大语言模型（LLMs）从被动的文本生成器向自主、目标驱动系统的演进，代表了人工智能领域的一次根本性转变。本章探讨了**智能体化人工智能（Agentic AI）**系统的兴起，这些系统集成了规划、记忆、工具使用和迭代推理，能够在复杂环境中自主运行。我们追踪了从统计模型到 Transformer 架构的演进路径，并识别了实现智能体行为的核心能力：长程推理、上下文感知以及自适应决策。 本章主要贡献如下： 1. 综述了 LLM 的能力如何通过“推理-行动-反思”环路延伸至智能体化水平； 1. 提出了一个集成框架，描述了连接 LLM 与自主行为的核心组件：感知、记忆、规划和工具执行； 1. 批判性地评估了智能体化 AI 的应用场景，以及在安全性、对齐、可靠性和可持续性方面面临的持续挑战。

与现有综述不同，我们侧重于从语言理解到自主行动的架构转型，并强调了大规模部署前必须解决的技术差距。我们确定了关键的研究优先方向，包括可验证规划、可扩展的多智能体协作、持久化记忆架构以及治理框架。负责任的技术进步要求在提升技术鲁棒性、可解释性的同时，同步推进伦理保障措施，以便在实现潜力的同时，降低失配（Misalignment）和非预期后果的风险。

1 引言 (Introduction)

语言长期以来一直是人工智能（AI）的核心，塑造了机器如何通过自然语言进行理解、生成和交互的方式。早期的自然语言处理（NLP）依赖于手工设计的规则和基础统计模型，这些模型需要针对每个任务进行显式编程。大语言模型（LLMs）——即在海量文本语料库上训练的人工智能系统——的兴起，标志着人工智能领域的一次重大飞跃。这些模型基于 Transformer 架构设计，利用**注意力机制（Attention Mechanisms）来处理和关联序列中的信息，从而实现了强大的泛化能力、指令遵循（Instruction-following）以及涌现推理（Emergent Reasoning）能力。因此，LLMs 已演变为灵活的“认知引擎”，能够执行包括文本摘要、代码生成、对话及复杂问题求解在内的广泛任务。 随着 LLMs 规模和能力的增长，它们已被集成到 ChatGPT、Gemini、Claude 和 LLaMA 等现实系统之中，推动了其在教育、工业和科研等跨学科领域的广泛应用。然而，这种飞速发展也暴露了一些关键局限性，包括但不限于：高计算需求、决策过程不透明，以及与偏见、误导信息和问责制相关的挑战 [1]。这些缺陷凸显了对 AI 系统的新需求，即超越单纯的文本生成，向更结构化、透明且可控的智能形式转变。近期出现的智能体化人工智能（Agentic AI）**框架正致力于解决这一需求，该框架集成了结构化规划、工具调用、模块化决策流水线以及人机协同（Human-in-the-loop）控制 [2,3,4]。这反过来又提升了其在实际部署中的透明度、可控性和问责性。 本章探讨了从被动式 LLMs 向智能体化 AI 系统的转变。这些系统能够进行规划、采取行动、使用工具、评测结果并利用反馈环路。智能体化 AI 超越了单轮响应模式，转而支持由记忆、推理及环境交互驱动的自主、目标导向行为。理解这一转变不仅需要技术积淀，还需要对当前的架构、能力和局限性进行批判性审视。 据此，本章的组织结构如下：第 2 节追踪了 LLMs 的历史演进，重点阐述与智能体能力（Agency）相关的架构里程碑；第 3 节介绍了智能体化 AI 的核心原则；第 4 节解释了将 LLM 推理与规划、记忆及工具使用相结合的集成架构；随后，第 5 节调研了各领域的应用现状；最后，第 6 节讨论了当前面临的挑战并概述了未来的研究方向。 本章的主要贡献概括如下： 1. 简要综述了 LLMs 如何自然地向智能体行为演进； 1. 提出了一个详尽描述智能体化 AI 核心组件与反馈环路的清晰框架； 1. 对关键应用进行了批判性评述，并指出了尚未解决的技术、伦理及研究挑战。

综上所述，这些贡献旨在为智能体化 AI 的前行之路提供基础性入门指南和前瞻性视角。