智能体工具链的演进：从提示工程到模型内化

大约在2025年圣诞节前后，AI工程师注意到智能体发生了变化——它们开始真正工作了！很难确切指出原因。也许是我们终于有了假期时间来尝试最新模型上的最新智能体；也许是模型跨越了某个能力门槛；也许是模型周围的封装（wrapper）已经成熟。

我在这篇文章中要论证的是，后两者的融合所致：模型和工具链（harness）共同改进，它们的改进曲线在正确的时刻相交。这种动态有助于解释接下来会发生什么：模型不断将工具链吸收进其权重中，工程师不断删除被吸收的部分，而剩下的工具链将服务于人类的注意力而非模型。

Transformer的发明者之一Lukasz Kaiser在6月的“无监督学习”播客中说：“去年冬天、去年圣诞节的变化——有点难以确定。我的意思是，工具链变了，训练后也发生了一些变化，然后新的预训练模型出现了……但这感觉像是一个巨大的跳跃，很难确定是什么造成的。

”“发生了什么？”的答案不仅仅在于模型权重，还在于围绕权重成长起来的系统——答案就在智能体工具链中。回想2022年11月，当时ChatGPT是最先进的人工智能工具。

它唯一可用的能力是下一个token预测，以及一些来自人类反馈的强化学习（RLHF），这使它能够表现得像一个有用的助手。

没有工具，没有搜索，也没有推理。最初的ChatGPT仅限于其训练数据和您发送的提示词，不多不少。它就像缸中之脑。智能体工具链是LLM摆脱这种限制并与真实数字信息空间互动的方式。工具链到底是什么？

智能体工具链是除模型权重之外使智能体工作的一切：模型周围的环境、工具、上下文和护栏。没有工具链，模型就是缸中之脑。它可以采取认知行动，但需要工具链在真实的数字空间中执行该决策。工具链就像给模型的思想赋予了身体。

有了工具链，模型可以感知（上下文）、行动（工具）、持久化信息（记忆和压缩）并强制执行其边界（权限和护栏）。工具链1.0：过去，“螺栓固定时代”模型/工具链的进化路径上有两条曲线：工具链对模型的要求，以及模型在实践中能提供什么。

这两条曲线之间的差距等于智能体的有效性，而我认为这个差距的缩小导致了Lukasz Kaiser提到的智能体的切实改进。以下是差距如何分阶段缩小：ReAct，“纸上的工具链”（2022年10月）：ReAct是一种提示技术，通过提示让模型推理。

它是纸上的智能体循环，位于模型权重之外。

它定义了“智能体循环”的概念：模型推理 -> 行动 -> 观察 -> 重复。同样，ReAct循环仅作为提示方法存在。提示是当时唯一存在的推理方法，没有人称之为“工具链”。

同年冬天，Toolformer（Meta，2023年2月）暗示工具使用可以被训练进模型，而不是通过提示。这有点像艾伦·图灵在计算机物理实现之前对计算机的想法——一个强大的想法，后来才被实现。（ReAct比ChatGPT早一个月——2022年10月对2022年11月）。

此时两条曲线都接近零，差距很小，因为我们才刚刚开始。AutoGPT/BabyAGI，“过早的自主”（2023年春季）：使用AutoGPT/BabyAGI，工具链曲线领先于模型能力曲线。

两者都赋予模型完全自主权，要求模型充当“自主员工”，但此时的模型仍然不过是脆弱的下一个token预测器。循环不会给模型增加能力；循环放大模型已有的能力，而低于某个阈值时，循环放大的是错误而非可靠性。

考虑负复利：在20步任务中，每步95%的可靠性导致平均成功率约为36%。工具链交给模型一个它实际上没有机会完成的任务。这是差距最大的时候，接下来的18个月是对此的反应和缩小差距的尝试。

Cursor/Copilot，“退回到人在回路中”（2023-2024）：第一批AI驱动的IDE认识到赋予模型过多自主权的失败模式。它们通过将工具链曲线拉低到模型曲线之下来缩小差距：不要直接给模型循环，而是给人循环，让人来编排循环，同时模型加速人的工作。

Devin的第一个版本试图将自主权交还给模型，但Answer.AI团队的一个测试显示这仍然为时过早，成功率约为15%。这证明IDE从完全自主撤退不是懦弱，而是正确的举动。然而，尽管主流策略是将工具链拉低到模型之下，模型仍在不断改进。

临近2024年底，随着第一个推理模型o1的推出，差距首次反转，我们开始看到模型能力过剩的第一个迹象。

Claude Code，“曲线相交”（2025年2月）：2024年底的反转为某人创造了一个必须抓住的机会：如果模型现在领先于工具链，那么一个故意踩刹车的工具链就是在浪费能力。Claude Code是第一个为抓住这一机会而构建的编码智能体。

它放弃IDE转向终端，赋予模型bash和文件读写权限，并用权限规则取代了每次更改都需要人工批准。

模型再次被赋予循环，而这次它理解了任务。Boris Cherny和团队在构建Claude Code时考虑的是下一代模型的能力，而不是当前模型。它之所以大获成功，不是因为它第一个赋予模型自主权，而是因为它第一个在正确的时机这样做。

那个时机就是模型已经足够可靠、能够通过自主性取得成功的交叉点。Claude Code在六个月内增长到约10亿美元的ARR，这一切都是因为Anthropic抓住了曲线开始交汇时的机会。接下来发生的是，曲线不仅交汇，它们开始编织在一起。

工具链2.0：现在，“共同训练时代”今天，工具链很重要，而且是以我们可以衡量的方式。Harness-Bench在相同的106个任务上运行相同的模型，但使用不同的工具链，得分范围从52.4到76.2：模型零变化，差距达23.8个百分点。

智能体的一半是工具链。OpenAI在ARC-AGI-3上通过工具链变化也取得了类似结果。仅添加保留推理和压缩，GPT-5.6 Sol的ARC-AGI-3得分从13.3%增至38.3%，增加了两倍。

背后发生的事情是，强化学习（RL）已经进入了工具链。OpenAI在2025年5月的codex-1发布公告中说：“codex-1是在各种环境中针对现实世界编码任务使用强化学习进行训练的。”两条曲线结合并开始编织成一个统一的系统。

这是Toolformer梦想在现实中的体现。现在工具调用不是从外部提示，而是从模型的环境内部训练。然后，当模型在工具链环境中训练时，它们开始将工具链能力吸收进模型权重，例如学习如何利用自身上下文窗口的知识进行自动压缩。

GPT-5.1-Codex-Max发布时称：“第一个通过压缩原生训练以跨多个上下文窗口操作的模型。”一旦模型吸收了工具链能力，工具链就可以摆脱脚手架。这是通过减法来生产。来自Anthropic的Thariq Shihipar在……