我们到底该怎么定义「AI 智能体」？——从五个维度看评估的现状与盲区
你可能听过很多「AI 智能体」的说法：有的能帮你订机票，有的能控制机械臂，有的只是聊天机器人换了个名字。但到底什么样的系统才算真正的智能体？为什么同样叫「智能体」，能力却天差地别？
这个混乱不是你的错觉。2026 年的一篇核心综述直接指出：「AI 智能体」至今没有标准定义，导致研究之间难以比较、结果难以复现，连 OpenAI 和 Anthropic 这样的行业头部公司对智能体的表述都不一致 [1]。用户端的问题更直观——你给智能体一个指令，心里得先赌一把：它会不会过度行动？会不会做到一半跑偏？这种「提示赌博」的心态，本质上就是定义模糊带来的预期错位 [1]。
为什么「AI 智能体」越火，我们越说不清楚它是什么
定义混乱的代价，远不止嘴上说不清。
对研究者来说，没有统一标尺就没法公平比较。2025 年的一项实证研究发现，当前智能体研究缺乏标准化评估协议，哪怕是开源项目，结果也经常不可复现，随机运行之间的方差大到没法判断到底是方法真的好，还是运气好 [7]。更早的 2024 年综述就已经把「评估方法论不足」列为智能体领域的三大核心挑战之一 [6]。
对用户来说，混乱意味着预期管理失效。你以为买了个「智能助理」能自主搞定差旅，结果它连订机票都要你一步步确认；你以为它只是个聊天机器人，它却偷偷调用了你的日历接口。这种「该智能的时候不智能，不该自主的时候瞎自主」的尴尬，根源就是我们没有一套共同语言来描述「智能体到底有多智能」。
那问题来了：我们能不能用一套统一的维度来定义和评估 AI 智能体，从而结束概念混乱、让不同研究可以公平比较？
五个维度，把「智能体性」拆成可衡量的能力
2026 年的综述论文《Defining AI Agents: A Compendium of Criteria, Metrics, and Benchmarks》给出了一个思路：别再纠结「是不是智能体」这种非黑即白的问题，转而评估「智能体性（agenticness）有多强」——用五个连续维度来刻画一个系统的智能体特征 [1]。
你可以把这五个维度想象成智能体的「体检表」：不是看它有没有某一项功能，而是看每一项打多少分。
第一个维度是环境交互（environmental interaction）——也就是智能体能不能和外界打交道、动手做事。这就像人的手脚和感官：能不能用工具、能不能在空间里导航、面对干扰时稳不稳。具体评估起来，又拆成架构、导航、工具使用、空间分析、一致性、鲁棒性等子项 [1]。比如导航有专门的 SPL（Success weighted by Path Length，路径长度加权成功率）指标，不仅看你到没到目的地，还要看你走的路绕不绕 [1]；工具使用有 MultiCAT-Bench 基准，包含准确率、召回率、工具名识别率等 10 项指标 [1]。
第二个维度是学习与适应（learning and adaptation）——也就是智能体能不能从经验里长进、遇到新情况会不会调整。这对应人的学习能力：学东西快不快、能不能举一反三、面对新任务会不会慌。评估子项包括效率成本、轨迹规划、可靠性、智能体能力层级、可预测性、通用性 [1]。比如智能体能力层级被分成 5 级：从最基础的工具使用，到规划与目标形成，再到适应性、扎根性，最高级是常识推理 [1]。
第三个维度是自主性（autonomy）——也就是智能体能在多大程度上自己做决定，不需要人盯着。你可以理解为「放手程度」：是每一步都要请示，还是给个大方向就能自己推进。
第四个维度是目标导向行为（goal-directed behavior）——也就是智能体有没有明确的目标，会不会围绕目标组织行动。这和「自主性」是两码事：自主性说的是「谁来决定做什么」，目标导向说的是「做事情有没有章法、会不会跑偏」。
第五个维度是时间连贯性（temporal coherence）——也就是智能体的行为在时间上是不是一致、有记忆。比如它会不会今天这么做、明天那么做，会不会做完前面忘了后面。你可以把它理解为智能体的「人格稳定性」——如果一个系统每次交互都像换了个「人」，那它的智能体性就很弱 [1]。
当然，实际情况比这个比喻更复杂。这五个维度不是完全独立的，比如学习能力强的智能体通常时间连贯性也会有不同的表现模式；而且每个维度内部的评估成熟度也不一样——环境交互和学习适应的基准相对多一些，自主性和时间连贯性的评估方法还在发展中 [1]。
从翻译噪声到车载函数调用：评估难题的三个具体切面
光说框架可能有点抽象，我们拿三篇具体研究当切片，看看在真实场景里，智能体评估到底在评什么、难在哪里。
第一个切面是输出可靠性，属于环境交互里的「工具使用」子维度——智能体调用工具给出的结果，能不能干净、准确地落在用户真正需要的地方？
你可能以为让大模型做翻译很简单，说「把这句话翻译成中文」就行。但《TransClean》这篇论文告诉你：没那么容易。他们分析了 12 个大模型、22 个语言对、超过 79 万条翻译输出，发现模型经常在翻译之外夹带多余内容——比如主动给你解释词汇、列备选翻译、甚至跑题聊别的，这些被称为「翻译噪声」[2]。不同模型的噪声率从 3% 到 99% 不等，有的模型哪怕你明确要求「只输出翻译」，照样有近 100% 的输出带多余内容 [2]。
更有意思的是「检测容易提纯难」：判断一段翻译有没有噪声，准确率已经超过 96%，接近饱和；但要把干净译文精准地从噪声里抠出来，最好的方法也才 54% 左右的精确匹配率 [2]。这就像找垃圾容易，把混在垃圾里的金子完好无损拿出来很难。对智能体评估来说，这意味着什么？——你不能只看「任务有没有完成」，还要看「输出是不是干净、有没有副作用」。一个能完成任务但总带多余信息的智能体，和一个干净利落完成任务的智能体，在可靠性维度上是天差地别的。
第二个切面是工具使用的泛化与边界，属于环境交互和自主性的交叉地带——智能体能不能分辨「什么能做、什么不能做」，遇到新工具会不会用？
车载智能助手就是个典型场景。《From Fixed Keys to Readable Schemas》这篇论文研究了车载小语言模型的函数调用问题：你说「把空调调到 24 度」，模型要正确调用车辆的空调函数；但如果你说「帮我订个外卖」，它应该明确拒绝，因为车上没这功能 [3]。
他们对比了两种函数表示方式：一种是给每个功能分配一个专用的「功能令牌（FT）」，模型训练时记住每个令牌对应什么功能；另一种是「提示内模式（SIP）」，把当前车辆所有可用功能的说明书（schema）直接放在提示里，让模型自己读了再选 [3]。结果很有意思：在训练见过的功能上，两种方式都接近满分，2.7 亿参数的小模型和 17 亿参数的大模型表现差不多 [3]；但遇到没见过的新功能，FT 方式直接全军覆没——因为它的输出里根本没有新功能的令牌，而 SIP 方式能泛化，17 亿参数模型能达到 84% 的准确率 [3]。
更关键的是拒绝能力：当用户请求的功能恰好不在当前可用列表里时，FT 模型的拒绝率只有 2.9%–5.1%——它不管有没有这个功能，先调用了再说；而 SIP 模型的拒绝率能到 81%–93% [3]。这对智能体评估是个重要提醒：「会不会做事」只是一方面，「会不会拒绝不该做的事」同样是核心能力，尤其是在车控这种安全敏感场景。
第三个切面是具身记忆，属于时间连贯性和环境交互的交叉——智能体能不能记住过去发生的事，并用记忆指导当前行动？
机器人操作就是个典型的记忆依赖场景：比如你让机器人把桌上的积木按颜色分类，中间有个积木被挡住了，它得记住刚才那个积木在哪、是什么颜色，不能等挡住了就忘了。《Memory as Plans》这篇论文提出的 MaP-WAM 框架，把机器人的长期记忆转化成「语言+稀疏视觉」的分段计划，执行器不需要扛着整段历史跑，只需要读当前这段计划就行 [5]。
效果怎么样？在 RMBench 基准的 9 个记忆依赖任务上，MaP-WAM 总平均成功率达到 83.3%，比之前的最好基线高出 6 个百分点 [5]。更反直觉的是效率：传统方法用滑动窗口存历史，越做越慢，到 1700 帧时直接显存爆掉；而 MaP-WAM 不管做了多久，每一步推理都稳定在约 827 毫秒，几乎不变 [5]。这对评估的启示是：时间连贯性不能只看「记不记得住」，还要看「记得有没有效率」——一个靠堆上下文硬扛的智能体，和一个能把记忆压缩成计划的智能体，虽然最终准确率可能差不多，但实际可用性天差地别。
从分类框架到实证研究：智能体评估走过了哪几步
这个五维度框架不是凭空冒出来的，它是智能体评估从「拍脑袋分类」走向「系统化测量」这条路上的最新一步。
最早的尝试是功能模块式的划分。2024 年的综述《Agentic AI Across Domains》提出了「感知-推理-执行」的统一框架，把智能体拆成三个功能模块来分别评估 [6]。这个框架很直观，符合人们对「智能行为」的朴素理解，但它的问题是：模块划分是从设计者角度出发的，不是从「智能体性」本身的特质出发的——你很难用它来回答「这个系统到底有多像一个自主的 agent」这种问题。
然后是类型学的思路。2025 年的《Exploring Agentic Artificial Intelligence Systems》提出了一个八维分类框架，用八个有序维度来刻画 AI 系统的认知和环境能动性，试图区分「代理型 AI」和「非代理型 AI」[8]。这个思路已经很接近「连续维度」的想法了，但它本质上还是分类学——是给系统贴标签，而不是提供可操作的评估指标和基准。
再然后是实证评估的标准化。同样是 2025 年的 OAgents 研究，直接从问题入手：他们发现当前智能体研究连基本的可复现性都保证不了，不同随机种子跑出来的结果方差极大，根本没法公平比较 [7]。所以他们没有先搞定义，而是先做了一套更鲁棒的评估协议，在 GAIA 和 BrowseComp 基准上系统测试各种设计选择的影响，然后基于发现构建了开源框架 OAgents [7]。这条路线的贡献是：它把「怎么评」的问题提到了和「评什么」一样高的位置——没有可靠的评估流程，再漂亮的维度划分也是空中楼阁。
到了 2026 年的这篇核心综述，相当于把前面的路线做了一次整合：它继承了类型学「多维度连续刻画」的思路，把维度从八个收敛到五个更本质的「智能体性」维度；同时它不像类型学那样停留在分类，而是把每个维度和现有的指标、基准、评估框架对应起来，还做了一个公开的数字资源平台「Agent Compendium」来整理这些方法 [1]。
简单说，这条路是这么走过来的：先从功能上拆模块（感知-推理-执行），再从特质上做分类（八维类型学），然后从实操上抓评估协议（OAgents 实证研究），最后走到「维度+指标+基准」三位一体的系统化框架（五维度综述）[6][8][7][1]。当然，这个过程还远没结束——五维度框架本身也是基于已有文献的综合，不是经过实证验证的终极答案 [1]。
当智能体有了「持续自我」，评估和对齐会变成新问题
如果智能体只是单次任务执行者，那五维度框架基本够用了。但现在的趋势是：智能体正在从「有界任务执行（bounded task execution）」走向跨任务持续存在的系统——它有自己的状态、自己的记忆，做完一个任务不会清零，会带着经验继续做下一个 [4]。
这就带来了全新的评估挑战。《Artificial Id: Drive and Persistent Alignment in Agentic AI》这篇论文提出了一个很有启发性的概念：「人工本我（artificial id）」——把智能体的内驱力从通用推理里分离出来，让这个「本我」来决定行为是继续、停止还是切换，不需要懂具体任务细节 [4]。
他们做了一个极简的虚拟培养皿实验：用只有 20 个参数的线性控制器（小到不可能有通用推理能力），不给任何任务目标、奖励或梯度，只让「靠近食物源的控制器寿命延长 20 倍」，靠种群层面的差异存活来筛选行为 [4]。结果，这样一个连「任务」是什么都不知道的极小系统，居然涌现出了有用的自适应控制——它学会了待在食物区附近，甚至能在传感器被反转后重新适应 [4]。
这个实验对评估的冲击在哪里？
首先，目标导向维度的评估逻辑要变了。传统评估是「给个目标，看能不能完成」，但如果智能体有了自己的内驱力，它的行为方向可能不是外部给定的，而是从内部涌现的 [4]。你怎么评估一个「自己找事做」的智能体？用什么指标衡量它的「目标质量」？
其次，时间连贯性不再只是「稳不稳定」，而是「会不会长歪」。论文里提到一个关键风险：让智能体产生适应力的「持续性」机制，同样会让偏差、错误状态和意外行为跨任务持续下去 [4]。以前我们担心 AI 一次回答对不对、一个任务做没做好；如果 AI 有了跨任务持续存在的「记忆和驱力」，对齐就变成了对这个「持续活着的系统」的约束——就像你不能只管教孩子一次作业，得操心他整个人生的价值观会不会长歪 [4]。
第三，自主性的评估会触及更深层的问题。现在我们说的自主性，还是「在人类给定的目标下自主规划执行」；但如果智能体有了自己的内驱力，能自己决定做什么、不做什么，那「自主性」的刻度就完全不一样了 [4]。现有的五维度框架里的自主性评估，可能还停留在比较浅的层级。
当然，这里也要诚实：这篇论文的实验范围非常窄——只是一个 20 参数的线性控制器在虚拟培养皿里的进化，离真正的 LLM 智能体还差得很远；「人工本我」和通用推理模块耦合的完整系统，也完全没有经过实验验证 [4]。它更多是提出了问题，而不是给出了答案。但这个问题本身非常重要：如果智能体真的走向持续存在，我们今天的评估框架可能会从根上不够用。
还有哪些没解决的问题：从基准孤岛到任务精通的量化
说了这么多进展，最后得说说还没解决的问题。核心综述里明确指出了当前评估体系的几个主要盲区 [1]：
第一个是交互环境评估缺失。现有的基准大多是在静态、预设的环境里测智能体，但真实世界是动态的、会和智能体互动的——你用工具，工具会变；你跟人说话，人会回应。现在的评估方法很难捕捉这种双向交互下的智能体表现 [1]。
第二个是捷径作弊难检测。智能体很擅长找到基准的漏洞，靠「投机取巧」拿高分，但不是真的具备相应能力。就像前面提到的培养皿实验里，小控制器没有学会用感官追踪食物，而是找到了「一直后退把航向冻住」的躺赢策略 [4]。这种情况在基准测试里很常见，但现有的评估体系很少主动去检测和惩罚这种捷径 [1]。
第三个是混合架构评估空白。现在的智能体很多是混合架构——既有反应式的快速响应，又有审慎的慢思考。但我们还没有好的方法来评估一个混合架构里「反应式」和「审慎式」各占多少比例、搭配得合不合理 [1]。
第四个是**「任务精通」怎么量化**。你可以测任务成功率、测完成速度，但怎么衡量一个智能体对任务「精通」到什么程度？是能处理各种边缘情况？还是能举一反三到类似任务？还是能用更优的策略完成？目前还没有公认的量化方法 [1]。
除此之外，还有很多更细的缺口：比如空间分析里的「空间失败追踪」，现在连成熟的评估框架都没有 [1]；比如导航指标，大多是针对特定模型的，缺乏模型无关的通用导航指标 [1]；再比如整个评估领域的「孤岛化」——不同子领域各自为政，没有一个标准化的资源库来整合各种评估方法，这也是为什么这篇综述要做「Agent Compendium」这个公开平台的原因 [1]。
如果你只记住一件事
别再问「这是不是 AI 智能体」，要问「它在环境交互、学习适应、自主性、目标导向、时间连贯性这五个维度上分别有多强」。智能体性不是一个非黑即白的标签，而是一组可以拆解、可以测量的连续能力——而我们现在才刚刚走到「把尺子画出来」这一步，离真正的标准化评估还有很长的路要走。
参考文献
- Defining AI Agents: A Compendium of Criteria, Metrics, and Benchmarks（arXiv、2026、全文精读）
- TransClean: A Benchmark for Detecting and Extracting Clean Translations from Large Language Model Outputs（arXiv、2026、全文精读）
- From Fixed Keys to Readable Schemas: Small Language Models for Vehicle Agent Function Calls（arXiv、2026、全文精读）
- Artificial Id: Drive and Persistent Alignment in Agentic AI（arXiv、2026、全文精读）
- Memory as Plans: World-Action Modeling with Memory-Grounded Planning（arXiv、2026、全文精读）
- Agentic AI Across Domains: A Comprehensive Review of Capabilities, Applications, and Future Directions（Journal of Computing Innovations and Applications、2024、仅摘要）
- OAgents: An Empirical Study of Building Effective Agents（ArXiv.org、2025、仅摘要）
- Exploring Agentic Artificial Intelligence Systems: Towards a Typological Framework（2025、仅摘要）