基于大模型的自主智能体综述

这份综述要回答的是：当大语言模型被用作自主智能体的核心控制器时，这类智能体应该如何构建、可以用于哪些场景、又该如何评估。自主智能体长期被视为通向通用人工智能的一条有希望路径，但早期研究多让智能体在孤立、受限环境中依据简单启发式策略学习，与人类从广泛环境中学习的过程差距明显，难以在开放域复现人类水平的决策。近年来，LLM借助海量网络知识展现出通向人类级智能的潜力，相关研究随之激增，但许多模型是各自独立提出的，整体性的总结和比较并不多。这份资料的价值就在于把这些分散工作放进一个系统框架里，让读者能看清领域的基本结构和主要问题。

它覆盖的范围围绕三条主线展开：智能体的构建、应用和评估。构建部分聚焦两个问题，一是如何设计智能体架构以更好地发挥LLM的作用，二是如何激发并增强智能体完成不同任务的能力；应用部分覆盖社会科学、自然科学和工程；评估部分则梳理常用的主观与客观策略。方法上，这是对已有文献的系统回顾，作者提出一个统一框架来囊括大量先前工作，并建立相应的分类法，而不是报告一组新的实验结果。换句话说，它更像一张领域地图，用归类和比较帮助读者理解不同研究之间的位置关系。

在构建层面，比较关键的发现是那个统一框架，以及“给LLM配备记忆、规划等人类能力”这一核心思路。换句话说，LLM在这里不只是语言接口，而是被当作中央控制器，使智能体能够像人一样行为和完成任务。与强化学习相比，材料强调LLM-based agents拥有更全面的内部世界知识，即使没有在特定领域数据上训练，也能执行有根据的行动；同时，自然语言接口提供了更大的灵活性和更好的可解释性。这里需要注意的是，材料强调的是知识覆盖和接口形式带来的差异，而不是某个具体任务的性能优势。

应用与评估层面的结论更偏“地图”性质。材料把LLM-based autonomous agents的应用归入社会科学、自然科学和工程三大类，并把评估策略分为主观与客观两条路径，最后还讨论了该领域的若干挑战和未来方向。增长图显示，从2021年1月到2023年8月，累计论文数量呈上升趋势，图中列举了WebGPT、Generative Agent、Voyager、AutoGPT、ChatDev等代表工作，并按游戏、工具、通用、具身、模拟等类别着色。这个时间范围和类别划分本身说明，该领域在短时间内已经从零散尝试走向多场景并行探索。

这些结论对实践的意义，可以从“设计”和“评价”两个角度理解。统一框架把架构设计与能力获取分开讨论，意味着做系统时可以先问智能体的基本结构是否完整，再问记忆、规划等能力如何补足，而不是一开始就堆功能。应用分类有助于判断某个场景属于社会科学、自然科学还是工程，从而选择更贴近的参照工作；主客观评估的并置则提醒实践者，评估不能只依赖单一客观指标，还要纳入主观判断。LLM作为中央控制器能减少对特定领域训练数据的依赖，但材料同时列出挑战和未来方向，说明这仍是一个需要持续解决的问题域，而不是即插即用的成熟方案。

适合读这份资料的人，是刚进入LLM-based autonomous agents方向、需要一张全景图的研究者，以及要梳理子领域技术路线的工程人员。读完可以拿走统一框架、应用地图、评估分类和挑战清单，用来定位自己的问题或对照已有方案。它的边界也需要说清楚：这是一篇以文献归类和框架提炼为主的综述，材料没有给出具体性能数字或复现实验结果，因此不能把它当作benchmark报告来读；增长图的统计截止2023年8月，之后的新工作还需要另行跟踪。

Front. Comput. Sci., 2025, 0(0): 1–42 https://doi.org/10.1007/s11704-024-40231-1 REVIEW ARTICLE A Survey on Large Language Model based Autonomous Agents Lei Wang, Chen Ma*, Xueyang Feng*, Zeyu Zhang, Hao Yang, Jingsen Zhang, Zhi-Yuan Chen, Jiakai Tang, Xu Chen(B), Yankai Lin(B), Wayne Xin Zhao, Zhewei Wei, Ji-Rong Wen Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, 100872, China © Higher Education Press 2025 Abstract Autonomous agents have long been a research focus in academic and industry commu- nities. Previous research often focuses on training agents with limited knowledge within isolated envi- ronments, which diverges significantly from human learning processes, and makes the agents hard to achieve human-like decisions. Recently, through the acquisition of vast amounts of web knowledge, large language models (LLMs) have shown poten-