• 你讨厌什么格式
• 你在哪些场景下要快，哪些场景下要稳

所以后面 Soul 和 Memory 之间一定是联动的。一个是“我是谁”，一个是“我和你之间发生过什么”。

3. Soul 会变成品牌资产

这点很多公司还没完全意识到。

未来一个成熟 Agent 的竞争力，不只在模型强不强，还在它的人设稳不稳。因为用户最终记住的，往往不是底层权重，而是：

• 这个 Agent 说话是不是靠谱
• 它的风格是不是稳定
• 它是不是总能按同一种价值观做事

这和公司品牌、客服口径、企业文化，道理相通。

第六阶段：有了 Rules，它才不会“有本事，没规矩”

一个能调工具、有记忆、有技能、有长期人格的 Agent，如果没有 Rules，会是什么样？

很可能是一个能力很强、但风险也很高的家伙。

Rules 这一层，说白了就是 Agent 的“超我”和“制度”。

它回答的问题不是“能不能做”，而是：

• 该不该做
• 谁批准了才能做
• 做到什么边界就该停
• 出错以后怎么留痕

这一层后面一定会越来越硬。光在 prompt 里写几句“请注意安全”，那叫自欺欺人。

它会慢慢接近 policy-as-code：

• 可执行
• 可测试
• 可审计
• 可组合

你可以把它理解成，Agent 后面会慢慢从“有能力”进化到“有执照”。

我跟不少人聊过 Agent 未来，发现大家的注意力全在推理能力上。我倒觉得，接下来真正决定 Agent 能不能进生产的，不是它 benchmark 再涨 5 分，而是：

• 有没有权限系统
• 有没有审批流
• 有没有轨迹日志
• 有没有回滚机制
• 有没有针对 prompt injection 的防线

这些东西听起来不性感，但它们决定 Agent 到底是玩具，还是劳动力。

第七阶段：有了 Body，它才真正进入现实世界

前面讲了多模态让 Agent 有了眼睛和耳朵，Tool 给了它手，Memory 是记忆，Soul 是性格，Rules 是规矩。

再往后，Agent 会进一步接入“身体”——不是科幻片里的机器人外壳，而是在环境里的持续存在：

• 桌面代理（常驻在你的电脑里，能操作 GUI）
• 浏览器代理（能自己浏览、填表、点按钮）
• 手机代理（能在移动端帮你处理消息和日程）
• 机器人代理（工厂、仓库、物流场景）

Agent 会从“被你唤醒一次、回答一次”，慢慢变成“常驻在环境里的执行体”。

一旦它有了 Body，很多能力才真正闭环。多模态给了它感知（看和听），Tool 给了它操作能力（调用和执行），Body 把这两者嵌入到一个持续运行的环境里。到了这个阶段，它和今天聊天窗口里的 Agent 就不是一个物种了。

今天很多任务之所以还要人工，不是模型不会想，而是缺可靠的环境接口。等 Body 层补上，很多“看起来需要人”的数字劳动会被迅速改写。

第八阶段：有了 Organization，Agent 才开始像一个团队，而不是一个人

我越来越觉得，Agent 的终局未必是“一个超级 Agent”，而更可能是“一群分工明确的 Agent”。

为什么？因为很多复杂工作，本来就不是一个人完成的。

一个产品上线，往往需要：

• 需求分析
• 技术设计
• 写代码
• 跑测试
• 过安全审查
• 发布
• 监控
• 复盘

你硬把这一切塞给一个 Agent，它不是不能做，而是容易角色打架。既当运动员又当裁判，最后很容易把自己糊弄过去。

所以多 Agent 协作只会更重要。后面会慢慢长出这些东西：

• 角色分工
• 任务委派
• 共享上下文
• 冲突解决
• 汇报链
• 全局调度

这其实已经很像公司的组织架构了。

我感觉自己就象当年干 Production Owner那会儿， 我就负责写需求和验收任务， AI Agents 就象一个 Scrum Team ， 把开发， 测试和运维的活都干了。

未来 Agent 不只是像“一个人”，更像“一个小团队”，甚至像“一个数字公司”。

到那一步，最难的问题也会变掉。不再是“模型聪不聪明”，而是：

• 谁对最终结果负责
• 多个 Agent 的记忆怎么共享
• 冲突决策由谁裁定
• 成本和预算怎么控制
• 哪一步必须人类签字

这才是真正的系统工程。

那它到底会替代人，还是解放人？

这个问题大家的看法不一， 大致方向我觉得会在解放生产力的同时， 让一部分人失业。

我的基本判断是：先替代一部分工作环节，再解放一部分人，最后重排整个人机分工。

它不是一道判断题，而是一个时间顺序题。

先被替代的，是什么？

通常是这些特征明显的工作：

• 流程清晰
• 规则稳定
• 输入输出结构化
• 容错空间小但边界清楚
• 可以被拆成明确步骤

比如：

• 一级客服
• 资料收集
• 报告初稿
• 代码脚手架
• 常规测试
• 表单流转
• 日程协调

这些活，本来就很像 SOP 的流水线。Agent 有了 Tool、Skill、Memory、Rules 之后，天然适合吃这一类。

不容易被替代的，是什么？

不是“高级工作”这四个字，而是这些特征：

• 目标本身含糊
• 利益冲突复杂
• 责任边界模糊
• 需要承担后果
• 需要人类信誉背书

比如：

• 关键业务拍板
• 高风险法律责任
• 组织政治平衡
• 创业方向选择
• 对外关系和信任建立

这些事情里，真正稀缺的不是信息处理，而是责任、信誉和承担后果的能力。

模型可以替你想，Agent 可以替你跑，但“出事了谁负责”这件事，短时间内还得是人。

那“解放人”体现在哪儿？

我觉得后面最大的变化，不是每个人都失业，而是每个人都开始带 Agent 上班。

就像当年不是 Excel 消灭了财务，而是不会用 Excel 的财务先难受；不是 IDE 消灭了程序员，而是不会用 IDE 的程序员先落后。

Agent 更可能先把知识工作拆成两部分：

1. 可流程化的劳动：交给 Agent
2. 高责任、高模糊度的判断：留给人

于是人的角色会慢慢变成：

• 定目标的人
• 设规则的人
• 审结果的人
• 处理例外的人
• 为最终后果负责的人

换句话说，人不会马上退出回路，但会慢慢退出那些重复、低杠杆、机械性的脑力劳动。

接下来两三年，我更看好的几个技术方向

往后看，我觉得 Agent 最值得盯的不是“单次回答质量”，而是下面这几件事：

1. Context Engineering 会成为显学

未来比拼的重点，不只是模型大小，而是：

• 什么该放进上下文
• 什么该检索
• 什么该记住
• 什么该忘掉

不会管理上下文的 Agent，就像不会管理桌面的员工，东西再多也干不好活。

2. Evals 会从“测答案”变成“测轨迹”

以后评估 Agent，不能只看最终回答。还要看：

• 工具选得对不对
• 顺序合不合理
• 有没有多余动作
• 有没有违反规则
• 成本和时间是否可接受

eval 的对象不再是答案，而是整条 trajectory。

3. Governance 会成为标配，不是可选项

有些团队现在还觉得权限、审计、审批这些东西太重了，先把效果做出来再说。

可一旦 Agent 真开始接入生产系统、客户数据、代码仓库、付款链路，这些东西一个都省不了。

后面真正能落地的 Agent，不会是最会说话的那个，而是最守规矩的那个。

4. Multi-Agent 会从炫技，变成必要架构

单 Agent 能干很多事，但复杂任务迟早要分工。

未来比较靠谱的架构，很可能是：

• 一个 planner
• 几个 specialist
• 一个 reviewer
• 一个 policy gatekeeper

这比让一个 Agent 一口气包打天下，更稳。

5. 多模态会从“加分项”变成“基本功”

今天很多 Agent 还停留在纯文本交互。但实际工作场景里，截图、语音、视频、PDF 才是信息的主要载体。

后面的竞争力，不在于“能不能看图”，而在于：

• 多模态理解的准确率（看架构图能不能看对）
• 跨模态推理（听完会议 + 看完文档 = 给出综合建议）
• 多模态记忆（不只记文字，还记图、记声音）
• 端到端的多模态工作流（从截图到修复到验证，全链路不掉链子）

一个只会读文字的 Agent，就像一个只会看邮件的同事——能干活，但效率和你带着眼睛耳朵干活的人比，差很多。

总结

如果只用一句话概括我的判断，那就是：

AI Agent 的未来，不是突然“变成人”，而是一步一步补齐人类工作的功能器官。

先有脑子，再有眼睛和耳朵，再有手；然后是套路、记忆、人格、规矩；再往后有身体，有团队，有组织能力。你今天看到的多模态、Tool、Skill、Memory、Soul、Rules，并不是零散功能，而是同一条演化链上的不同节点。

所以它会替代人吗？会，先替代一部分环节。它会解放人吗？也会，前提是咱们别固执地把自己绑在那些最容易被流程化的活儿上。

真正值得关心的，不是“Agent 会不会像人”，而是：

当 Agent 越来越像一个能上班的数字同事时，人准备好做那个设目标、立规矩、扛责任的人了吗？

@startmindmap
* AI Agent 的后续演化
** 不是先长脸
*** 是先长器官
*** 从聊天体到执行体
** 第一层：脑
*** 思考
*** 推理
*** 规划
** 第 1.5 层：感知
*** 多模态输入（图/音/视频）
*** 多模态输出（画/说/操作界面）
*** Context 多媒体化
*** Eval 更复杂
** 第二层：手
*** Tool
*** MCP
*** API contract
*** Sandboxing
** 第三层：套路
*** Skill
*** SOP
*** Skill marketplace
*** Skill distillation
** 第四层：记忆
*** Working memory
*** Summary memory
*** Long-term memory
*** Shared memory
** 第五层：人格
*** Soul
*** Persona
*** Stable style
*** Preference
** 第六层：规矩
*** Rules
*** Policy-as-code
*** Approval flow
*** Audit trail
** 第七层：身体
*** Browser/Desktop
*** Voice/Vision
*** Robot/IoT
** 第八层：组织
*** Multi-agent
*** Delegation
*** Shared context
*** Conflict resolution
** 结果
*** 先替代环节
*** 再重排分工
*** 人类负责目标与责任
@endmindmap

明天就能做的 5 件事

1. 盘点一下你现在的工作里，哪些已经可以被拆成清晰 SOP，这些最容易先被 Agent 吃掉。
2. 给你的 Agent 补上长期记忆和技能文件，不要只把它当聊天机器人。
3. 让 Agent 接一个真实工具，而不只是让它“给建议”。
4. 对高风险动作加一层审批或 review，不要让 Agent 裸奔进生产环境。
5. 试着把自己的一项核心工作拆成“Agent 可做”和“必须我负责”两部分。

一个开放式问题

如果未来 Agent 真的把工具、技能、记忆、人格、规则、身体、组织能力都补齐了，那人类在工作里最后剩下的“不可替代性”，究竟是创造力、责任心，还是仅仅因为法律今天还要求必须有人签字？

参考链接

• Introducing the Model Context Protocol
• Equipping agents for the real world with Agent Skills
• State of AI Agent Memory 2026
• AI Agents in 2026: Practical Architecture for Tools, Memory, Evals, and Guardrails
• AI Agent Memory Architectures for Multi-Agent Systems
• AI Agent 为什么会越用越懂你？从 OpenClaw 的“养龙虾”聊起

本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可。