代理推理深度技术分析：从思考到行动的AI范式跃迁

代理推理（Agentic Reasoning）是2025-2026年AI领域最具变革性的技术范式——它不是对大语言模型推理能力的简单增强，而是一次根本性的架构跃迁：从"思考后回答"到"思考后行动"。传统的大模型推理（如Chain-of-Thought）本质上是一种内向的、封闭的计算过程：模型在参数空间中完成所有推理，然后输出结果。代理推理则打破了这一封闭性——它让模型能够与环境交互、使用工具、修正错误、协同合作，形成一个开放的、迭代的、自我进化的推理循环^[1][2]。

这一跃迁的意义远超技术本身。Gartner预测，到2028年，33%的企业软件将包含Agentic AI能力，而2024年这一比例不足1%^[3]。Forrester 2026年的报告指出，agentic workflow将使企业运营成本降低25%^[3]。这些数字的背后是一个根本性的转变：AI正在从"被动的知识引擎"进化为"主动的执行引擎"。这不是渐进式改良，而是范式切换——就像从命令行到图形界面的切换一样，代理推理将重新定义人机交互的基本模式。

但我们必须清醒地认识到，代理推理仍处于早期阶段。推理能力不等于规划能力——OpenAI的o1模型在国际数学奥林匹克竞赛中取得了83%的成绩，但在实际任务执行中却无法可靠地完成多步骤操作^[8]。Token消耗是传统推理的10-100倍，幻觉问题在agent场景下被放大为更具破坏性的"行动性幻觉"，安全边界尚未建立^[13]。代理推理的真正成熟，需要的不仅是更强的模型，更需要一套全新的工程方法论。

代理推理不是凭空出现的。它是大语言模型推理能力持续进化的必然产物——一条从"内部思考"到"外部行动"的清晰技术脉络。理解这条脉络，是理解代理推理为何在2025-2026年爆发的关键。

第一阶段：Chain-of-Thought（2022）——学会"展示思考过程"。Google Brain的Jason Wei等人在2022年发表的Chain-of-Thought（CoT）论文，是大模型推理能力的第一个里程碑。CoT的核心发现极其简洁：通过在提示中加入"让我们一步一步思考"的示例，大模型就能生成中间推理步骤，从而显著提升在复杂推理任务上的表现。在GSM8K数学推理基准上，CoT将PaLM 540B的准确率从17.9%提升到56.9%，提升幅度超过3倍。CoT的深刻意义在于：它证明了LLM的推理能力不是固定的，而是可以通过提示策略来激发。推理不再是一个黑箱，而是一个可以被观察、引导和优化的过程^[8]。

第二阶段：Tree-of-Thought（2023）——学会"探索多个可能性"。CoT的局限性很快暴露：它是线性的、贪心的——每一步只选择一个最可能的推理路径。对于需要回溯和探索的问题，线性推理远远不够。Princeton大学的Yao等人提出的Tree-of-Thought（ToT）将推理过程从链式扩展为树状：模型在每一步生成多个候选推理路径，通过评估函数选择最优路径，并支持回溯。在24点游戏上，ToT将GPT-4的成功率从CoT的7.3%提升到74%。ToT的核心贡献是：引入了搜索和回溯的概念——这为后来的agent系统奠定了基础^[9]。

第三阶段：ReAct（2022-2023）——学会"边想边做"。ReAct（Reasoning + Acting）是代理推理范式的真正起点。核心思想是：让模型交替进行推理（Thought）和行动（Action），并从行动结果中观察（Observation）新信息，形成Thought→Action→Observation的循环。这与CoT和ToT的根本区别在于：推理过程不再是纯内部的——模型可以通过行动与外部环境交互。在HotpotQA多跳问答任务上，ReAct比纯CoT提升了5.9个百分点^[6][8]。

第四阶段：Agentic Reasoning（2024-2026）——从"边想边做"到"自主决策"。2024-2026年的发展将ReAct从一个简单的循环扩展为一个完整的技术体系：多层次的规划能力、结构化的工具调用、短期/长期/工作记忆的分层管理、自我反思和修正机制、多智能体编排系统，以及最关键的——验证循环（Verifier Loop）。GPT-5.5在2026年引入的"生成→执行→验证→修正"循环，标志着代理推理从研究原型走向工程可用^[15]。UIUC 2026年的survey将这一完整体系归纳为三层架构：基础推理层（规划、工具使用、搜索）、自我进化推理层（反思、自我修正、经验积累）和环境交互层（动态适应、多智能体协作）^[2]。

ReAct是代理推理的基石范式。其核心是一个三阶段的迭代循环：

Reason阶段：内部推理。模型生成一段"思考文本"（Thought），这是模型的内部推理过程，不会被外部系统执行。Salesforce的研究表明，当Reason阶段被省略（直接从观察跳到行动），agent的任务完成率下降15-25%^[10]。"思考"不仅是装饰，而是action selection的质量保障。

Act阶段：结构化行动。模型生成一个结构化的行动指令，不是自由文本，而是预定义行动空间中的动作。典型的行动包括Search[query]、Lookup[keyword]、Finish[answer]、UseTool[tool_name, parameters]等。行动空间的设计是关键工程决策——过大的行动空间增加选择困难，过小的行动空间限制能力边界。最优的行动空间大小通常在5-20个动作之间^[6]。

Observe阶段：环境反馈。agent接收环境的反馈信息——搜索结果、工具执行输出、API返回值或错误信息。对环境反馈进行摘要和结构化处理，可以将agent的任务完成率提升12-18%^[5]。

ReAct的一个深层优势是可解释性。每一步推理和行动都被显式记录，开发者可以完整回溯agent的决策过程。这对生产环境中的debugging和审计至关重要。IBM指出这种可解释性是企业采用agent系统的关键前提之一^[4]。

规划（Planning）是代理推理的核心能力，但"如何规划"存在根本分歧。当前主要有两种范式。

Plan-and-Execute：先想后做。将agent行为分为规划阶段（分解任务为有序子任务）和执行阶段（逐步执行）。优势是结构清晰、易于调试。LangGraph框架原生支持此模式：使用两个独立的LLM调用——Planner生成子任务列表，Executor逐步执行^[11]。典型工作流程是Planner生成["搜索A公司财报", "提取营收数据", "与行业均值比较", "生成分析报告"]，Executor逐个执行，每完成一个子任务后将结果反馈给Planner决定是否调整计划。

端到端推理：边想边做。以ReAct为代表，不显式生成计划，模型在每一步动态决定下一步行动。OpenAI的o1和o3模型倾向于这种端到端方式：在hidden token空间中进行长链推理，然后直接输出行动^[8]。

实践中的最优方案是混合架构：结构明确的任务用Plan-and-Execute提供清晰框架；需要灵活性的任务用端到端推理保留适应性。2026年前沿agent系统普遍采用"先做粗粒度规划，再在每个子任务内使用ReAct式灵活推理"的策略^[11]。

工具调用是agent从"纯推理"跃迁到"推理+行动"的关键桥梁。没有工具调用能力的agent，无论推理能力多强，都只能"纸上谈兵"。

工具定义：结构化Schema。现代agent系统的工具定义采用JSON Schema格式，由名称、描述和参数schema三部分组成。这种结构化定义使LLM能准确理解工具功能和参数要求^[1]。2024-2025年最重大的标准化进展是Anthropic推出的Model Context Protocol（MCP）——一个开放的工具调用协议，定义了agent如何发现、连接和使用外部工具。MCP的核心创新是将工具调用从"每个应用自定义API"的碎片化状态，统一为标准化的协议层。Google随后推出的A2A（Agent-to-Agent）协议则解决了agent之间的通信标准化问题^[7]。

参数验证与错误处理。成熟系统通常在工具执行前增加参数验证层：检查必填参数、类型转换、范围校验。当验证失败时，系统将错误信息反馈给agent，允许它修正参数后重试。这种"尝试→失败→修正→重试"的循环是agent系统鲁棒性的关键保障。Salesforce的Agentforce平台报告称，参数验证层将工具调用成功率从68%提升到94%^[10]。

行动空间的设计哲学。行动空间设计面临"表达力vs可靠性"的权衡。更丰富的行动空间赋予agent更强的能力，但也增加了选择错误的概率。dev.to的分析指出，2026年的最佳实践是分层行动空间：顶层是少量高语义动作（如"搜索"、"计算"、"分析"），底层由系统自动映射到具体的工具调用^[7]。这种方式既保留了语义清晰性，又不丧失灵活性。

记忆是agent实现长期可靠运行的关键基础设施。没有记忆的agent就像失忆症患者——每次交互都从零开始，无法积累经验、无法维护状态、无法处理跨越多轮会话的复杂任务。代理推理系统的记忆架构通常分为三层：

工作记忆（Working Memory）。工作记忆对应agent当前的推理上下文——包括对话历史、当前任务状态、已有的中间结果等。在实现上，工作记忆就是LLM的上下文窗口（context window）。随着GPT-4 Turbo的128K和Gemini 1.5 Pro的1M context window的推出，工作记忆的容量已经不是主要瓶颈，但有效利用工作记忆仍然是挑战。当上下文中填充了过多信息时，LLM的注意力会稀释，导致"迷失在中间"（lost in the middle）现象——对上下文中间部分的信息提取能力显著下降^[12]。

短期记忆（Short-term Memory）。短期记忆用于存储当前会话中积累的信息，包括之前的推理步骤、工具调用结果、用户偏好等。当工作记忆（context window）不足以容纳所有信息时，短期记忆机制将信息暂存到外部存储（如向量数据库），并在需要时检索。RAG（Retrieval-Augmented Generation）技术是短期记忆的核心实现方式。关键的工程设计决策包括：何时将信息从工作记忆转移到短期记忆（通常是工作记忆使用率达到70-80%时）、如何对信息进行索引以便高效检索、以及如何处理短期记忆中的信息冲突^[1]。

长期记忆（Long-term Memory）。长期记忆是agent跨会话积累知识和经验的能力。这是目前最不成熟但也最有潜力的记忆层。长期记忆的实现方式包括：向量数据库中的持久化存储、知识图谱中的结构化知识、以及few-shot示例库。关键挑战是记忆的准确性和时效性——长期记忆中的信息可能已经过时，如果agent不加甄别地使用过时信息，会比没有记忆更糟糕。ani Comanesh的分析指出，2026年的前沿系统开始引入"记忆衰减"机制：为每条记忆附加时间戳和置信度，随时间降低旧记忆的权重^[12]。

自我修正（Self-Correction）和验证循环（Verifier Loop）是代理推理区别于传统推理的最关键能力之一。传统推理系统是"开环"的：模型生成输出，然后结束。代理推理系统则是"闭环"的：模型生成输出，执行，验证结果，如果不对就修正，再重新执行——直到结果通过验证或达到最大重试次数。

自我反思（Reflection）。Reflection设计模式让agent在完成任务后回顾自己的决策过程，识别错误和改进机会。这一机制由Shinn等人在2023年的Reflexion论文中系统化提出。Reflexion的核心思想是：agent在每次任务执行后，生成一段"自我评价"文本，分析哪些步骤做得好、哪些做得不好、下一步可以如何改进。这段评价被存入agent的长期记忆，在下次执行类似任务时作为参考。在HumanEval编码基准上，Reflexion将pass@1从80.1%提升到91.0%^[9]。

验证循环（Verifier Loop）。验证循环是GPT-5.5在2026年引入的最重要的架构创新之一。其工作流程是：

与传统"生成即结束"的模式不同，验证循环增加了一个独立的验证步骤：由一个专门的验证模型（或同一个模型的不同推理实例）检查执行结果是否满足要求。如果验证通过，输出结果；如果验证失败，验证器提供具体的失败原因，agent据此修正方案并重新生成。在GPT-5.5的Terminal-Bench 2.0测试中，验证循环将终端命令执行的成功率从单次生成的67.3%提升到82.7%，提升幅度达15.4个百分点^[15]。

验证循环的工程设计面临三个核心挑战。第一，验证器本身的可靠性——如果验证器给出了错误的判断（通过了不该通过的内容，或拒绝了正确的方案），整个循环就会失效。第二，循环效率——每次验证-修正循环都消耗大量token，如果需要多轮修正，成本会迅速失控。第三，终止条件——如何判断"验证循环应该放弃"？盲目重试会浪费资源，过早放弃则导致任务失败。实践中通常设置3-5次最大重试，并在每次重试时让agent分析失败原因以避免重复相同错误^[1]。

自我修正的局限性。Springer发表的系统综述指出一个反直觉的发现：LLM在没有外部反馈的情况下进行自我修正，效果往往不如不做修正^[13]。原因是模型倾向于"确认偏差"——它倾向于认为自己的答案是正确的，因此"修正"过程实际上只是在为原始答案寻找更多支持理由。只有当agent能够获取外部反馈（如工具执行结果、测试用例输出、人类评价）时，自我修正才是有效的。这一发现对agent系统设计有重要启示：自我修正必须与工具调用和验证循环结合使用，单独的自我反思不如外部验证可靠。

当单个agent的能力不足以应对复杂任务时，自然的发展方向是多个agent协同工作——Multi-Agent Collaboration（MAC）。多智能体编排不仅是"更多人手"，更是一种架构策略：通过专业化分工、并行执行和交叉验证，实现单个agent无法企及的可靠性和能力边界。

三种编排拓扑。多智能体系统的通信架构决定了系统的效率和可靠性。当前主要有三种拓扑结构：

层级拓扑（Hierarchical）：一个"管理者"agent负责任务分配和结果整合，多个"工人"agent负责执行具体子任务。这是最常见也最可控的拓扑——管理者维护全局视图，确保子任务之间的协调。CrewAI框架默认采用层级拓扑^[7]。

图拓扑（Graph/DAG）：agent之间形成有向无环图（DAG）的依赖关系，每个agent在所有前置任务完成后才开始执行。LangGraph框架的核心理念就是图拓扑——开发者定义一个状态图，节点是agent或工具，边是数据流^[11]。

网格拓扑（Mesh）：所有agent可以与所有其他agent直接通信。这是最灵活但也最难控制的拓扑——适用于需要高度协作和实时信息共享的场景，如多机器人协作或实时策略游戏。

多智能体系统的核心挑战。首先是协调成本——agent之间的通信和协调本身消耗大量token。在层级拓扑中，管理者agent的token消耗可能占总消耗的40-60%，因为它需要理解所有子任务的结果并做出全局决策。其次是错误传播——一个agent的错误输出可能被下游agent当作事实使用，形成级联错误。解决方案是引入"交叉验证"：关键决策需要至少两个独立agent一致同意才能执行。第三是死锁和活锁——在图拓扑中，如果两个agent相互等待对方的输出，就会形成死锁。需要设计超时和降级机制^[14]。

Google A2A协议。2025年Google推出的Agent-to-Agent（A2A）协议试图解决多智能体系统中的标准化问题。A2A定义了agent之间发现、认证、通信和协作的标准协议。其核心概念是"Agent Card"——一个JSON格式的描述文件，声明agent的能力、接口和安全策略。通过A2A协议，不同供应商开发的agent可以互操作，形成跨平台的agent生态系统^[7]。A2A与Anthropic的MCP协议互补：MCP解决agent-to-tool的标准化，A2A解决agent-to-agent的标准化。两者结合，构成了代理推理生态的基础协议层。

代理推理的五大设计模式——ReAct、Plan-and-Execute、Reflection、Multi-Agent Collaboration和Verifier循环——各有其适用场景和局限。理解它们的特性，是设计可靠agent系统的前提。

五大模式并非互斥，而是可以组合使用。2026年前沿agent系统的典型组合是：Plan-and-Execute做顶层编排 + ReAct做子任务执行 + Verifier循环做质量保障 + Reflection做经验积累。当任务特别复杂时，再引入MAC进行并行处理。这种"模式组合"的设计哲学，与软件工程中的"组合优于继承"原则如出一辙^[7]。

值得注意的是，模式组合不是免费的。每增加一种模式，系统的token消耗和延迟都会增加，调试难度也呈非线性增长。一个同时使用所有五种模式的agent系统，其调试复杂度远大于五种模式各自复杂度的总和——因为模式之间的交互会产生 emergent behavior。dev.to的分析建议：从ReAct开始，在遇到瓶颈时逐个增加模式，而不是一开始就追求"全模式"^[7]。

代理推理框架的竞争格局在2025-2026年快速成形。不同框架的设计哲学差异巨大，选择合适的框架对项目成败有直接影响。

2026年代理推理的竞争格局呈现出"三强争霸"的态势。三家公司在agent能力上的发力方向各有侧重。

OpenAI GPT-5.5：执行力之王。GPT-5.5在2026年上半年的发布是agent领域的里程碑。其在Terminal-Bench 2.0上达到82.7%，在OSWorld上达到78.7%^[15]——这两个基准测试评估的是agent在真实操作系统环境中的任务执行能力，82.7%意味着GPT-5.5在大多数终端操作任务上的表现已经接近熟练的Linux系统管理员。GPT-5.5的核心优势是其强大的验证循环和结构化输出能力——它能可靠地生成符合schema的JSON，在function calling上的准确率超过95%。弱点是成本——GPT-5.5的agent模式token消耗是GPT-4o的15-20倍^[15]。

Anthropic Claude Opus 4.7：软件工程专家。Claude系列在软件工程任务上一直表现突出。Claude Opus 4.7在SWE-Bench Pro上达到64.3%^[15]——这个基准测试评估的是agent在真实GitHub仓库中修复bug的能力，64.3%意味着它可以独立解决大部分中等难度的软件bug。Claude的优势是长上下文理解和对代码的深度理解——200K的context window使得它可以处理大型代码库。弱点是在非代码任务上的通用agent能力不如GPT-5.5。Anthropic还通过MCP协议的建设性贡献，在生态层面建立了影响力。

Google Gemini：多模态与生态整合。Gemini的agent能力在2025-2026年快速追赶。其核心优势是多模态——Gemini可以在agent循环中自然地处理图像、音频和视频输入，这在自动化测试、UI操作等需要视觉理解的场景中具有独特优势。Google还通过A2A协议和Vertex AI Agent Builder，在平台层面构建了完整的agent开发生态。弱点是在纯文本推理和代码生成上的精确度仍不如GPT-5.5和Claude^[4]。

竞争的本质。三家的竞争表面上是模型能力的竞争，实质上是agent生态的竞争。谁能让开发者在自己的平台上构建最多的agent应用，谁就掌握了下一代AI应用的基础设施。OpenAI的ADK、Anthropic的MCP、Google的A2A，都是这一生态竞争的武器。腾讯云的开发者文章将这一格局类比为"移动互联网时代的iOS vs Android vs 其他"——最终胜出的可能不是最强的模型，而是最好的生态^[16]。

代理推理从实验室走向生产环境，面临五个核心工程挑战。

挑战一：推理≠规划。这是最根本的挑战。强大的推理能力并不意味着强大的规划能力。OpenAI的o1模型在IMO上取得83%的成绩，展现了强大的数学推理能力，但在SWE-Bench等需要多步骤规划和执行的任务上，表现远不如专门优化的agent系统^[8]。推理是"解题"，规划是"项目管理"——后者需要对时间、资源、依赖关系的全局把控，这是一种与推理不同的能力。ACM DL上发表的研究指出，当前LLM在规划任务上的主要失败模式是"局部最优陷阱"——模型倾向于选择每一步看起来最优的决策，但缺乏全局优化能力^[14]。

挑战二：长程可靠性。Agent需要在一个长链条上保持一致性——10步、20步、甚至50步的操作中，每一步都必须正确。假设每步的成功率是95%，10步的联合成功率就降到了60%，20步只有36%。这意味着即使单步表现优秀，长程任务仍然容易失败。解决方案包括：检查点机制（每隔几步验证中间结果）、冗余执行（关键步骤用多个agent独立执行并交叉验证）、以及人类介入（在关键决策点请求人类确认）^[13]。

挑战三：Token消耗与成本。代理推理的token消耗是传统推理的10-100倍^[13]。一个中等复杂度的agent任务可能消耗50K-200K token，以GPT-5.5的定价计算，单次任务成本可能达到$5-50。对于高频使用的生产场景（如客户服务自动化），月成本可能达到数十万美元。降低成本的路径包括：使用更小的模型处理简单子任务、缓存重复的推理结果、优化提示以减少不必要的token。但根本性的成本降低需要等待模型推理效率的提升。

挑战四：幻觉放大。传统LLM的幻觉问题在agent场景下被放大了。一个产生幻觉的agent不仅在"说"错误的信息，更可能在"做"错误的事情——发送错误的邮件、执行错误的数据库操作、做出错误的业务决策。这种"行动性幻觉"的破坏力远超"语言性幻觉"。Springer的系统综述指出，agent场景下的幻觉更难检测，因为错误可能只在多步执行后才会显现^[13]。

挑战五：安全边界。Agent拥有了"行动"能力，但"行动"意味着"可以造成影响"。一个没有安全边界的agent可能执行不可逆的操作（如删除数据库、发送公开消息、修改生产配置）。OECD的Agentic AI报告将此定义为"影响范围控制"问题——需要为agent定义清晰的权限边界，确保它只能在授权范围内行动^[3]。技术实现包括：只读工具与写工具的权限分离、关键操作的人工确认机制、以及"沙箱"执行环境——agent的所有行动首先在沙箱中模拟执行，确认无害后才在生产环境中执行^[3]。

代理推理的产业落地正在从"概念验证"走向"规模化部署"。2026年预计40%的企业将采用某种形式的AI agents^[3]，但落地的深度和成熟度差异巨大。

领先场景：软件工程。软件工程是代理推理最先成熟的落地场景。GitHub Copilot Workspace、Cursor、Devin等工具已经将agent从"代码补全"推进到"自主编码"——agent可以独立完成从需求理解到代码实现、测试、调试的全流程。Claude Opus 4.7在SWE-Bench Pro上的64.3%意味着，对于中等难度的bug修复任务，agent已经可以在没有人类干预的情况下完成^[15]。这一场景之所以领先，是因为软件工程有天然的验证机制——测试用例。agent可以写代码、运行测试、根据失败信息修正代码，形成完全自动化的验证循环。

快速增长：客户服务。Agentic AI在客户服务领域的应用正在快速增长。与传统聊天机器人不同，agentic客服不仅可以回答问题，还可以执行操作——查询订单状态、处理退款、修改账户信息。Salesforce的Agentforce平台是这一领域的代表，它将agentic reasoning与CRM系统深度集成，使客服agent能够直接操作业务系统^[10]。Forrester预测，agentic workflow将使客服运营成本降低25%^[3]。

潜力巨大：企业自动化。企业流程自动化（RPA的升级版）被认为是代理推理最大的市场机会。传统RPA是脚本驱动的、脆弱的——任何流程变化都需要人工修改脚本。Agentic RPA则是目标驱动的——你告诉agent"完成月度财务报告"，它会自主地收集数据、生成图表、撰写分析、发送邮件。IBM的分析指出，这需要agent同时具备规划能力（分解报告任务）、工具调用能力（连接ERP和BI系统）、和自我修正能力（处理数据异常）^[4]。

早期探索：科学研究。AI for Science是代理推理最有想象力的应用方向之一。科学家agent可以自主地搜索文献、设计实验、分析数据、生成假设。虽然目前仍处于早期阶段，但Nature和Science上已经开始出现使用agent辅助科学发现的案例。核心挑战是科学研究的容错率极低——一个错误的实验设计可能浪费数月时间和数十万美元，这要求agent在科学研究场景中具备极高的可靠性^[2]。

代理推理代表了AI从"思考"到"行动"的根本性范式跃迁。它不是某个单一技术的突破，而是一整套技术体系的成熟：ReAct推理循环、分层规划、结构化工具调用、多层记忆架构、自我修正与验证循环、多智能体编排。这六个组件共同构成了AI agent的技术基础设施。

UIUC的三层架构框架提供了一个有价值的认知地图：基础推理层解决"agent能做什么"的问题（规划、工具使用、搜索）；自我进化推理层解决"agent能否越做越好"的问题（反思、自我修正、经验积累）；环境交互层解决"agent能否适应复杂现实"的问题（动态适应、多智能体协作）^[2]。当前的技术进展主要集中在基础推理层，自我进化推理层刚刚起步，环境交互层仍是研究前沿。

GPT-5.5在Terminal-Bench 2.0上的82.7%和Claude Opus 4.7在SWE-Bench Pro上的64.3%表明，在特定领域，agent的能力已经接近或达到实用水平^[15]。但通用agent的成熟仍需时间——推理不等于规划，长程可靠性尚未解决，Token成本是传统推理的10-100倍，幻觉在agent场景下被放大为更具破坏性的"行动性幻觉"。

我们的判断是：2026-2027年是代理推理的"可用但不可靠"阶段——agent在特定场景下可以交付价值，但需要人类监督和兜底。2028-2029年可能迎来"可靠但不自主"阶段——agent可以可靠地完成大多数任务，但仍需要人类定义目标和边界。真正的自主agent——能够独立定义目标、规划路径、执行操作、自我修正——可能要到2030年代才能实现。在此期间，最有价值的实践不是追求"完全自主"，而是在人机协作框架下，找到agent能力最强、人类监督最有效的平衡点。