Category: AI百科

Agentic Payments Protocol（AP2）是谷歌联合Coinbase等60多家组织共同推出的开放协议，为AI代理（AI Agent）发起的支付交易提供安全、可互操作的框架。AP2通过加密签名的数字合约，确保交易的防篡改和可审计性，支持多种支付方式，包括信用卡、借记卡、稳定币和实时银行转账。通过Intent Mandates（意图授权书）和Verifiable Credentials（可验证凭证）确保交易的可追溯性和用户意图的明确性。AP2不仅适用于消费者场景，还将在企业商务工作流程中发挥重要作用，例如自动采购和软件许可自动扩展。

什么是AP2

AP2（Agentic Payments Protocol）是一个开放协议，为用户提供一个安全、可扩展且支付方式无关的框架，以便用户、商家和支付提供商能跨平台进行智能体支付。为AI代理代表用户进行支付交易提供一个共同的基础，确保交易的安全性、合规性，并防止生态系统碎片化。

AP2的工作原理

• Mandates（授权书）：这是经过加密签名的数字合约，作为用户指令的可验证证明。Mandates分为两种：
  • Intent Mandate（意图授权书）：用户预先签署的代理操作约束，适用于“用户不在场”场景。例如，用户告诉代理“购买演唱会门票，一旦开售就买”，这个请求被记录在Intent Mandate中。
  • Cart Mandate（购物车授权书）：用户对具体购物车（商品、价格、货币）的最终批准，适用于“用户在场”场景。例如，用户让代理帮忙找一双运动鞋，代理找到后，用户确认购买，这个确认过程生成Cart Mandate。
• Verifiable Credentials（可验证凭证）：这些是用户签署Mandates时使用的数字签名，整个生态系统都认可其为交易的真实依据。
• 数据流与角色分离：AP2通过角色分离最小化敏感数据暴露：
  • 用户/购物代理：负责解析用户任务、协商购物车，但不接触支付凭据。
  • 凭证提供商：管理支付方法（如钱包），存储支付卡号或令牌。
  • 商家端点：提供报价、签署购物车，但不接触用户支付信息。
  • 支付处理器：构造网络授权请求，接收Payment Mandate。
• 支持的支付方式与扩展性：AP2支持多种支付方式，包括信用卡、借记卡、稳定币和实时银行转账。此外，AP2还设计了扩展机制，如与Coinbase等合作推出的A2A x402扩展，支持代理间的稳定币交易。
• 争议解决：AP2提供了基于证据的争议解决框架。例如，在未授权交易中，可通过用户签名的mandate来确定责任；在产品不符的情况下，对比购物车与实际交付的物品来确定商家责任。

通过这些机制，AP2确保了交易过程的安全性、透明性和可审计性，为AI代理时代的支付交易提供了坚实的信任基础。

AP2的主要应用

• 智能购物：用户可让AI代理监控价格和库存，一旦符合条件就自动完成购买。用户可向代理表达对特定商品的需求，代理与商家沟通，为用户创建定制化的优惠方案。
• 协调任务：用户可委托AI代理完成复杂的任务，如预订旅行，代理可与多个服务提供商协调并同时完成多个预订。
• 去中心化应用（DApp）、供应链自动化、内容分发网络等场景：AP2允许智能体在预设规则下自主发起、验证并完成支付，极大提升了这些场景的运作效率。
• 机器经济：AI Agent可以为自己的服务收费、向其他Agent付款、代表用户自动处理微支付。不同平台的Agent能相互通信协作，具备真正的支付能力，可以自主完成交易结算。例如，在与Lowe’s Innovation Lab的合作演示中，AI智能体完成了一次完整的购物流程：从诊断需求、推荐商品、确认订单，到使用USDC付款并触发履约流程，所有操作均由AI独立完成。
• 支持新兴支付系统：AP2设计为通用协议，支持稳定币和加密货币等新兴支付方式。例如，与Coinbase合作推出的A2A x402扩展，为基于代理的加密支付提供了生产级解决方案。

AP2面临的挑战

• 技术层面
  • 技术碎片化：不同国家的A2A系统规则各异，如巴西的PIX和墨西哥的SPEI系统，缺乏统一标准，难以跨市场规模化应用。
  • 反应速度与成本：AI代理执行任务耗时长、成本高。例如，使用ANP协议预订酒店可能需5-6分钟，且对上下文的消耗大，若成本无法降低，将阻碍协议落地。
• 法律与责任
  • 法律空白：目前尚无明确法规规定AI代理错误交易的责任归属。在墨西哥和巴西，若使用用户凭证进行交易，即使是由代理的错误导致，责任也归用户。巴西虽在推进AI系统责任原则，但应用于支付领域仍处于早期阶段。
  • 责任界定复杂：当欺诈发生时，难以确定是用户、商家、银行还是AI模型本身的责任。
• 安全与信任
  • 实时支付风险：A2A支付实时结算，欺诈检测需在毫秒级完成。需更适应性强的模型和预转账验证，如验证收款人银行账户，确保资金流向正确。
  • AI决策不透明：当前语言模型无法解释其决策过程，若代理管理资金，需确保其可被问责，需解决如何审计代理、避免偏见或不公平决策等问题。
• 生态系统与市场
  • 生态系统不完善：虽然AP2提供了基础信任层，但要实现代理商业务，还需更多工具和服务。例如，传统支付平台难以满足AI公司的灵活定价模型，需构建新的基础设施。
  • 市场接受度：尽管AP2有诸多优势，但市场对其接受程度和采用速度不确定，需更多实践和案例来证明其价值。

AP2的发展前景

• 技术融合与创新
  • AI与加密金融协同：AP2为AI代理提供了经济行动能力，稳定币等加密金融工具以其特性成为AI支付的理想选择，这标志着AI与加密金融在基础设施层的融合正在走向现实。
  • 跨平台与跨链支付：AP2作为A2A协议和MCP协议的扩展，支持多种支付方式，未来将逐步形成一个跨平台、跨链、跨行业的智能支付生态系统。
• 商业模式创新
  • 推动AI商务模式：AP2支持AI代理代表用户进行购物和复杂任务协调，如自动监控价格和库存、创建定制化优惠、协调旅行预订等，为AI驱动的商业模式提供了基础。
  • 拓展机器经济：AP2使AI代理能够自主管理数字资产、收费和支付，推动机器经济的发展，例如AI代理之间的服务交易和微支付。
• 市场接受度与生态发展
  • 用户接受度提升：随着用户对AI代理支付的逐渐熟悉，其对AI代理自主拥有数字资产的接受度也将逐步提高。
  • 生态合作伙伴增多：AP2得到了包括支付平台、金融机构、科技公司等60多家组织的支持，其生态系统正在不断扩展。
• 行业标准与规范
  • 成为行业标准：AP2作为一个开放协议，其目标是成为AI代理支付的通用标准，促进不同平台和生态之间的互操作性。
  • 推动法规完善：随着AP2的发展，其在法律和责任界定方面的实践将推动相关法规的完善，为AI代理支付提供更明确的法律框架。
• 安全与信任保障
  • 增强交易安全：AP2通过加密签名的数字合约和可验证凭证，确保交易的防篡改和可审计性，为用户提供安全可靠的支付环境。
  • 建立信任基础：通过“可验证意图，而非推断行动”的原则，AP2创建了从意图到购物车到支付的完整证据链，形成不可反驳的审计轨迹。

Agent Guidance Language（AGL，Agent指导语言）是一种借鉴标准作业流程（SOP）的自然语言结构化编写法，让业务专家能够用自然语言为Agent编写“可执行的指令书”，将专家的偏好、私域知识和隐性规则注入任务执行流程。AGL通过模板化的方式，让业务专家能够清晰、完整地描述任务，考虑Agent的适配性，极大提升了Agent任务执行的稳定性。

什么是AGL

AGL（Agent Guidance Language，Agent指导语言）是借鉴标准作业流程（SOP）的自然语言结构化编写法，让业务专家能用自然语言为Agent编写“可执行的指令书”，将专家的偏好、私域知识和隐性规则注入任务执行流程。

AGL的工作原理

• 结构化任务描述：AGL借鉴了管理学中的标准作业流程（SOP）概念，将任务分解为三个核心部分：
  • 问题概述：明确任务的目标和背景。
  • 所需资源：列出完成任务所需的所有资源和工具。
  • 步骤说明：详细描述完成任务的具体步骤。
• 这种结构化的方式确保了任务描述的清晰性和完整性，同时也便于Agent理解和执行。
• 自然语言表达：AGL使用自然语言编写，让业务专家能像写流程手册一样描述任务。易于理解和编写，能让Agent通过自然语言处理（NLP）技术更好地解析和执行任务。
• 提升Agent适配性：AGL在设计时充分考虑了Agent的适配性，确保任务指导手册能被Agent理解和执行。通过规范化的自然语言表达，AGL能将专家的偏好、私域知识和隐性规则注入任务执行流程，提升Agent在特定领域的表现。
• 模板化与社区共建：AGL提供了一个标准的模板，业务专家可以按照模板填写任务内容，生成规范化的指导手册。此外，AGL项目在GitHub上以开源形式进行社区共建，用户可以将自己编写的指导手册放入/examples/目录并发起PR，供社区共同打磨和完善。
• 自检与质量保证：AGL提供了如何自检指导手册质量与稳定性的建议。通过这些校验机制，业务专家可以确保指导手册的质量，提升Agent任务执行的稳定性。

AGL的主要应用

• 企业自动化任务指导：AGL能为各类企业自动化任务编写详细的执行手册，帮助Agent按照既定流程稳定执行任务，减少因任务描述模糊或不完整导致的执行偏差，提升企业运营效率。
• 客服与客户支持：在客服领域，AGL可用于编写标准的客户问题处理流程，将专家的经验和处理规则转化为Agent可执行的指令，使Agent能更准确地解决客户问题，提升客户满意度。
• 数据分析与处理：AGL可以为数据分析Agent编写数据处理和分析的指导手册，明确数据清洗、分析步骤以及结果呈现方式，确保数据分析的准确性和一致性，辅助企业决策。
• 智能机器人任务规划：AGL可用于为智能机器人编写任务规划手册，指导机器人完成复杂的操作任务，如物流仓储中的货物搬运、工业生产线上的零部件装配等，提高机器人任务执行的稳定性和准确性。
• 内容创作与审核：在内容创作领域，AGL可以为内容创作Agent编写创作指南，规范内容风格、结构和审核标准，帮助Agent生成符合企业要求的高质量内容，同时提高内容审核的效率和准确性。
• 教育与培训：AGL可用于编写教学指导手册，为教育Agent提供教学内容、教学方法和评估标准，辅助教育Agent更好地完成教学任务，提升教学效果和学生学习体验。
• 医疗健康辅助：在医疗领域，AGL可以为医疗Agent编写病例分析、诊断建议和治疗方案制定的指导手册，将专家的医疗知识和经验转化为Agent可执行的指令，辅助医疗人员进行诊断和治疗，提高医疗服务质量和效率。
• 金融风险评估与管理：AGL可用于编写金融风险评估和管理的指导手册，为金融Agent提供风险识别、评估和应对策略，帮助Agent更准确地评估金融风险，优化风险管理流程，保障金融机构的稳健运营。

AGL面临的挑战

• 自然语言理解的复杂性：尽管AGL采用自然语言编写，但自然语言的模糊性和多样性可能导致Agent难以准确理解任务指导手册中的某些表述，尤其是在涉及行业术语或隐性知识时。
• 任务描述的标准化难度：不同业务专家的表达风格和习惯不同，可能导致任务描述不够规范或存在关键信息遗漏，影响Agent对任务的理解和执行。
• Agent适配性问题：虽然AGL考虑了Agent的适配性，不同Agent的能力和限制各异，某些任务指导手册可能需要针对特定Agent进行定制化调整，增加了实施的复杂性。
• 社区共建的协调挑战：AGL项目依赖社区共建，不同贡献者的水平和理解存在差异，可能导致指导手册的质量参差不齐，需要有效的机制来保证社区贡献的质量和一致性。
• 动态任务适应性不足：在快速变化的业务环境中，任务需求可能频繁变动，AGL指导手册需要及时更新以适应新的任务要求，否则可能导致Agent执行过时的任务。
• 跨领域应用的通用性问题：AGL需要在不同领域中应用，每个领域的专业知识和规则差异较大，如何设计出既具有通用性又能满足特定领域需求的指导语言是一个挑战。
• 性能与效率问题：在实际应用中，AGL指导手册的解析和执行可能会影响Agent的性能和效率，尤其是在处理复杂任务时，需要优化以确保Agent能快速响应。
• 安全性和隐私问题：AGL指导手册中可能包含敏感信息或隐私数据，如何确保这些信息的安全性和隐私性，防止数据泄露或被恶意利用，是需要解决的重要问题。

AGL的项目地址

• Github仓库：https://github.com/dataelement/AgentGuidanceLanguage

AGL的发展前景

Agent Guidance Language（AGL，Agent指导语言）作为一种新兴的自然语言结构化编写法，具有广阔的发展前景。随着人工智能和自动化技术的快速发展，企业对Agent的依赖程度越来越高，AGL能有效解决Agent任务执行中的稳定性和适配性问题，帮助业务专家将专业知识和隐性规则转化为Agent可执行的指导手册。AGL的开源模式和社区共建机制，能不断优化和完善，适应不同领域和场景的需求。AGL有望在企业自动化、智能客服、数据分析、智能机器人等多个领域得到广泛应用，成为提升Agent性能和效率的重要工具。

AI智能体（AI Agent）是能感知环境、自主决策并执行任务以实现特定目标的智能实体或计算机程序。代表了人工智能从简单自动化向自主系统管理复杂工作流的演进，具备学习、推理和与环境交互的能力，广泛应用于个人助理、工业自动化、自动驾驶、医疗健康、金融服务等多个领域，展现出向更高级自主性、人机协作和群体智能发展的趋势。

什么是AI智能体

基本定义

AI智能体（AI Agent），也被称为人工智能体，是人工智能领域中的一个核心概念，指的是能感知其环境、进行自主决策并采取行动以实现特定目标的智能实体或计算机程序 。这些智能体不仅是简单的自动化工具，是具备一定程度的自主性、学习能力和推理能力的先进AI系统 。可以代表用户执行任务，在执行过程中不断进行自我完善和改进 。AI智能体被认为是人工智能领域的下一次演进，标志着从简单的自动化向能够管理复杂工作流的自主系统的过渡 。

与传统遵循“请求和响应”框架的生成式AI模型不同，AI智能体能编排资源，与其他智能体协作，基于多种工具，如大语言模型（LLM）、检索增强生成（RAG）、向量数据库、API、框架以及Python等高级编程语言，实现更复杂的功能 。AI智能体的表现形式多样，可以是纯粹的软件程序，如个人助理应用，也可以是具有物理形态的机器人 。核心在于具备学习和决策能力，能从海量数据中提取有用信息，形成知识库，综合考虑各种因素，运用逻辑推理、概率统计等方法做出最优决策 。

构成要素

AI智能体的构成要素是实现自主感知、决策和行动的基础。一个典型的AI智能体包含以下几个核心组件，组件协同工作，帮助智能体高效地进行推理、制定计划并执行任务 ：

• 大语言模型 (LLM)：LLM被视为AI智能体的“大脑”，负责协调决策制定。通过任务进行推理，制定行动计划，选择合适的工具，管理对必要数据的访问权限，实现目标。作为智能体的核心，LLM负责定义和编排智能体的总体目标 。LLM赋予了智能体理解意图和生成文本的能力，当智能体学会使用工具时，潜力将被无限放大 。
• 记忆模组 (Memory Module)：AI智能体依靠记忆来维护上下文，可以根据正在进行的任务或历史任务进行调整。记忆模组通常分为：
  • 短期记忆 (Short-term Memory)：用于跟踪智能体的“思维链”和最近的操作，确保在当前工作流期间保留上下文 。
  • 长期记忆 (Long-term Memory)：用于保留历史交互情况和相关信息，方便随着时间推移更深入地理解上下文并改进决策制定过程 。记忆系统对于补充模型上下文信息处理至关重要，在处理超出模型上下文窗口限制的信息时 。
• 规划模组 (Planning Module)：利用规划模组，AI智能体可以将复杂任务分解为可操作的步骤。规划可以基于不同方法：
  • 无反馈 (Without Feedback)：使用“思维链 (Chain-of-Thought)”或“思维树 (Tree-of-Thought)”等结构化技术，将任务分解为可管理的步骤 。
  • 有反馈 (With Feedback)：整合ReAct、Reflexion或人机回圈 (Human-in-the-Loop) 反馈等迭代改进方法，以优化策略和结果 。
• 工具 (Tools)：AI智能体本身可以用作工具，也可以通过集成外部系统来扩展其功能。工具可以包括API、数据库、其他软件或硬件设备，使智能体能够与更广泛的环境进行交互并执行更复杂的操作 。工具的使用极大地提升了模型的能力，使得智能体模式成为必然趋势 。

AI智能体的核心结构还包括环境（Environment）、传感器（Sensors）、执行器（Actuators）和决策机制（Decision-making mechanism）。环境是智能体操作的领域，可以是物理空间或数字空间。传感器是智能体感知环境的工具，如摄像头、麦克风或数据输入。执行器负责执行决策机制选择的动作，如机器人的电机或软件的功能。决策机制是智能体的核心，处理感知信息，基于知识库和推理机制来决定最佳行动方案 。共同构成了AI智能体感知、思考、决策和行动的基础。

AI智能体 vs AI助手

AI助手，如Apple的Siri、Amazon的Alexa或Google Assistant，是传统AI聊天机器人的进化版本。基于自然语言处理（NLP）理解用户以文本或语音形式提出的查询，然后根据直接的人工指令执行任务 。这些系统在处理预定义任务或响应特定命令方面表现出色，但自主性和任务复杂性处理能力有限 。相比之下，

AI智能体是一种更先进的AI，功能远超AI助手。基于规划、推理和上下文记忆来自主处理复杂的开放式任务，可以执行迭代工作流，使用一系列工具，根据反馈和之前的交互情况做出调整 。

AI智能体的发展历程

早期探索与理论基础

AI智能体的概念最早可以追溯到计算机科学的黎明时期。20世纪40年代和50年代，图灵、冯·诺依曼等先驱为人工智能和智能体的思想奠定了基础。艾伦·图灵提出的“图灵测试”为衡量机器智能提供了一个标准，而冯·诺依曼则对自复制自动机进行了研究，探索如何让机器模拟人类的思维过程，例如通过逻辑推理和问题求解。

符号主义智能体的发展

20世纪60年代至80年代，符号主义（Symbolicism）成为人工智能研究的主流范式，也深刻影响了早期AI智能体的发展。符号主义认为智能行为可以通过对符号的操作和推理来实现。在这一思想指导下，研究者们开发了基于知识的专家系统和逻辑推理智能体。

行为主义智能体的兴起

20世纪80年代末至90年代，随着对符号主义局限性的反思，行为主义（Behaviorism）或基于行为的AI（Behavior-based AI）开始兴起，为AI智能体的发展带来了新的思路。行为主义强调智能体与环境的直接交互，认为智能行为源于简单行为模块的叠加和涌现，而非复杂的内部符号表征和推理。罗德尼·布鲁克斯（Rodney Brooks）提出的包容式架构（Subsumption Architecture）是行为主义智能体的典型代表，他主张从底层构建具有感知和行动能力的机器人，通过与环境互动来学习和适应。

现代智能体技术的融合与突破

进入21世纪，特别是近年来，AI智能体技术进入了融合与突破的新阶段。随着机器学习，特别是深度学习和强化学习的飞速发展，AI智能体的能力得到了前所未有的提升。大语言模型（LLM）的出现，使得智能体在自然语言理解、生成和推理方面取得了显著进展，为构建更通用、更智能的AI智能体提供了强大的基础模型。现代AI智能体不再局限于单一的符号主义或行为主义范式，而是倾向于融合多种技术。

AI智能体的工作原理

AI智能体的工作原理是一个复杂但有序的过程，涉及多个阶段的交互和决策。过程可以概括为感知环境、处理信息、设定目标、做出决策、执行动作，从结果中学习与适应，涉及多个智能体之间的协调编排。

感知与信息获取

AI智能体运作的第一步是感知（Perception）其环境 。在这个阶段，智能体通过各种方式收集关于其所在环境的数据。数据来源可以非常广泛，包括物理传感器（如摄像头、麦克风、温度传感器等，尤其对于具身智能体或机器人）、API接口（用于从其他软件系统获取数据）、数据库（存储历史数据或领域知识）、用户交互（如文本输入、语音指令）以及互联网等数字空间 。感知的目的是确保智能体拥有最新的、相关的信息，以便进行后续的分析和行动。传感器是AI智能体用来感知环境的工具，传感器可以是摄像头、麦克风或任何其他感官输入，使AI智能体能理解周围发生的事情 。感知模块进一步处理原始传感器数据，转化为有意义的信息，例如进行图像识别、语音到文本的转换或数据预处理，为智能体解释世界 。这个阶段获取信息的全面性和准确性直接影响智能体后续决策和行动的有效性。

决策与推理机制

在感知并获取环境信息之后，AI智能体进入推理（Reasoning）和决策（Decision-making）阶段。推理阶段涉及对收集到的数据进行处理，提取有意义的洞察和分析 。智能体基于自然语言处理（NLP）、计算机视觉或其他AI功能来解释用户查询、检测模式并理解更广泛的上下文 。有助于AI根据当前情况确定需要采取什么行动。

接下来是目标设定（Goal Setting）。AI根据预定义的目标或用户输入来设定其目的 。然后，会制定实现这些目标的策略，涉及到使用决策树、强化学习或其他规划算法 。

最后是决策（Decision）。在这个阶段，AI评估多种可能的行动方案，根据效率、准确性和预测结果等因素选择最佳行动 。会使用概率模型、效用函数或基于机器学习的推理来确定最佳行动方案 。

认知架构（Cognitive architecture）在这一过程中扮演关键角色，包含了AI的知识库、推理机制和学习算法，使得智能体能基于知识和当前感知得出结论并规划行动 。

行动执行与反馈循环

决策完成后，AI智能体进入执行（Execution）阶段。智能体通过与外部系统（如API、数据库、机器人硬件）交互或向用户提供响应来执行所选择的行动 。执行器（Actuators）负责具体实施这些行动。对于物理机器人，执行器可能是电机或机械部件；对于软件智能体，执行器可能是修改数据、发送消息或控制系统功能的函数 。

执行行动后，AI智能体不会停止工作，是进入学习与适应（Learning and Adaptation）的反馈循环。AI会对行动的结果进行评估，收集反馈来改进未来的决策 。通过强化学习或自监督学习等技术，AI会随着时间的推移完善其策略，在未来更有效地处理类似的任务 。这种学习和适应能力是AI智能体能持续优化和适应环境变化的关键。

在多智能体系统中，AI编排是指系统和智能体的协调和管理 。编排平台可以自动化AI工作流程，跟踪任务完成进度，管理资源使用情况，监控数据流和内存，处理故障事件 。通过有效的编排，理论上数十、数百到数千个智能体也可以和谐高效地协同工作，共同完成复杂的任务 。这个完整的“感知-推理-决策-执行-学习”循环，辅以必要的编排，构成了AI智能体动态运作的核心机制。

AI智能体的主要特点

自主性 (Autonomy)

是指智能体能在没有外部直接干预或持续人工监督的情况下，控制其自身行为和内部状态，独立完成任务并做出决策 。

反应性 (Reactivity)

是指AI智能体能感知其环境（包括物理世界或数字世界）的变化，对此做出及时和适当的响应 。要求智能体能实时监控环境状态，对突发事件或新的输入做出快速决策 。

主动性 (Pro-activeness)

或称前瞻性，是指AI智能体能对环境变化做出反应，能展现出目标导向的行为，主动采取行动以实现其设计目标，在问题出现之前就预测需求并提出解决方案 。能根据对环境和目标的内部理解，自主地发起行动。

社会能力 (Social Ability)

也称交互性，是指AI智能体能与其他智能体（包括人类用户和其他AI智能体）进行交互、沟通和协作的能力 。使智能体能参与到更复杂的社会和技术系统中，通过合作来解决问题，共享信息，在某些情况下形成社会结构 。

学习与适应性 (Learning and Adaptability)

是指AI智能体能随着时间的推移而改进其性能的核心能力。智能体可以通过机器学习算法（如监督学习、无监督学习、强化学习）从经验、环境变化和交互历史中学习，调整自己的行为和策略，更好地应对新的挑战和情况 。

按应用领域分类

• 工业智能体 (Industrial Agents)：应用于制造业、能源、物流等工业领域，用于实现生产流程的自动化、设备的预测性维护、供应链的优化等。
• 服务智能体 (Service Agents)：应用于客户服务、零售、金融、医疗等服务行业，用于提供个性化的客户支持、智能推荐、风险评估等服务。
• 个人智能体 (Personal Agents)：应用于个人生活辅助，如智能语音助手、智能家居控制、个性化信息推荐等。
• 娱乐与游戏智能体 (Entertainment and Game Agents)：应用于视频游戏、虚拟现实等领域，用于创建更智能、更具挑战性的非玩家角色（NPC）或提供个性化的娱乐体验。
• 教育智能体 (Educational Agents)：应用于教育领域，作为学习伙伴、辅导老师或教学管理助手。
• 政府与公共事业智能体 (Government and Public Utility Agents)：应用于政务服务、城市管理、公共安全等领域，用于提升政府效率、优化公共服务和城市治理水平。

AI智能体的关键技术

机器学习与深度学习

机器学习（Machine Learning, ML）与深度学习（Deep Learning, DL）是AI智能体实现智能行为和持续优化的核心驱动力。机器学习算法使智能体能从数据中学习模式和规律，无需进行显式编程。通过监督学习，智能体可以从标记的训练数据中学习输入与输出之间的映射关系，例如图像识别、语音识别等。无监督学习支持智能体在未标记数据中发现隐藏的结构和模式，如聚类和降维。强化学习（Reinforcement Learning, RL）是AI智能体学习决策策略的关键技术，智能体通过与环境的交互，根据获得的奖励或惩罚来调整其行为，以最大化累积奖励。深度学习作为机器学习的一个分支，基于深层神经网络模型，能从大规模、高维度的原始数据（如图像、语音、文本）中自动提取复杂的特征表示，提升了智能体在感知、认知和决策方面的能力。

自然语言处理 (NLP)

赋予智能体理解和生成人类语言的能力，使人机之间的沟通变得更加自然和高效 。通过NLP技术，智能体能解析用户输入的文本或语音，提取其中的意图和关键信息，以人类可理解的方式做出回应或执行相应操作。NLP的发展水平直接决定了智能体在语言交互方面的智能化程度。

计算机视觉

计算机视觉（Computer Vision, CV）是赋予AI智能体“看”的能力的关键技术。使智能体能从图像、视频等视觉信息中提取有意义的数据，对其进行理解和分析。计算机视觉技术涵盖了图像处理、模式识别、场景理解、目标检测与跟踪、图像分割、三维重建等多个方面。通过计算机视觉，AI智能体可以识别物体、人脸、文字，理解场景的布局和动态变化，感知人类的情感状态。

知识表示与推理

知识表示（Knowledge Representation, KR）与推理（Reasoning）是AI智能体实现高级认知功能，如理解、决策和问题求解的基础。知识表示关注如何将现实世界中的知识以计算机可处理的形式进行符号化和结构化。涉及到选择合适的表示语言和数据结构来存储和组织知识，例如逻辑表达式、语义网络、框架、本体等。一个良好的知识表示方案应该能准确、完整地表达领域知识，支持高效的推理操作。推理是基于已有的知识库和当前感知到的信息，通过逻辑推断、演绎、归纳、溯因等方法，得出新的结论或做出决策的过程。知识表示与推理技术使AI智能体不仅依赖于数据驱动的模式匹配，更能进行深层次的逻辑思考和基于知识的决策。近年来，知识图谱（Knowledge Graph）作为一种重要的知识表示方式，结合了图数据库和语义网技术，为AI智能体提供了大规模、结构化的知识库，极大地增强了其理解和推理能力。

规划与决策算法

自主决策使AI智能体能根据所处的环境和设定的目标，独立地做出合理的判断和选择。依赖于复杂的规划与决策算法。这些算法使智能体对外部刺激做出简单反应，还能进行一定程度的思考、预测和规划，在复杂和动态的环境中达成既定目标。规划与决策算法的优劣直接影响到智能体的智能化水平和任务完成能力。

AI智能体面临的挑战

技术挑战

AI智能体在技术层面面临的首要挑战是行为的不可预测性和潜在的“失控”风险。许多智能体式AI系统采用强化学习方法进行训练，核心在于最大化预设的奖励函数。如果奖励函数设计不当，或者未能充分考虑到所有可能的边缘情况和负面后果，AI智能体可能会“钻空子”，以非预期甚至有害的方式达成目标，从而获得“高分” 。

AI智能体在复杂动态环境中的鲁棒性和适应性仍有待提升。现实世界充满了不确定性、模糊性和快速变化，AI智能体需要能准确感知环境、理解上下文，做出恰当的决策和行动。然而，当前的AI技术，特别是基于数据驱动的机器学习方法，在面对训练数据分布之外的场景时，性能可能会显著下降，甚至出现严重错误。

AI智能体系统由多个协同工作的自主智能体组成，之间的交互和协调也可能引发新的技术难题，如任务分配、资源竞争、通信瓶颈以及潜在的连锁故障等 。这些技术瓶颈限制了AI智能体在关键任务和高风险场景中的广泛应用。

伦理与社会挑战

AI智能体的广泛应用引发了深刻的伦理和社会关切。其中核心问题是智能体行为的责任归属。当AI智能体自主做出决策并执行任务，在产生负面后果时（例如，自动驾驶汽车发生事故，医疗诊断AI出现误诊，金融交易AI引发市场波动），如何界定开发者、所有者、使用者以及AI本身的责任，成为一个亟待解决的难题 。传统的法律框架和伦理准则往往难以直接适用于具有高度自主性的AI系统。

AI智能体在学习和决策过程中可能无意识地学习并放大训练数据中存在的偏见，例如性别歧视、种族歧视等，导致其在招聘、信贷审批、司法辅助等敏感领域的应用中产生不公平的结果，加剧社会不平等。

AI智能体对人类就业市场和社会结构可能产生的冲击。随着AI智能体在越来越多的领域展现出超越人类的效率和能力，大量传统岗位面临被替代的风险，可能导致结构性失业和社会分化。社会需要提前规划和应对由此带来的劳动力市场转型和技能再培训需求。过度依赖AI智能体进行决策，可能削弱人类的自主判断能力和责任感，导致“算法霸权”，引发对个体自由和社会控制的担忧。

安全与隐私挑战

AI智能体的安全性和隐私保护是制约其发展的关键瓶颈。由于AI智能体需要访问和处理大量数据以进行感知、学习和决策，这使其成为网络攻击和数据泄露的高价值目标。恶意攻击者可能通过操纵输入数据（对抗性攻击）来误导AI智能体的判断，使其做出错误的决策，造成严重的安全事故。

AI智能体在运行过程中收集和产生的数据，往往包含大量用户个人信息和敏感商业信息，如果缺乏有效的保护措施，极易发生数据泄露和滥用，侵犯用户隐私。

AI智能体可能出现的“自我强化”现象，即当AI针对某个特定指标进行过于激进的优化而没有采取适当的安全措施时，其行为可能朝着意想不到的负面方向不断升级，最终失控 。这些安全风险要求在设计、部署和监管AI智能体时，必须建立完善的安全防护机制、数据加密手段、访问控制策略以及应急响应预案。

法律与监管挑战

AI智能体的快速发展对现有的法律体系和监管框架构成了严峻挑战。传统的法律法规往往滞后于技术进步，难以有效规范AI智能体的研发、部署和应用。例如，在责任认定方面，当AI智能体造成损害时，是追究开发者、生产者、销售者还是使用者的责任，或者AI本身是否应被赋予某种形式的法律主体资格，这些问题都尚无明确的法律定论。

AI智能体的决策过程往往缺乏透明度和可解释性，尤其是在基于深度学习的“黑箱”模型中，使得事后追溯和责任认定变得异常困难。

AI智能体的发展前景

更高级的自主性与通用性

追求更高级的自主性和更广泛的通用性。未来的AI智能体将具备更强的环境理解、自我学习和决策能力，能在较少或没有人工干预的情况下，自主完成更复杂的多步骤任务，适应不断变化的环境和需求。不仅能执行预设的程序，更能理解抽象概念、进行常识推理、具备一定的创造性和情感理解能力。

人机协作与共生

AI智能体并非要完全取代人类，而是作为人类的得力助手和合作伙伴，与人类协同工作，共同完成任务。未来的AI智能体将更加注重与人类的自然交互和高效协作，能理解人类的意图、情感和偏好，以更符合人类习惯的方式进行沟通和配合。实现1+1>2的协同效应。

多智能体系统与群体智能

未来的AI智能体将更多地以群体的形式出现，通过相互之间的通信、协作、协商甚至竞争，共同完成复杂的全局性任务。例如，在智慧城市管理中，大量的交通管理智能体、能源调度智能体、安防监控智能体等可以协同工作，优化城市运行效率。在工业制造中，多个机器人智能体可以组成柔性生产线，根据订单需求动态调整生产流程。解决传统方法难以处理的分布式、大规模问题。

可解释性与可信AI

许多先进的AI模型，特别是深度学习模型，决策过程如同“黑箱”，难以被人类理解和信任。未来的AI智能体需要具备更强的可解释性，能清晰地向用户解释其决策的依据、推理过程以及潜在的局限性。有助于用户建立对AI智能体的信任，有利于发现和修复模型中可能存在的偏见、错误或不安全因素。可信AI还包括鲁棒性、安全性、公平性和隐私保护等多个方面，确保AI智能体的行为符合人类的价值观和伦理规范，是能被社会广泛接受和成功应用的关键。

伦理规范的建立与完善

未来，政府、学术界、产业界和公众需要共同努力，制定清晰、可操作的AI伦理准则和行为规范，建立健全的AI治理体系。包括制定相关的法律法规、建立AI伦理审查机制、推动AI技术的标准化、以及加强公众的AI素养教育。只有在健全的伦理规范和治理框架下，AI智能体技术才能朝着健康、可持续的方向发展，真正造福于人类社会。

AI智能体将朝着更高级的自主性、更强的通用性、更自然的人机协作、更高效的多智能体系统以及更可信和符合伦理规范的方向发展。随着技术的不断突破和应用场景的持续深化，AI智能体有望成为人类社会不可或缺的智能伙伴，深刻改变我们的工作方式、生活方式乃至思维方式。

上下文工程（Context Engineering） 是在人工智能（AI）领域，特别是大型语言模型（LLM）应用中逐渐兴起并日益受到重视的概念。可以理解为一种系统性的工程方法。在于构建动态的系统，以便向AI模型，尤其是LLM，提供精准、相关且及时的信息和工具，使模型能更合理、更有效地完成特定任务 。与传统的提示工程（Prompt Engineering）主要关注单次交互中的指令和示例不同，上下文工程更侧重于设计和实现能捕获、存储、检索和管理上下文信息的完整系统。意味着上下文工程不仅关注“说什么”，更关注“在什么情况下说”，以及如何构建和利用这个“情况”来提升AI的整体表现。涉及到对AI模型运作环境的全面考量，包括模型可以访问的知识范围、这些知识的组织结构，以及在交互过程中如何有效地传递这些知识 。上下文工程可以被视为一种更宏观、更系统化的AI优化策略，通过精细化的上下文管理来释放AI模型的全部潜力。

什么是上下文工程

上下文工程是指构建一个动态系统，以正确的格式提供正确的信息和工具，使大语言模型（LLM）能合理地完成任务。是一种系统性的方法，确保LLM获得执行任务所需的一切必要条件。

多个维度理解

从操作层面来看

涉及到一系列技术和方法，用于在AI模型执行任务之前，有目的地为其构建和提供相关的上下文信息。这些信息可以来自于多种来源，例如开发者的预设指令、用户的实时输入、历史交互记录、外部工具的调用结果、外部知识库、实时环境信息等 。

从系统设计的角度来看

上下文工程强调构建能自动化处理上下文信息的系统，包括上下文的获取、表示、存储、检索、更新和评估等环节。要求开发者不仅要考虑如何获取有效的上下文，还要思考如何高效地管理和利用这些上下文。例如，LangGraph框架的设计目标就是提供最大程度的可控性，允许开发者精确控制每个步骤的执行、输入LLM的内容以及输出的存储方式，实现对上下文工程的精细化管理 。

从目标导向来看

上下文工程的最终目的是提升AI模型在复杂任务中的性能，能更好地理解用户意图、生成更准确的回复、做出更合理的决策，提供更加智能和个性化的服务。正如一些研究者所指出的，上下文是区分一个平庸的AI助手和一个超级助手的核心因素，上下文工程正是实现这一转变的关键。

上下文工程 vs. 提示工程（Prompt Engineering）

上下文工程（Context Engineering）与提示工程（Prompt Engineering）是大型语言模型（LLM）应用开发中两个紧密相关但又有所区别的核心概念。两者都致力于提升LLM的输出质量和任务完成能力，但其关注的层面、方法论和应用范围存在显著差异。理解它们之间的关系，对于有效地设计和优化AI应用至关重要。

提示工程（Prompt Engineering） 主要聚焦于如何设计和优化输入给LLM的“提示”（Prompt），即用户直接提供的指令或问题，以及可能包含的少量示例、任务描述、输出格式要求等。核心目标是找到一个最佳的文本表达方式，以引导LLM理解用户意图，生成符合期望的输出。提示工程更像是一种“与模型沟通的艺术和科学”，探索如何通过精心选择的词语、句式、结构、特殊符号来“激发”模型的特定能力。例如，在文本摘要任务中，提示工程可能会尝试不同的指令，如“请为以下文章生成一个简短的摘要：”、“总结这篇文章的核心观点：”或“TL;DR:”（Too Long; Didn’t Read的缩写），评估哪种提示能获得更好的摘要效果。提示工程关注的是单次交互或单个任务的优化，方法论更侧重于实验、迭代和技巧的积累。

上下文工程（Context Engineering） 是在一个更宏观、更系统的层面上运作。不仅关注用户直接输入的提示，更关注为LLM构建和管理的整个“信息环境”，即上下文。这个上下文可以包括但不限于：对话历史、用户画像、领域知识库、实时数据、API调用结果、以及其他任何能帮助模型更好地理解当前任务和生成更优输出的相关信息。上下文工程的核心目标是系统地设计、获取、组织、存储、检索、更新和评估这些上下文信息，确保LLM能持续获得高质量、高相关性的输入。更像是一种“为模型构建智能信息生态系统的工程学科”。例如，在一个智能客服系统中，上下文工程要考虑用户当前的问题（提示），还要考虑用户的历史咨询记录、购买记录、当前会话状态、以及相关的产品知识库和FAQ文档等，将这些信息有效地整合和传递给LLM。

提示工程和上下文工程并非相互独立，而是相辅相成的。高质量的提示仍然是上下文工程中不可或缺的一环，是用户意图的直接表达。上下文工程为提示的有效执行提供了坚实的基础和丰富的背景信息。在许多先进的AI应用中，两者往往结合使用：通过上下文工程获取和组织丰富的背景信息，再通过精心设计的提示将这些信息有效地传递给LLM，并引导其完成复杂任务。

上下文工程的核心特性

系统性和完整性

要求超越零散的、临时性的上下文提供方式，转而构建一个能全面覆盖上下文生命周期（包括捕获、存储、检索、更新、评估和优化）的完整系统 。与传统的提示工程主要关注单次交互中的即时指令形成对比。

动态性和适应性

上下文工程强调上下文信息应该是动态变化的，能根据任务进展、用户反馈和环境变化进行实时调整和更新 。例如，在长时间的对话中，系统需要能总结之前的对话内容，将其作为后续交互的上下文 。

相关性和精准性

并非所有的上下文信息都是有用的，上下文工程识别和提供那些对当前任务最具影响力的信息，避免信息过载或引入噪声。需要对任务需求和模型特性有深入的理解。

主动构建和优化

上下文工程不是被动地等待上下文出现，而是主动地设计和构建能生成和传递高质量上下文的机制和流程，通过持续的反馈和迭代来优化上下文的质量和有效性。这种主动性和优化意识是工程化方法的重要体现。

上下文工程的重要体现

有助于消除歧义

自然语言本身具有高度的歧义性，同一个词或句子在不同的上下文中可能有完全不同的含义。通过提供足够的上下文信息，AI模型可以更准确地把握语义，做出正确的判断。

增强模型的推理能力

许多复杂的任务需要模型基于已有的信息进行多步推理，丰富的上下文可以为这种推理提供必要的前提和约束。例如，在规划一个会议日程时，模型需要考虑到参与者的可用时间、会议地点、议程主题等多个上下文因素。

实现个性化和智能化服务的基础

通过学习和利用用户的个性化上下文（如历史行为、偏好、习惯等），AI模型可以提供更加贴合用户需求的定制化服务。例如，一个新闻推荐系统如果了解用户对不同主题的兴趣程度，就能推送更相关的新闻。正如一些研究者指出的，上下文是区分一个“愚蠢的助手”和一个“超级队友”的关键因素 。一个能有效利用上下文的AI系统，表现会更加智能、自然和高效，极大地提升用户体验和任务完成效率。

上下文工程的工作原理

动态上下文构建

上下文工程强调动态性，即根据任务需求实时从多个来源获取上下文信息，包括用户输入、历史交互、外部数据等。这种动态构建过程需要系统能够实时感知和响应环境变化，确保模型接收到的信息是最新的、相关的。

• 对话历史 (Conversation History)：对于多轮对话应用，历史交互记录是至关重要的上下文。这包括之前几轮的问答、用户的偏好表达、以及系统之前的回应。通过对话历史摘要、向量存储与检索等技术，可以实现短期和长期的对话记忆，确保Agent在多轮交互中保持连贯性和相关性。
• 外部知识库 (External Knowledge Bases)：包括数据库、API、文档库（如通过RAG技术检索）、知识图谱等。这些来源可以为模型提供领域特定的知识或实时信息。
• 系统状态与环境信息 (System Status & Environmental Information)：例如，当前时间、用户地理位置、设备类型、应用程序的当前状态等，都可以作为重要的上下文线索。
• 工具调用结果 (Tool Outputs)：当LLM调用外部工具（如计算器、代码执行器、搜索引擎）时，工具的输出结果也构成了新的上下文信息。

信息与工具的整合

上下文工程关注信息本身，注重信息的格式和相关工具的提供。需要将来自不同来源的信息（如文本、图像、音频等）整合成适合模型处理的格式，提供必要的工具（如检索工具、外部API等），帮助模型完成任务。

精确的上下文管理

上下文工程要求对上下文进行精细管理，避免信息过多或过少。过多的信息可能导致模型推理成本上升，而信息不足可能导致模型无法准确完成任务。上下文管理需要考虑上下文的时效性、相关性和准确性。

概率性与确定性上下文

上下文工程将上下文分为确定性上下文（如直接发送给模型的指令、规则等）和概率性上下文（如从外部工具或网络检索到的信息）。确定性上下文可以精确控制，而概率性上下文则需要通过工程设计来优化其对模型的影响。

上下文压缩与优化

为了提高模型效率，上下文工程还涉及上下文压缩技术，即将大量信息压缩为模型能够高效处理的形式。这包括对历史信息的摘要、关键信息的提取等，确保模型在有限的上下文窗口中获得最优信息。

检索增强生成（RAG）

检索增强生成（RAG）是上下文工程中的关键技术之一。通过检索外部数据源中的相关信息，将其整合到模型的上下文窗口中，扩展模型的知识边界。这种方法可以显著提升模型在处理复杂任务时的表现。

多模态融合

在一些应用场景中，上下文工程还涉及多模态信息的融合，例如将视觉信息（图像、视频）与文本信息结合，帮助模型更全面地理解任务背景。

检索增强生成（RAG）

是一种特定的技术范式，核心流程是在LLM生成回答之前，首先从一个或多个外部知识库（如向量数据库、文档集合）中检索与用户查询或当前任务最相关的文档片段或信息，然后将这些检索到的信息作为“上下文”或“参考”与原始的用户提示（Prompt）一起输入给LLM。LLM基于这些增强的上下文信息来生成更准确、更相关、更具事实依据的答案。RAG的主要目标是解决LLM的“知识截止”问题（即模型的知识局限于其训练数据的时间点）和“幻觉”问题（即模型可能生成看似合理但不准确或完全虚假的信息）。通过引入外部知识源，RAG使LLM能访问和利用训练数据之外的最新或特定领域的信息。例如，一个基于RAG的问答系统，当用户询问某个特定产品的技术规格时，系统会先从产品手册或技术文档库中检索相关信息，然后将这些信息连同用户问题一起交给LLM生成答案。

上下文工程（Context Engineering）

是一个更为广泛和系统的概念。不仅局限于通过检索来获取外部知识，涵盖了为LLM设计、构建、管理和优化其运行所需的整个“上下文环境”的全过程。这个上下文环境可以包含多种信息来源和类型，远不止于RAG中常用的文档片段。上下文工程的目标是确保LLM在任何时候都能获得最相关、最准确、最完整的信息，支持完成复杂的任务。包括：

• 多源上下文整合：除了RAG所依赖的文档知识库，上下文工程整合来自结构化数据库、实时API、用户会话历史、系统状态、其他AI模型的输出、以及调用外部工具（如计算器、代码执行器、API）的结果等。
• 动态上下文管理：上下文工程强调上下文的动态性，即上下文需要根据任务的进展、用户的反馈和环境的改变而实时更新和调整。
• 提供正确的工具：上下文工程关注信息，关注为LLM提供完成任务所需的工具，管理这些工具的使用。
• 信息格式与表示：上下文工程关注如何以最有效的方式将信息组织和呈现给LLM，涉及到信息的摘要、结构化、以及与其他上下文的融合。

RAG可以被看作是上下文工程工具箱中的一个重要技术或一个关键实现模块。一个完善的上下文工程系统可能会利用RAG作为其获取外部知识的一种方式，还会包含许多其他组件和策略来构建和管理更广泛的上下文。

上下文工程的应用场景

智能客服与对话系统中

上下文工程在智能客服和对话系统中能显著提升用户体验和问题解决效率。传统的基于规则或简单机器学习的对话系统往往缺乏对上下文的理解能力，导致对话生硬、不连贯，难以处理复杂的多轮交互。引入上下文工程后，系统能更好地理解用户的意图、记忆对话历史、利用相关信息提供更精准和个性化的服务。

例如，在客户咨询订单状态时，一个具备良好上下文工程能力的对话系统可以自动识别用户身份，查询其最近的订单信息，根据订单的具体状态（如已付款、待发货、运输中、已签收）给出有针对性的回复，无需用户反复提供订单号或查询细节 。这种能力依赖于系统能够有效地获取和利用用户身份、订单数据库、物流信息等多种上下文。

假设一个用户之前咨询过关于某个产品的退货政策，几天后再次联系时询问“我该如何退回我买的那个东西？”。一个没有上下文记忆的系统可能会要求用户重新提供产品信息或订单号。而一个应用了上下文工程的系统，可以通过识别用户身份，结合之前的对话记录，自动理解“那个东西”指的是之前讨论过的产品，直接提供相应的退货流程指导。

这涉及到短时记忆（当前对话内容）和长时记忆（用户历史交互、偏好）的有效管理和利用 。上下文工程可以帮助对话系统更好地处理话题转换、指代消解等复杂语言现象。

例如，当用户在讨论产品A后，突然问“那另一个呢？”，系统需要能根据之前的上下文推断出“另一个”可能指代的是之前比较过的产品B。

通过精心设计的上下文管理策略，智能客服和对话系统能实现更自然、更流畅、更高效的交互，提升用户满意度和忠诚度。

内容生成与摘要提取中

上下文工程在内容生成与摘要提取领域能显著提升生成内容的质量、相关性和个性化程度。在内容生成方面，无论是撰写营销文案、新闻稿件、创意故事还是技术文档，为大型语言模型（LLM）提供充分的上下文信息都至关重要。

例如，在生成一篇产品推广文案时，如果LLM能获取到关于目标受众（年龄、兴趣、消费习惯）、产品特点、品牌调性、以及当前的营销活动等上下文信息，那么生成的文案将更具吸引力和转化率 。在撰写技术文档时，提供项目的架构图、API文档、以及相关的代码片段作为上下文，可以帮助LLM生成更准确、更易于理解的文档内容。上下文工程在这里的作用是确保LLM在生成过程中能“心中有数”，避免生成泛泛而谈或与需求不符的内容。

在摘要提取方面，传统的摘要提取算法往往只关注文本本身的统计特征，而忽略了文本所处的具体情境和用户的需求。通过引入上下文工程，摘要系统可以生成更具针对性和实用性的摘要。

例如，对于一篇长篇研究报告，不同的用户可能关注不同的方面：投资者可能关心市场趋势和投资回报，而研究人员可能更关注方法论和创新点。上下文工程可以通过分析用户的身份、查询意图或历史偏好，为LLM提供相应的上下文，生成满足特定用户需求的个性化摘要。在处理包含多个文档或需要跨文档整合信息的摘要任务时，上下文工程可以帮助系统有效地组织和利用来自不同来源的信息，生成全面且连贯的摘要。

例如，LangChain等框架提供的检索（Retrieval）功能，允许系统动态地从外部文档中获取相关信息并插入到提示中，这本身就是上下文工程在摘要提取中的一个应用体现。

通过精细化的上下文管理，内容生成和摘要提取系统能更好地服务于特定场景和特定用户，提升信息传递的效率和效果。

代码生成与软件辅助开发中

上下文工程在代码生成与软件辅助开发领域能显著提升开发效率、代码质量和开发者体验。大型语言模型（LLM）如GitHub Copilot等工具的出现，已经证明了AI在辅助编程方面的能力。然而，要让这些工具真正理解开发者的意图并生成高质量的代码，仅仅依赖当前的代码片段或简单的注释往往是不够的。

上下文工程通过为LLM提供更丰富、更精确的上下文信息，可以极大地改善代码生成的效果。这些上下文信息可以包括整个项目的代码库结构、相关的API文档、特定库的使用规范、已有的测试用例、开发者的编码风格偏好等 。例如，当开发者输入一个函数名和简要描述时，一个具备良好上下文工程能力的代码生成工具可以查阅项目中的其他相关函数，理解它们之间的调用关系和数据流，生成风格一致、接口匹配且符合项目规范的代码。

在软件辅助开发方面，上下文工程在代码补全、bug修复、代码解释、测试用例生成、文档自动生成等环节，有效的上下文信息都能显著提升AI辅助工具的性能。

例如，阿里的通义灵码能根据开发者的任务描述，自动感知工程框架、技术栈、所需代码文件、错误信息等，无需手动添加工程上下文 。能在行间代码生成时，利用当前代码文件及跨文件的上下文，代码库级别的上下文，实时生成行级或函数级代码建议 。更进一步，一些先进的系统开始探索预生成上下文（Pre-generated Context）的策略。

例如，DeepWiki通过对代码仓库进行全面分析（包括代码、README、配置文件），生成结构化的维基式知识库并预先索引，为AI提供结构化的文档、交互式图表、项目功能/架构描述等上下文 。Context7解析项目文档，使用LLM提取代码片段和元数据，生成向量嵌入，预处理整个项目文档，按需筛选，提供附带元数据和描述的代码片段、向量嵌入以及针对LLM优化的llms.txt文件等上下文。

这种精细化的上下文管理和优化，使AI编程助手能成为开发者强大的生产力工具。

个性化推荐与信息检索中

目标是根据用户的具体情境和需求，提供最相关、最有价值的信息或物品。传统的推荐系统往往依赖于用户的历史行为数据（如评分、购买记录）和物品的属性信息，而上下文感知推荐系统（Context-Aware Recommender Systems, CARS）进一步将“上下文信息”纳入考量 。这些上下文信息可以多种多样，例如用户所处的时间（如工作日/周末、白天/夜晚）、地点（如家里/办公室/通勤途中）、设备（如手机/电脑）、当前的社交环境、情绪状态，或更细粒度的情境如天气、活动类型等 。

上下文工程在这些系统中的应用，涉及到上下文的建模、推理以及在推荐算法中的融合。常见的上下文建模方法包括键值对模型、标记语言模型、面向对象模型、逻辑模型和本体模型等 。

例如，一个电影推荐系统在周末可能会给用户推荐轻松的喜剧片，在工作日晚上则可能推荐剧情片，这就是基于时间上下文的简单应用。更复杂的上下文工程可能包括利用贝叶斯网络或规则推理来进行上下文推断，以及通过张量分解等技术将用户、物品和上下文信息共同建模 。

在信息检索领域，上下文工程可以帮助搜索引擎更好地理解用户的查询意图，尤其是在模糊查询或口语化查询时。通过分析用户的历史搜索记录、地理位置、当前热点事件等上下文，搜索引擎可以提供更精准的搜索结果。

例如，搜索“苹果”时，根据用户过去是搜索电子产品还是水果，或者根据用户当前位置是否有苹果零售店，来调整搜索结果的排序和内容。LangChain等框架也支持通过检索增强生成（RAG）的方式，动态地从知识库中检索与用户查询和上下文相关的信息，从而提升问答和信息提供的准确性。

上下文工程面临的挑战

信息的有效获取与整合

复杂的智能体可能需要从多个异构来源（如应用开发者、用户输入、历史交互、工具调用结果、外部数据库等）动态获取上下文 。如何确保这些信息的准确性、实时性，并以一种LLM易于理解和消化的格式进行整合，是一个复杂的系统工程问题。例如，不同来源的数据可能具有不同的结构和语义，需要进行有效的清洗、转换和对齐。

LLM上下文窗口的限制与优化

尽管现代LLM的上下文窗口在不断增大 ，但对于处理非常长的文档或需要长期记忆的复杂任务而言，token数量的限制依然存在。如何在有限的上下文窗口内，选择并提供最相关、最具信息量的上下文，避免信息过载或关键信息被截断，是上下文工程需要精心设计的方面 。研究表明，LLM对上下文窗口中不同位置信息的关注度并不均等，信息在中间部分容易被稀释，而相似内容的堆砌可能导致“注意力干扰” 。

上下文理解的深度与动态适应性

仅仅向LLM提供原始上下文数据可能不足够，系统还需要具备一定的推理能力，理解上下文中的隐含信息、关联关系以及动态变化。例如，在长对话中，如何有效维护和更新对话历史作为上下文，确保LLM能准确理解当前的对话状态和用户意图，是一个复杂的问题。当上下文信息发生变化或出现矛盾时，系统需要能动态调整其行为和决策。

评估和度量上下文工程的有效性

如何量化不同上下文信息对LLM任务性能的贡献？如何评估上下文工程策略的优劣？都需要建立有效的评估指标和方法。

数据隐私和安全

如何在利用用户上下文提供个性化服务的同时，保护用户的敏感信息，是必须认真考虑的问题。

上下文工程的发展前景

上下文工程将更加智能化和自动化

未来的上下文管理系统将不仅仅是简单地传递信息，而是能主动理解任务需求，智能地筛选、整合、摘要甚至推理出最相关的上下文，以最优的方式呈现给模型。涉及到更高级的AI代理（Agent）技术，使上下文管理本身也具备一定的自主决策和学习能力。

多模态和跨领域上下文的融合将成为常态

随着多模态LLM的普及，上下文工程需要处理来自文本、图像、语音、视频等多种来源的信息，将它们有效地融合起来，为模型提供一个统一、全面的世界视图。上下文工程也将打破不同领域知识之间的壁垒，实现跨领域上下文的共享和利用，赋能更广泛的通用人工智能应用。

长时程记忆和个性化上下文的构建将更加成熟

为了支持更持久的交互和更深度的个性化服务，上下文工程需要发展出更有效的长时记忆机制，能准确、安全地存储和检索用户的长期偏好、历史行为等关键信息。使AI系统能真正“认识”用户，提供“千人千面”的智能体验。

更加注重可信赖性和安全性

随着AI在社会生活中的应用日益广泛，如何确保上下文信息的真实性、避免引入偏见、保护用户隐私、以及防止恶意利用，将成为上下文工程设计和实践中的重要考量。可解释的上下文管理和可验证的上下文来源将成为关键。

工具和平台将更加完善和普及

随着技术的成熟和最佳实践的积累，将会涌现出更多标准化、模块化、易用的上下文工程框架、库和平台，极大地降低开发者的使用门槛，促进上下文工程技术在各行各业的广泛应用和创新。

鸿蒙智能体框架 HMAF（Harmony Agent Framework）是华为推出的核心人工智能框架，构建一个具备自主决策和群体协作能力的 AI 生态系统，全面赋能鸿蒙应用的智能化升级。HMAF 通过将 AI 能力深度融入操作系统底层，推动人机交互从传统的图形界面向更自然的语言交互演进，为开发者提供强大的工具与平台支持，加速智能体应用的创新与落地。

什么是鸿蒙智能体框架

定义

鸿蒙智能体框架（Harmony Agent Framework，简称 HMAF）是华为公司为其自主研发的鸿蒙操作系统（HarmonyOS）打造的一款核心人工智能框架 。在于构建一个具备自主决策和群体协作能力的 AI 生态系统，全面赋能应用的智能化升级，推动鸿蒙生态向更高级的智能化阶段发展。

核心目标

构建一个“以人为中心”的操作系统新范式，打造一个“开放共赢”的生态体系。这一理念体现在其设计哲学中，即通过智能体来理解和满足用户的潜在需求，而不仅是响应用户的显式指令。HMAF 推动人机交互从传统的图形用户界面（GUI）向语言用户界面（LUI）全面演进，通过鸿蒙系统入口和小艺（华为的智能助手）进行分发，使服务更高效、更连续 。HMAF 支持应用具备智能体自主能力，能实现多智能体协同完成复杂任务，将 AI 的便捷性和实用性提升到新的高度 。通过系统级智能体小艺和应用Agent的深度融合，实现无缝协作，让用户的需求和意图可以通过智能体间的协作流畅实现。

在鸿蒙生态中的战略意义

鸿蒙智能体框架（HMAF）在整个鸿蒙生态乃至整个 AI 产业中具有深远的战略意义。HMAF 是鸿蒙系统向“AI 原生操作系统”演进的关键举措，也是鸿蒙生态构建差异化竞争优势的核心驱动力 。通过将 AI 能力深度植入鸿蒙系统内核，HMAF 使鸿蒙系统将具备更强的场景感知、意图理解和自主决策能力，能为用户提供更加主动、智能和个性化的服务 。从“人适应机器”到“机器适应人”的转变，极大地提升用户体验，增强用户粘性，推动鸿蒙应用从传统的功能执行向主动服务的智能伙伴转变 。

HMAF 构建具备自主决策和群体协作能力的 AI 生态系统，极大地丰富鸿蒙生态的应用场景和服务能力 。通过支持多智能体协同工作，HMAF 能打破应用之间的壁垒，实现跨应用、跨设备的无缝服务流转和任务协同 。这种能力的实现，将吸引更多开发者和合作伙伴加入鸿蒙生态，共同开发基于 HMAF 的创新应用和服务，加速鸿蒙生态的繁荣和发展。华为通过推出小艺智能体开放平台，全方位赋能开发者，驱动智能体开发的蓬勃开展，有助于鸿蒙生态快速弥补应用数量上的短板，形成差异化的竞争优势 。

HMAF 的推出是鸿蒙生态应对未来 AI 时代竞争的关键举措，是华为在 AI 产业布局中的重要一步。随着 AI 技术的飞速发展，智能体正成为移动应用变革的新范式 。HMAF 通过提供统一的智能体开发框架和标准，降低了开发门槛，使更多开发者能参与到智能体应用的创新中来 。HMAF 强调的端云协同和安全可信等特性，也为鸿蒙生态在 AI 时代的可持续发展奠定了坚实基础 。通过构建以 HMAF 为核心的智能体价值网络，鸿蒙生态有望在未来的 AI 产业竞争中占据有利地位，实现从“万物互联”到“万物智联”的跨越。

鸿蒙智能体框架的核心特性

智能体全新交互范式

通过系统级入口（如小艺语音对话、导航条、小艺建议、小艺搜索等）和应用内入口，实现了智能体与用户的自然交互 。不再局限于传统的图形用户界面（GUI），而是向语言用户界面（LUI）全面演进，用户可以通过自然语言与智能体进行多轮对话，表达复杂意图 。HMAF 支持多种交互形式，包括智能体操控（通过自然语言高效访问和控制应用功能）、智能体伴随（智能体在后台持续提供支持，如会议助手）以及智能体 GUI 任务（结合 GUI 和 LUI，提供更丰富的交互体验）。使服务触达更加高效便捷，用户随时随地唤醒小艺，即可一句话直达所需智能体服务，大幅缩短操作路径 。

智能体协议升级

提出了鸿蒙 Agent 通信协议，打通鸿蒙系统内应用与智能体、以及智能体与智能体之间的协作壁垒，实现深度协同 。协议支持端云复杂任务和全场景跨设备互通，使系统智能体能与应用智能体高效协同，共同完成用户请求 。HMAF 对意图框架进行了全面升级，支持自定义意图开发，兼容 MCP（Message Channel Protocol）协议，进一步丰富了智能体的工具生态 。这种协议层面的升级，为构建具备自主决策和群体协作能力的 AI 生态系统奠定了坚实基础。

智能体高效开发

通过小艺智能体开放平台和鸿蒙 Agent Kit，HMAF 为开发者提供了覆盖智能体全生命周期的解决方案，包括设计、开发、调试到部署的全链路支持 。平台支持多种开发模式，如 LLM（大语言模型）模式、工作流模式、A2A（Agent-to-Agent）模式以及多 Agent 模式，适应不同业务逻辑的需求 。HMAF 提供了丰富的系统级插件和第三方工具，支持端云插件的灵活编排，通过智能体市场实现智能体的高效上架和分发，构建开发者与用户的良性循环 。华为推出了“DevEco Code Genie”代码工具，通过 AI 辅助开发来提升开发效率，降低开发成本 。

智能体安全可信

构建了全栈安全防护体系，保护用户数据和隐私 。体系基于可信基础设施，构建了包括智能体数据安全、端云执行环境安全、统一身份认证等多道防线 。HMAF 特别强调对用户敏感数据、设备访问权限、用户身份凭证等关键资产的保护，确保智能体在提供便捷服务的同时，不会损害用户的隐私和安全利益 。对安全可信的重视，是 HMAF 能获得用户信任并广泛推广的重要前提。

鸿蒙智能体框架的主要优势

对于用户而言

HMAF 带来的最直接优势是更自然、更强大、更高效、更协同的交互体验 。通过自然语言理解和多模态交互，用户可以用更接近人类交流的方式与设备进行沟通，智能体能理解用户的复杂意图，主动预测用户需求并提供服务 。例如，用户可以通过语音指令要求喜马拉雅智能体筛选播客，或者通过小艺助手直接操作 Excel 表格 。HMAF 支持多智能体协同工作，能处理跨应用、跨设备的复杂任务，例如，当用户在手机上布置日程提醒时，智能体可以自动同步到平板、手表甚至车机，实现全场景的无缝流转 。系统级入口（如小艺）实现了连续服务闭环，能理解用户的高阶意图，处理更复杂的任务，大幅缩短了用户获取服务的路径。

对于开发者而言

HMAF 提供了强大的开发赋能和效率提升。小艺智能体开放平台提供了一站式的高效开发环境，开发者可以利用预置的 AI 能力、标准化的 API 接口和丰富的开发工具，快速构建和部署鸿蒙智能体 。HMAF 支持多种开发模式，包括 LLM、工作流、A2A 等，降低了 AI 应用开发的门槛，开发者无需深入了解复杂的 AI 算法即可上手 。华为推出的 DevEco Code Genie 代码工具，能通过 AI 辅助进行代码续写、问题定位和 UI 生成，据称可将开发效率提升 30% 以上 。HMAF 提供了超过 50 个预构建的 AI 智能体和系统插件，开发者可以直接调用或进行二次开发，进一步加速应用智能化进程。

对于鸿蒙生态系统而言

HMAF 的引入增强了其核心竞争力并推动了生态繁荣。HMAF 作为鸿蒙系统在 AI 时代的核心框架，是其区别于其他操作系统的重要特征之一 。推动了鸿蒙应用从传统的功能执行向主动服务的智能伙伴转变，提升了整个生态的智能化水平 。通过吸引更多开发者基于 HMAF 进行创新，鸿蒙生态能提供更多具有差异化优势的智能应用和服务，吸引更多用户，形成良性循环。HMAF 的开放性和标准化也有助于整合更多第三方服务和应用，构建一个更加丰富和多元的智能体网络，最终提升鸿蒙生态的整体价值和吸引力 。首批已有超过 50 个先锋鸿蒙智能体正在开发中，覆盖购物、社交、生活服务等多个领域，预示着鸿蒙生态将迎来新一轮的智能化升级。

鸿蒙智能体框架的技术原理

基本工作原理

鸿蒙智能体框架（HMAF）的基本工作原理围绕着理解用户意图、规划任务、决策执行以及多智能体协同展开，构建一个能主动服务、高效协同的 AI 生态系统。将 AI 能力深度融入鸿蒙操作系统，使智能体能像“中控大脑”一样，协调和调度各种系统资源与应用服务，为用户提供更加流畅、自然和高效的交互体验 。

• 用户意图的识别：用户可以通过多种方式与智能体交互，例如语音指令、文本输入、或是基于屏幕内容的分析（如小艺的实时屏幕扫描能力）。HMAF 基于强大的自然语言理解（NLU）能力，对用户的输入进行实时上下文分析，理解用户的显式需求以及潜在的隐性需求 。涉及到多轮对话，澄清用户意图或获取更多必要信息。HMAF 背靠海量训练数据能更准确地把握用户意图的细微差别。
• 任务规划与决策阶段：系统级的智能体（如小艺）在此扮演关键角色，能将复杂的用户请求分解为一系列可执行的子任务 。然后，小艺会根据任务类型、当前上下文以及可用智能体的能力，将这些子任务分发给最合适的鸿蒙应用智能体或系统服务进行处理 。HMAF 通过鸿蒙 Agent 通信协议，实现了系统、应用与智能体之间的高效通信和协同 。这种协议升级打通了应用与智能体、智能体与智能体之间的协作壁垒，使它们能像一个有机整体一样协同工作。在执行阶段，被选中的智能体会调用其特定的功能或服务来完成分配到的任务。这些智能体可以是华为自有的（如天气、音乐等已融入智能体形态），也可以是第三方开发者基于小艺智能体开放平台构建的 。HMAF 支持本地处理和云端协同，对于隐私敏感型任务，可以在设备本地进行处理，保障用户数据安全；对于需要强大计算能力的任务，可以借助云端 AI 能力 。任务执行过程中，智能体之间可以进行信息交换和协作，共同推进任务的完成。

例如，一个餐饮推荐智能体可能需要协同日历智能体获取用户的空闲时间，再结合用户的饮食偏好进行推荐 。

• 任务完成后，结果会通过系统级智能体小艺整合并反馈给用户。HMAF 强调服务的无缝流转和连续体验，用户可以通过统一的入口（如小艺）查看任务状态和获取结果，实现“一次交互，多端响应” 。整个过程中，HMAF 会持续学习和适应用户的行为模式，不断优化其理解和决策能力，提供更加个性化和精准的服务。

架构设计

从宏观层面看，HMAF 的架构可以被理解为由应用和智能体层、协议层以及平台层构成 。

• 应用和智能体层：是直接面向用户和开发者的层面，包含了各种鸿蒙应用、元服务以及运行在其上的智能体。这些智能体可以是系统内置的，也可以是第三方开发者通过小艺智能体开放平台创建和发布的。
• 协议层：是 HMAF 实现高效协同的关键，核心是鸿蒙 Agent 通信协议 。协议定义了智能体之间、智能体与操作系统之间、以及智能体与用户之间的交互规则和数据格式，确保了不同组件之间能够顺畅通信和协同工作。协议层还包含升级后的意图框架，负责解析用户输入，识别用户意图，将意图分发给相应的智能体进行处理 。
• 平台层：提供了 HMAF 运行所需的基础设施和核心服务，包括小艺智能体开放平台、AI 模型库、开发工具链（如鸿蒙 Agent Kit、DevEco Code Genie）以及安全可信的执行环境 。

鸿蒙智能体框架的应用场景

个人生活与娱乐

HMAF 可以扮演智能管家的角色。例如，用户可以通过自然语言指令，让小艺智能体帮忙规划行程、预订机票酒店（如深航飞飞智能体）、管理日程、播放定制化的音乐或播客内容（如喜马拉雅的小雅助手智能体）、控制智能家居设备等 。智能体可以根据用户的偏好、历史行为以及当前上下文，提供个性化的建议和服务。例如，在用户下班回家前，智能体可以主动询问是否要打开空调和灯光；或者根据用户的听歌历史，推荐新的歌单。

工作效率与办公

HMAF 能显著提升生产力。例如，用户可以通过语音指令让小艺智能体处理邮件、安排会议、创建和编辑文档（如 ChatExcel 智能体可以直接通过聊天指示处理 Excel 数据分析）、进行实时翻译等 。智能体还可以协助进行信息检索和内容整合，例如，用户可以让智能体搜索特定主题的资料，将其整理成报告。在多设备协同方面，HMAF 可以实现跨设备的无缝内容流转和任务接续，例如，在手机上未看完的文档，可以在 PC 上继续编辑，或者将手机上的图片快速插入到 PC 的演示文稿中 。

出行与交通

HMAF 可以提供更加智能和便捷的服务。例如，结合高德地图等应用，智能体可以提供实时的路况信息、智能导航、停车场推荐及自动支付、加油站快速支付等 。在车载场景下，智能体可以与车机系统深度融合，实现语音控制车辆功能、提供娱乐资讯、以及与其他设备的联动。

HMAF 的应用延伸至教育、金融、社交、购物等多个领域 。例如，在教育领域，智能体可以提供个性化的学习辅导；在金融领域，智能体可以提供智能投顾、风险控制等服务；在社交领域，如微博的智能体可以进行社交内容分析和推荐；在购物领域，如京东的智能体可以提供智能导购和个性化推荐 。HMAF 通过其强大的意图理解、任务规划和多智能体协同能力，正在将智能化服务渗透到各个角落，为用户带来更加丰富、便捷和高效的 AI 智慧体验。

鸿蒙智能体框架的应用案例

深圳航空的“深航飞飞智能体”

这款智能体被设计成一个懂问答、会办事的航空出行 AI 助手。用户只需长按小艺导航条唤醒小艺，说出订票需求，例如“帮我用深圳航空订一张 6 月 20 日去深圳的机票”，小艺便会主动分发服务，调用深航飞飞智能体。能智能识别用户所在城市，完成机票的查询和选购流程。在航班发生变动时，深航飞飞会结合航司的历史数据以及气象大模型，第一时间向旅客推送官方的航班变动信息，协助旅客完成退改签操作，提供相应的出行建议。用户可以通过语音指令进行值机，让深航飞飞帮忙推荐观景座位等，展示了 HMAF 在理解复杂用户意图、调用多服务能力以及提供个性化、场景化服务方面的优势。

在娱乐和生活服务领域，多个主流应用已经或即将上线鸿蒙智能体版本。例如，

微博的鸿蒙智能体可以提供社交内容分析和推荐功能 ；

喜马拉雅的智能体可以根据用户的语音指令推荐和播放音频内容，实现更便捷的“听”体验 ；

大众点评的智能体则可以化身找店帮手，能根据用户需求推荐餐厅，帮助搭配菜品 。

大麦娱乐和淘票票通过对接鸿蒙意图框架，实现了演出和电影票务查询的“一步直达”。用户只需对小艺说“帮我查询周杰伦的演唱会”，意图框架便会自动拉起大麦App，查询演出时间、可选场次等信息，未来还将支持自然语言对话购票和查询已购订单等更复杂的意图场景 。

ChatExcel智能体能听懂用户的自然语言指令来处理表格数据，用户可以通过对话的方式完成数据筛选、排序、计算等操作，无需手动编写公式或进行复杂的菜单操作 。

鸿蒙智能体框架的发展前景

鸿蒙智能体框架（HMAF）的发展将紧密围绕提升智能化水平、拓展应用边界以及构建更完善的生态体系展开。在智能化水平方面，HMAF 将持续集成更先进的 AI 大模型技术，不断提升其在自然语言理解、多模态感知、复杂决策等方面的能力 。随着华为盘古等大模型的不断迭代和优化，HMAF 有望实现更深层次的用户意图理解、更精准的个性化推荐以及更强大的自主任务执行能力。端侧 AI 与云端大模型的协同将更加紧密和智能，实现算力的优化分配和能力的互补。HMAF 将更加注重用户隐私保护和数据安全，通过更强大的端侧处理能力和更完善的隐私保护机制，赢得用户的信任。

在应用边界拓展方面，HMAF 将推动智能体向更多行业和场景渗透。目前，HMAF 已经在政务、医疗、工业、出行等领域展现出应用潜力 。随着技术的成熟和生态的完善，HMAF 有望在教育、金融、零售、娱乐等更多行业催生出创新的智能应用。智能体的形态也将更加多样化，从简单的任务执行者向具备更强认知能力和协作能力的智能伙伴演进。HMAF 会支持更复杂的多智能体协作机制，使多个智能体能够像人类团队一样协同工作，共同完成高度复杂的任务。HMAF 与物联网（IoT）、云计算、大数据等技术的融合将更加深入，构建起更加泛在、智能的数字基础设施。

在生态体系构建方面，华为将继续加大对 HMAF 生态的投入，吸引更多开发者和合作伙伴加入 。通过提供更完善的开发工具、更丰富的 API 接口、更优质的培训资源以及更有效的激励机制，华为致力于将 HMAF 打造成一个开放、繁荣、可持续发展的 AI 应用创新平台。开源项目 OpenHarmony 将继续作为 HMAF 生态的重要基石，推动技术的标准化和普及 。随着鸿蒙原生应用和元服务数量的持续增长，以及注册开发者数量的不断攀升，HMAF 的生态规模将不断扩大，形成强大的网络效应 。未来，HMAF 有望成为连接亿万设备、赋能千行百业、服务全球用户的智能核心，为构建万物智联的智能世界贡献关键力量。

Model Context Protocol（MCP） 是人工智能公司 Anthropic 于 2024 年 11 月 推出的一个开放协议，标准化大型语言模型（LLM）与外部数据源和工具之间的通信。MCP 被比喻为 AI 应用的 USB-C 接口，通过提供统一的接口，使 LLM 能灵活地访问和交互各种数据和服务，促进了 AI 的广泛应用和生态发展。协议推出，解决了传统集成方式的复杂性和安全隐患，提升了开发效率和数据安全性，已被 Microsoft、OpenAI、Google 等公司采用。MCP 的出现标志着 AI 模型与外部世界交互方式的一个重要进步，为构建更强大、更智能的 AI 应用提供了坚实的基础，有望推动整个 AI 行业的标准化进程。通过简化集成流程，MCP 降低了开发门槛，使更多的开发者能利用 LLM 的强大能力，创造出更多有价值的应用。

MCP是什么

Model Context Protocol（MCP） 是 Anthropic 推出的开放协议，标准化大型语言模型（LLM）与外部数据源和工具之间的通信。通过提供统一的接口，使 LLM 能灵活地访问和交互各种数据和服务。

背景

随着大型语言模型（LLM）在人工智能领域取得突破性进展，在各种复杂任务中展现出强大的能力，例如自然语言理解、文本生成、代码编写和复杂问题解答等。然而，LLM 的知识主要来源于其训练数据，数据是静态的，并且截止于某个特定时间点。意味着 LLM 本身缺乏对实时发生事件的认知，也无法直接访问和操作外部的私有数据源或工具。为了克服这些局限性，使 LLM 能更好地服务于实际应用场景，开发者需要将 LLM 与各种外部数据源（如数据库、API、文件系统）和工具（如计算器、代码执行环境、专业软件）进行集成。传统的集成方式需要针对每一个特定的数据源或工具进行定制化的接口开发，这个过程不仅繁琐、耗时，而且成本高昂。

例如，如果一个应用需要 LLM 同时访问数据库、调用一个外部 API 并读取本地文件，开发者可能需要编写三套不同的接口代码，处理不同的认证授权机制、数据格式和通信协议。这种“点对点”的集成模式导致了所谓的“M×N问题”，即 M 个模型需要与 N 个工具集成，理论上需要 M×N 个连接器，使系统变得复杂且难以维护。

这种定制化的集成方式也带来了安全隐患，例如数据泄露、未授权访问和恶意代码执行等风险，因为每一次新的集成都可能引入新的攻击面。因此，行业迫切需要一种标准化的、统一的协议来简化 LLM 与外部世界的连接，降低集成的复杂度和成本，并提升系统的安全性和可维护性。

起源

Anthropic 将 MCP 设计为一个开放标准，积极推动其成为行业规范，鼓励社区参与和贡献，而非将其局限于单一厂商的技术栈。从最初发布开始，MCP 提供了详细的规范文档、软件开发工具包（SDK）以及一系列参考实现，帮助开发者快速上手并参与到 MCP 生态的建设中。Anthropic 的这一举措得到了业界的积极响应，包括 Block（前身为 Square）和 Apollo 在内的公司在其发布初期就将其集成到自身的系统中，而 Zed、Replit、Codeium 和 Sourcegraph 等开发者工具提供商也开始与 MCP 合作，增强其平台的功能。MCP 的推出，标志着 LLM 应用开发进入了一个新的阶段，通过提供一种通用的“语言”和“接口”，极大地简化了 AI 模型与外部环境的交互，为构建更强大、更智能、更易于集成的 AI 应用奠定了坚实的基础。

MCP的核心目标

降低集成复杂性

通过统一的协议规范，减少开发者需要编写的定制化代码量，简化集成流程。

提升开发效率

开发者可以复用已有的 MCP 服务器实现，或者基于标准快速开发新的 MCP 服务器，加快 AI 应用的开发周期。

增强安全性，MCP 规范中包含了安全相关的考虑，如基于 OAuth 2.1 的授权机制，有助于构建更安全的 AI 应用。

促进生态发展

通过开放标准和社区协作，鼓励更多的开发者和组织参与到 MCP 生态的建设中，开发出更多功能丰富、用途各异的 MCP 服务器，丰富 AI 模型的能力边界，推动 AI 技术的广泛应用和创新。

MCP的比喻——“AI 应用的 USB-C 接口”

Model Context Protocol （MCP） 被其创造者 Anthropic 以及业界广泛比喻为 “AI 应用的 USB-C 接口”。非常形象地揭示了 MCP 在 AI 生态系统中的核心作用和价值。正如 USB-C 接口通过其标准化、可逆、多功能的特性，极大地简化了各种电子设备（如笔记本电脑、智能手机、平板电脑、外围设备等）之间的连接和数据传输，取代了以往多种不同且互不兼容的接口（如 USB-A、Micro-USB、HDMI、VGA 等）

在 MCP 出现之前，AI 模型（尤其是大型语言模型）与外部世界的连接往往是零散的、定制化的，每个新的集成都需要开发特定的适配器和接口，就像在 USB-C 普及之前，用户需要为不同的设备准备不同的线缆和转换器一样不便。

MCP 的出现，如同为 AI 世界引入了 USB-C 标准，允许 AI 模型通过一种通用的协议去“即插即用”地访问各种 MCP 服务器（这些服务器封装了对特定数据或工具的访问能力）。正如 USB-C 接口能支持数据传输、视频输出、电力输送等多种功能，MCP 也支持资源访问、工具调用、提示管理、启发式交互等多种核心功能，能适应多样化的 AI 应用场景。深刻地说明了 MCP 在推动 AI 技术普及和应用创新方面所具有的潜力，有望成为连接 AI 模型与现实世界的关键桥梁。

MCP的核心组件

Host（宿主）

Host 是用户与 AI 模型进行交互的界面或应用程序。负责接收用户的输入（例如问题、指令），将这些输入传递给 AI 模型进行处理。Host 也负责展示 AI 模型生成的回复或执行操作的结果给用户。在 MCP 的交互流程中，Host 扮演着协调者的角色，理解用户意图，决定何时以及如何调用 MCP Client 来获取外部数据或执行工具操作。

一个典型的 Host 例子是 Claude Desktop 应用程序，用户可以在其中直接与 Claude 模型对话，通过 MCP 访问本地文件系统或网络资源。Host 需要能管理 MCP Client 的生命周期，处理与用户交互相关的逻辑，例如权限请求、错误提示等。

Client（客户端）

MCP Client 是 Host 与 MCP Server 之间的桥梁。负责与一个或多个 MCP Server 建立连接，将 AI 模型的请求（例如，获取特定资源、调用某个工具）封装成符合 MCP 规范的请求消息发送给相应的 Server。Client 也负责接收来自 Server 的响应消息，将结果返回给 Host 或直接传递给 AI 模型。MCP Client 需要实现 MCP 协议规范，包括消息的编码解码、传输协议（如 HTTP、WebSockets、gRPC 或 stdio）的处理、以及必要的安全机制（如 OAuth 2.1 认证）。在某些实现中，MCP Client 可能内置于 Host 应用程序中，或者作为一个独立的库被 Host 调用。

Server（服务器）

MCP Server 是实际提供数据或执行工具操作的组件。每个 MCP Server 封装了对特定数据源（如数据库、文件系统、API）或工具（如代码解释器、计算器、专业软件）的访问能力。当 MCP Server 收到来自 Client 的请求后，会根据请求的类型和参数，执行相应的操作（例如，查询数据库、读取文件、调用外部 API），将结果封装成符合 MCP 规范的响应消息返回给 Client。MCP Server 也需要实现 MCP 协议规范，对外暴露其支持的能力（Capabilities），例如提供了哪些资源、哪些工具、以及哪些提示模板。开发者可以根据 MCP 规范开发自定义的 MCP Server，以扩展 AI 模型的能力。

这种三组件架构清晰地将用户交互、协议通信和具体功能实现分离开来，使 MCP 系统具有很好的模块化和可扩展性。Host 专注于用户界面和体验，Client 处理协议层面的通信，Server 提供具体的业务逻辑和数据访问能力。

MCP的交互流程示例

为了更好地理解 MCP 架构中 Host、Client 和 Server 三个组件是如何协同工作的，我们可以通过一个具体的交互示例来说明。

假设用户在 Claude Desktop（Host）中提出了一个问题：“我桌面上有哪些文档？”。以下是处理这个请求的典型 MCP 交互流程：

• 用户输入 (User Input)：用户在 Claude Desktop 的界面中输入问题“我桌面上有哪些文档？”并发送。Host（Claude Desktop）接收到这个用户请求。
• Host 处理 (Host Processing)：Host 将用户的原始问题传递给其内部的 AI 模型（例如 Claude 模型）进行分析和理解。AI 模型需要判断这个问题是否需要访问外部资源或工具来获取答案。
• 模型分析 (Model Analysis)：AI 模型分析问题后，识别出用户意图是获取本地文件系统信息。模型决定需要调用一个能访问文件系统的外部工具。在 MCP 框架下，意味着模型会生成一个请求，指示需要调用一个特定的 MCP Tool（例如，一个封装了文件系统浏览能力的 MCP Server 提供的工具）。
• Client 请求 (Client Request)：Host 内部的 MCP Client 接收到 AI 模型发出的调用外部工具的指令。MCP Client 会根据指令，查找预先配置好的、能提供文件系统访问服务的 MCP Server。然后，Client 会按照 MCP 协议规范，将模型的请求（例如，请求列出用户桌面上的文件）封装成一个标准的 MCP 请求消息，通过指定的传输方式（例如 HTTP、WebSockets 或 stdio）发送给目标 MCP Server。
• Server 执行 (Server Execution)：目标 MCP Server（例如，一个专门的文件系统 MCP Server）接收到来自 Client 的请求。Server 解析请求，验证权限（如果需要），然后执行相应的操作——在这个例子中，就是扫描用户指定的桌面目录，获取文件列表。执行完毕后，MCP Server 将获取到的文档列表（例如，一个包含文件名、路径等信息的 JSON 对象）封装成一个标准的 MCP 响应消息，通过相同的传输方式返回给 MCP Client。
• 模型响应 (Model Response)：MCP Client 接收到来自 MCP Server 的响应，将其中的结果数据（即桌面文档列表）提取出来，传递给 AI 模型。AI 模型接收到这些上下文信息后，结合原始问题，生成一个自然语言的回复，例如“您桌面上有以下文档：report.docx, budget.xlsx, image.png”。
• Host 展示 (Host Display)：Host（Claude Desktop）接收到 AI 模型生成的最终回复，将其在用户界面上展示给用户。

MCP的核心功能

Resource（资源）

Resource 功能允许 MCP Server 向 AI 模型提供只读的上下文信息或数据。这些资源可以是静态数据，也可以是动态生成的数据。例如，一个 MCP Server 可以提供对公司内部知识库的访问，或者提供实时股票行情数据。AI 模型可以通过 MCP Client 请求这些资源，获取完成任务所需的信息。

Resource 的设计强调只读性，确保了数据源的安全性，防止 AI 模型意外修改原始数据。MCP 规范定义了资源发现、订阅和通知等机制，使模型能有效地获取和利用这些外部信息。

Prompt（提示）

Prompt 功能允许 MCP Server 提供预置的提示模板。模板可以帮助 AI 模型生成特定格式或内容的输出，或者引导模型以特定的方式执行任务。例如，一个 MCP Server 可以提供用于生成特定类型邮件的提示模板，或者用于代码生成的模板。

通过使用标准化的提示模板，可以提高模型输出的质量和一致性，减少在应用程序中硬编码提示的需求。MCP 允许服务器声明其提供的提示模板，客户端可以查询并使用这些模板。

Tool（工具）

Tool 功能是 MCP 的核心特性之一，允许 AI 模型调用外部的 API 或工具来执行具体的操作。工具可以执行各种任务，例如执行计算、查询数据库、发送邮件、控制外部设备等。MCP Server 可以声明提供的工具，包括工具的名称、描述、参数列表和预期的输出格式。AI 模型在分析用户请求后，如果判断需要调用某个工具，可以通过 MCP Client 向相应的 Server 发送工具调用请求。Server 执行工具并返回结果，模型再根据结果生成回复。Tool 功能极大地扩展了 AI 模型的能力边界，不再局限于文本生成，能与现实世界进行更深入的交互。

Elicitation（启发）

Elicitation 允许 MCP Server 在交互过程中主动向用户请求更多信息或澄清模糊的输入。在传统的交互模式中，如果模型或工具需要额外的信息才能继续执行任务，只能返回一个错误或提示用户重新提问。

Elicitation 提供了一种更结构化的方式来处理这种情况。当 Server 端（通过 LLM 分析）发现当前请求缺少必要参数或意图不明确时，可以返回一个 elicitationRequest，其中包含需要用户提供的信息的描述或表单。Host 接收到这个请求后，可以向用户展示相应的界面（例如，一个包含输入框的表单），收集用户输入，然后通过 continueElicitation 请求将信息发送回 Server。使交互更加灵活和智能，能处理更复杂的、需要多轮对话才能完成的任务，例如交互式表单填写、用户意图澄清等。

Structured Output（结构化输出）

Structured Output 功能要求 MCP Server 以结构化的格式（例如 JSON）返回工具调用的结果。与返回非结构化的文本相比，结构化的输出更易于 AI 模型解析和理解。MCP 规范支持为工具的输出定义 JSON Schema，使模型可以预期返回数据的结构和类型，更准确地进行后续处理。

例如，一个查询天气的工具可能会返回一个包含温度、湿度、风速等字段的 JSON 对象，而不是一段描述天气的自然语言文本。

这种结构化的输出提高了模型处理结果的效率，增强了系统的可靠性和可维护性。

最新的 MCP 规范（如 2025-06-18 版本）进一步强化了对结构化内容和输出模式的支持，引入了类型化、经过验证的结果以及灵活的 Schema 哲学和 MIME 类型清晰度。

MCP的特点

灵活性

MCP 支持多种传输协议和通信方式。虽然 MCP 规范本身是独立于传输层的，明确支持包括 Streamable HTTP、WebSockets、gRPC 以及 stdio（标准输入输出，常用于本地进程间通信）在内的多种通信机制。多样性使得 MCP 可以适应不同的部署环境和性能要求。

例如，对于需要低延迟、双向实时通信的场景，WebSockets 或 gRPC 可能是更好的选择；对于简单的本地工具调用，stdio 更为轻量级和便捷。Streamable HTTP 允许以流式方式传输数据，适用于处理大量数据或需要逐步展示结果的场景。

扩展性

协议本身定义了一套核心的消息类型和交互模式，但同时也允许通过扩展（Extensions）来引入新的功能或特性。MCP 使用基于能力协商（Capability Negotiation）的机制，客户端和服务器在初始化连接时会声明各自支持的功能（Capabilities）。如果双方都支持某个扩展功能，那么就可以在会话中使用该功能。机制确保了协议的向前兼容性和向后兼容性，新的功能可以在不破坏现有实现的基础上逐步引入。

模块化设计

MCP Server 是轻量级的程序，每个 Server 只负责暴露特定的功能或数据源。使开发者可以按需开发和部署 MCP Server，构建一个分布式的、可组合的 AI 能力网络。

例如，一个公司可以开发一个专门访问内部 CRM 系统的 MCP Server，另一个团队可以开发一个连接特定数据库的 MCP Server。

AI 应用（Host）可以通过 MCP Client 动态发现和使用这些 Server 提供的功能，像搭积木一样组合出复杂的应用。

开放性和社区驱动

作为一个开放协议，MCP 鼓励社区参与和贡献，意味着会有更多的开发者为其开发新的 MCP Server、Client 库、工具和文档。能更快地响应市场需求，催生出更多创新的应用场景。

MCP的安全机制

基于 OAuth 2.1 的安全机制

Model Context Protocol (MCP) 在安全方面采取基于 OAuth 2.1 授权框架。OAuth 2.1 是 OAuth 2.0 的演进版本，整合了 OAuth 2.0 最佳实践和安全建议，提供更强大、更易用的授权解决方案。在 MCP 的交互流程中，当 MCP Client 需要访问受保护的 MCP Server（即提供敏感数据或执行敏感操作的 Server）时，需要进行 OAuth 2.1 认证和授权。意味着 Client 需要先从授权服务器（Authorization Server）获取一个访问令牌（Access Token），然后在向 MCP Server 发起请求时携带该令牌。MCP Server 会验证令牌的有效性（例如，通过 introspection endpoint 或 JWKS endpoint 验证签名和有效期），检查令牌是否包含执行所请求操作所需的权限（scopes）。

MCP 规范特别强调了 OAuth 2.1 中的一些关键安全特性，如 PKCE (Proof Key for Code Exchange) 用于防止授权码拦截攻击，以及 令牌受众绑定 (Token Audience Binding – RFC 8707) 用于确保访问令牌仅能被预期的 MCP Server 使用。有效地防止了令牌的跨服务器滥用，提升了整体系统的安全性。

安全最佳实践

Model Context Protocol (MCP) 的生态系统强调了一系列安全最佳实践，确保在日益复杂的 AI 应用场景中维护数据安全、隐私和系统完整性。

• MCP 服务器安全加固与部署实践：部署 MCP 服务器时，应遵循最小权限原则，仅开放必要的服务和端口。操作系统应进行加固，并考虑使用安全增强工具。所有传入的输入（如用户提示、工具参数）必须进行严格的验证和净化，以防止常见的 Web 攻击，如提示注入 (prompt injection) 和参数污染。对于本地运行的 MCP 服务器，建议将其运行在容器（如 Docker，以非 root 用户运行）或虚拟机中，以实现与主机系统的隔离。网络访问控制也应严格配置，避免将 MCP 服务器直接暴露在公共互联网，优先使用 localhost 或私有子网进行绑定。
• MCP 客户端与工具交互安全：MCP 客户端应基于 MCP 对 OAuth 2.1 的支持，使用短期、范围受限的令牌进行认证。所有交互都应进行身份验证。在工具设计方面，应为每个 Tool 提供清晰的元数据，包括其功能描述、输入参数、预期输出以及可能产生的副作用。对于可能修改数据或产生重大影响的工具，应使用如 readOnlyHint 和 destructiveHint 这样的注解进行明确标记，帮助运行时环境采取适当的安全措施。
• 凭证和密钥管理：是基本要求，绝对避免在配置文件中硬编码凭证或 API 密钥。应使用环境变量或专门的密钥管理服务来存储和访问敏感信息，定期轮换密钥。
• 启用详细日志记录与监控：对于事后审计、异常行为检测和安全事件调查至关重要。应配置 MCP 服务器和客户端记录所有操作日志，包括请求、响应、错误以及用户交互。特别地，记录所有发送给 AI 模型的提示 (prompts) 有助于检测和防范提示注入攻击。
• 建立 MCP Server 的治理流程：组织应建立一个正式的审批流程，用于将新的 MCP Server 添加到环境中，包括安全审查和源代码验证。维护一个已批准的 MCP Server 清单，考虑建立一个内部审查过的 MCP Server 仓库，降低引入恶意或存在漏洞的 Server 的风险。

MCP的行业采用情况

Model Context Protocol (MCP) 自推出以来，迅速获得了业界的广泛关注和积极采用。Anthropic 作为 MCP 的发起者，在其产品线中率先集成和支持 MCP，例如在其 Claude Desktop 应用和 Claude 模型中。

OpenAI 在 2025 年初宣布在其 Agents SDK、ChatGPT 桌面应用和 Responses API 中支持 MCP，

微软 (Microsoft) 积极参与 MCP 生态，推出了 Playwright-MCP 服务器，使 AI 代理能像人类一样浏览网页并与网站交互。

Google 在产品中采用 MCP。

Docker 推出了 MCP Toolkit，通过提供一键部署、包含超过 100 个安全 MCP 服务器的目录等功能，简化了 MCP 服务器的部署和管理。

MCP的应用案例

金融科技领域应用

• 智能投顾：MCP 可以使 AI 投顾系统实时获取最新的股票价格、财经新闻、公司财报等信息（通过 Resource 功能），分析客户的风险偏好和投资目标（可能通过 Elicitation 功能与用户交互），然后调用交易执行工具（Tool 功能）为客户提供个性化的投资建议并执行交易。
• 反欺诈分析：通过连接各种数据源（如交易记录、用户行为日志、黑名单数据库），LLM 可以辅助识别可疑交易模式。
• 客户服务：MCP 可以使聊天机器人能回答常见问题，能查询用户的账户信息（在获得授权后）、处理简单的业务请求（如转账、账单查询），提供个性化的理财建议。通过 MCP 的标准化接口，金融机构可以更安全、更便捷地利用 LLM 的强大能力，确保数据的安全性和合规性。

医疗健康领域应用

• 临床决策支持：医生可以向 AI 助手描述患者的症状和病史，AI 助手通过 MCP 查询相关的医学知识库（Resource）、最新的临床指南（Resource），调用诊断辅助工具（Tool），为医生提供诊断建议和治疗方案参考。MCP 的 Elicitation 功能可以用于在诊断过程中向医生询问更多细节，或确认关键信息。
• 个性化医疗：MCP 可以帮助整合患者的基因组数据、生活习惯数据等，为患者提供定制化的健康管理建议和疾病预防方案。
• 医学研究：MCP 可以加速文献综述过程，帮助研究人员快速从海量文献中提取关键信息，或者辅助分析临床试验数据。
• 患者监护系统：通过连接可穿戴设备和传感器数据，实时分析患者的健康状况，在出现异常时及时预警。MCP 的安全机制，特别是基于 OAuth 2.1 的授权，对于处理敏感的医疗数据至关重要，可以确保只有经过授权的用户和应用才能访问患者信息。

科技行业应用

• 软件开发：集成开发环境 (IDE) 可以用 MCP 将 LLM 的强大编码能力与本地开发环境、版本控制系统（如 Git MCP Server）、调试工具、API 文档等无缝集成。开发者可以通过自然语言指令让 AI 助手编写代码、解释代码、生成测试用例、查找并修复 bug，部署应用。例如，开发者可以问：“在我的当前分支上运行测试，并总结失败的原因”，AI 助手可以通过 MCP 调用 Git 工具获取代码，调用测试工具执行测试，然后分析日志并生成报告。
• IT 运维与支持：AI 运维助手可以连接到监控系统、日志服务器、配置管理数据库 (CMDB) 等，通过自然语言交互帮助运维人员诊断问题、执行维护任务、自动化故障排除流程。例如，AI 助手可以根据警报信息，自动查询相关服务器的日志（通过 MCP Server 提供的日志查询工具），分析错误原因，建议修复方案。
• 技术文档助手：帮助用户快速找到所需的技术信息，或者根据用户需求生成代码片段和配置示例。科技公司可以用 MCP 将其内部的知识库、API 服务等封装成 MCP Server，供内部员工或外部开发者通过 LLM 方便地访问和使用，提高工作效率和创新能力。

MCP的最新协议更新日志

• 移除 JSON-RPC 批处理支持：为了简化规范并避免歧义，特别是在实现 Streamable HTTP 传输时，未发现批处理的实际需求，且 JSON-RPC 的通知/响应模型难以满足实时性和并发调用需求，因此移除此功能。
• 增强工具调用结果，新增结构化输出功能：引入了 outputSchema 和 structuredContent 字段。这一改进旨在不破坏现有 content 结构的前提下，为简单的 JSON 输出场景提供一个轻量级、可验证的格式化通道。对于提升与不受信任服务器交互时的数据安全性与可靠性尤为重要，使客户端可以更精确地解析和验证来自工具的响应。例如，一个网络设备状态检索工具可以定义一个包含设备 ID、状态、运行时间等字段的输出模式，确保返回数据的结构化和可验证性。
• 将 MCP 服务器归类为 OAuth 资源服务器：并添加受保护资源元数据（遵循 RFC 9728）以便发现对应的授权服务器。有助于客户端自动发现授权服务器，避免滥用访问令牌，提升整体安全性与部署一致性。
• 强制要求 MCP 客户端实现遵循 RFC 8707 的 Resource Indicators：以防止恶意服务器获取访问令牌。通过在授权请求和令牌请求中包含 resource 参数，客户端可以明确指定令牌所针对的目标 MCP 服务器，增强了 OAuth 2.0 授权的安全性。
• 支持 “Elicitation” 功能：允许服务器在交互过程中向用户动态请求额外信息。MCP 此前缺乏标准化的方式来支持这种运行时交互，开发者往往需要依赖多步骤工具调用或自定义协议。Elicitation 机制的引入，为工作流中的确认、澄清、登录跳转等场景提供了结构化的输入机制，完善了模型、用户与服务器三者之间的双向交互闭环。例如，在执行一个删除操作前，服务器可以通过 elicitation 请求用户确认；或者在需要用户特定信息（如时区、组织名称）时，动态向客户端发起请求。
• 工具调用结果中新增资源链接（Resource Links）类型：为了支持工具返回对外部或大型资源的引用，不是直接嵌入其内容，引入了新的 ResourceLink 类型。解决了在交互流中直接嵌入内容不可行或效率低下的场景需求，例如延迟加载、处理大文件或临时资源。
• 澄清安全注意事项及最佳实践：在授权规范中增加了相关说明，新增了“安全最佳实践”页面，指导开发者构建更安全的 MCP 应用。

MCP的发展前景

Model Context Protocol (MCP) 作为标准化 AI 模型与外部系统和数据源交互的开放协议，未来发展将聚焦于推动更广泛的行业标准化、持续增强核心功能与安全性，以及不断扩展其生态系统和提升互操作性。随着人工智能技术的飞速发展和应用场景的不断深化，MCP 致力于解决当前 AI 集成面临的碎片化、复杂性和安全隐患等挑战，为构建更强大、更可靠、更易于集成的 AI 应用提供坚实的基础。社区和开发者正积极推动 MCP 的演进，适应日益增长的需求和不断变化的技术格局。

通用人工智能（AGI）是一种理论上的智能形态，使机器具备与人类相当甚至超越人类的广泛认知能力，能在各种不同的任务和环境中学习、理解、推理并解决问题，不仅局限于特定领域。AGI的实现将标志着人工智能从工具性、领域特定性向普适性、通用性的根本转变，潜在影响深远，可能彻底改变科学研究、经济发展、社会服务乃至全球治理的格局。AGI的发展仍面临诸多技术瓶颈、伦理困境和潜在风险，需要全球共同努力，确保其安全、可控并造福全人类。

什么是通用人工智能

AGI的定义

通用人工智能（Artificial General Intelligence, AGI）是具备与人类相当甚至超越人类的广泛认知能力的人工智能形态 。能像人类一样在各种不同的任务和环境中表现出智能行为，不仅局限于特定领域 。AGI的目标是创造出能理解、学习、推理并适应新情况的智能系统，能力不局限于预定义的任务，能处理几乎任何人类能完成的智力任务 。与当前主流的“窄人工智能”（Narrow AI）或“弱人工智能”（Weak AI）不同，AGI追求的是具备通用性的智能，能在多个领域和任务中展现出类似人类的适应和学习能力 。AGI系统不仅能执行任务，更重要的是能理解所面临的问题，具备独立决策的能力 。这种智能体被期望能够整合多种能力，如自动推理、知识表示、自动规划、自主学习以及自然语言沟通，达到设定的目标 。AGI也被称为强人工智能（Strong AI）、完全人工智能（Full AI）或人类水平人工智能（Human-Level AI）。

例如，一个在围棋上表现卓越的ANI系统，并不能将其能力直接迁移到驾驶汽车或进行医疗诊断上。像ChatGPT、Midjourney和Meta AI这样的模型，虽然功能强大，但仍然是弱AI或窄AI的例子，不具备真正的人类水平智能 。

相比之下，AGI具备广泛的认知能力，能像人类一样在各种不同的任务和环境中学习和适应，执行人类能执行的任何智力任务 。AGI的核心区别在于“通用性”和“自主性”。首先，在任务与问题理解方面，AGI需要不仅能执行任务，还需要理解它所面临的问题，使AGI能更具适应性和生存能力 。其次，在决策能力方面，AGI需要有能力做出独立的、基于情境的决策，是更具可靠性的重要因素 。最后，在智能水平上，AGI被视为一种通用人工智能，大致等同于一台拥有一个普通人所拥有的全部智慧能力的计算机，包括使用自然语言交流、解决问题、推理、感知环境等能力，与一个普通人处于同等或者更高等级的智能水准 。简而言之，ANI是“专才”，AGI追求的是“通才”。

通用人工智能的核心特征

通用性（Generality）

是AGI最显著的特征。人类智能的一个关键优势就是通用性，我们能学习数学、语言、艺术，能将不同领域的知识结合起来解决复杂问题。AGI模仿这种能力，使其能像人类一样“触类旁通”。

例如，一个具备通用性的AGI系统，不仅能进行复杂的科学计算，还能理解文学作品，甚至创作音乐。

北京通用人工智能研究院院长朱松纯教授提出，通用人工智能需要满足三个基本条件，其中第一个就是“能完成无限的任务” 。

自主性（Autonomy）

AGI系统被期望能独立思考、自主决策，在没有或仅有少量人工干预的情况下完成任务 。包括执行预设指令的能力，更重要的是能理解任务目标，分析环境信息，根据自身的学习和经验制定行动计划。自主性意味着AGI能主动发现问题、设定目标，主动寻求解决方案，不是被动地等待指令。

朱松纯教授提出的第二个条件是“能在场景中主动、自主地发现任务，即‘眼里有活’” 。

例如，一个自主的AGI机器人不仅能按照指令清洁房间，还能主动识别房间的脏乱程度，规划清洁路径，在清洁过程中应对突发状况，如避开障碍物或补充清洁剂。

适应性（Adaptability） 和 学习能力（Learning Ability）

是AGI实现通用性和自主性的基础。AGI需要具备强大的学习能力，能从经验中学习，从数据中提取模式，不断更新和改进自身的知识和技能 。包括监督学习、无监督学习和强化学习等现有AI技术，还可能涉及到更高级的学习形式，如元学习（学习如何学习）和迁移学习（将在一个领域学到的知识应用于另一个领域）。适应性要求AGI能快速适应新的、未知的环境和任务，调整自身的行为策略以应对变化。

理解能力（Understanding） 和 推理能力（Reasoning）

AGI需要处理信息，更需要真正理解信息的含义，包括语言、图像、声音等多种模态的信息 。需要AGI具备常识知识，能进行逻辑推理、因果推断和抽象思维。

例如，在阅读一篇文章时，AGI需要理解文字背后的意图、情感和隐含信息，不仅是识别单词和句子结构。在解决问题时，AGI需要能分析问题的本质，运用已有的知识进行推理，找到有效的解决方案。

通用人工智能的发展历程

AGI概念的提出与早期探索

通用人工智能（AGI）的概念并非一蹴而就，是伴随着人工智能学科的整个发展历程，在不同阶段被赋予了不同的内涵和期望。人工智能的早期探索，在“人工智能”这个术语正式诞生之前，就蕴含着对通用智能的向往。

1956年的达特茅斯会议被广泛认为是人工智能领域的开端，会议上提出的目标就是探索如何让机器能像人一样思考、学习和解决问题。早期的AI研究者，如艾伦·图灵、马文·明斯基、约翰·麦卡锡等，他们的愿景是创造出具有人类级别智能的机器。图灵在其1950年发表的论文《计算机器与智能》中提出的“图灵测试”，虽然并非直接定义AGI，但其核心思想——判断机器是否能表现出与人无法区分的智能行为——为AGI的目标设定了一个重要的参考标准 。赫伯特·西蒙（Herbert A. Simon）在1965年预言：“机器将在二十年内能完成人类可以做的任何工作。” 。

到了20世纪70年代末和80年代初，AI研究逐渐转向更具体和实用的领域，专家系统成为研究热点，这些系统试图将特定领域的人类专家知识编码到计算机中，解决特定问题 。虽然专家系统在某些领域取得了成功，但它们本质上是“窄AI”，缺乏通用性。导致了人工智能研究的第一次“寒冬”（1974-1980年），主流研究方法逐渐从通用目的转向针对特定领域 。

“通用人工智能”（AGI）术语本身，最早由Mark Gubrud在1997年讨论纳米技术与国际安全的背景下提出，用于描述一种在复杂性和速度上能与人类大脑相媲美甚至超越的系统，这些系统可以获取、操纵和推理日常知识，在需要人类智力的领域发挥作用 。

在2001年左右，一些人工智能研究人员，如本·戈尔策尔（Ben Goertzel）、谢恩·莱格（Shane Legg）和彼得·沃斯（Peter Voss），为了回归人工智能的原始愿景，即创造具有通用智能的机器，开始推广和使用AGI这一概念 。他们认为，主流AI过于关注特定应用，忽视了通用智能的核心问题。AGI概念的明确提出，标志着对人工智能发展方向的重新思考和聚焦，区分于当时主流的“弱人工智能”或“应用人工智能”研究。

大约在2004年至2007年，主流AI领域内外重新兴起了对通用目的系统的研究呼声，“集成AI（integrated AI）”、“通用系统（general-purpose system）”、“人类水平AI（human-level AI）”等主题逐渐受到关注。

2008年后，诸如AGI系列会议、认知系统进展、IEEE迈向类人智能任务组等学术会议和组织的出现，标志着AGI作为一个独立的研究方向得到了进一步的明确和发展 。

不同技术路径与主要研究流派

符号主义

又称逻辑主义、心理学派或计算机学派，理论基础是物理符号系统假设，即认为智能行为可以通过符号操作来实现 。符号主义者试图通过构建基于逻辑推理和知识表示的系统来模拟人类的认知过程。他们认为，智能的核心在于对抽象符号的操纵和推理，只要能将人类的知识和推理过程形式化为符号和规则，就能实现通用智能。早期的专家系统、知识图谱等是符号主义思想的体现。尽管符号主义在处理明确规则和结构化知识方面取得了成功，但在处理感知、学习、以及现实世界中的不确定性和模糊性方面遇到了挑战，即所谓的“知识获取瓶颈”和“框架问题” 。

连接主义

又称仿生学派或生理学派，灵感来源于人脑神经网络的结构和功能 。连接主义者认为，智能产生于大量简单处理单元（神经元）之间的相互连接和并行处理。通过构建人工神经网络（ANNs）来模拟大脑的学习和认知过程。深度学习就是连接主义在当代取得巨大成功的代表，特别是在图像识别、自然语言处理等领域取得了突破性进展 。当前的深度学习模型大多依赖于大量的标注数据进行训练，在可解释性、鲁棒性和常识推理方面仍存在局限性，距离真正的AGI尚有距离 。

行为主义/具身认知

强调智能体与环境的交互以及感知和行动的重要性 。他们认为，智能不能仅停留在抽象的符号操作或神经网络的计算上，是需要通过物理身体与环境进行实时互动才能产生和发展。具身认知理论认为，认知过程受到身体形态、感知运动能力以及与环境交互方式的深刻影响。因此，AGI的实现需要构建能感知环境、采取行动并从交互中学习的具身智能体。机器人学、强化学习等领域的研究与这一流派密切相关。这一流派强调“世界模型”的重要性，即智能体需要构建对环境的内部表征，利用这些表征进行规划和决策 。

除了上述主要流派外，还有一些其他的研究方向和理论，如：

演化计算（Evolutionary Computation），借鉴生物进化的思想，通过选择、交叉和变异等操作来优化和设计智能系统；

贝叶斯网络（Bayesian Networks），提供了一种基于概率图模型进行不确定性推理的框架；

整合方法（Integrative Approaches），如OpenCog等项目，试图结合不同AI方法论的优点，例如将符号逻辑的推理能力与神经网络的模式识别能力相结合，实现更全面的智能；

认知架构（Cognitive Architectures）（如ACT-R、SOAR、LIDA）构建统一的、基于认知科学原理的计算模型，模拟人类心智的各种能力；

AI智能体，结合大型语言模型和强化学习的AI Agent被认为是通往AGI的必由之路，这些Agent能理解指令、制定计划并执行复杂任务 。当前AGI的研究趋势也越来越多地体现出多学科交叉和多种技术融合的特点，例如将深度学习与符号推理相结合，或者将强化学习与认知架构相结合，克服单一方法的局限性，向真正的通用智能迈进。

通用人工智能的研究进展

进展

当前，通用人工智能（AGI）的研究正处于一个充满活力但也面临显著挑战的阶段。以大型语言模型（LLMs）为代表的生成式AI技术的突破性进展，许多研究人员和科技公司，如OpenAI、DeepMind、谷歌、百度、科大讯飞等，都在积极探索通往AGI的路径，推出了一系列被认为“接近AGI水平”的模型，例如GPT-4、Claude 3、Sora等 。这些模型在自然语言理解与生成、图像生成、代码编写、多任务处理等多个方面展现出惊人的能力，在某些特定任务上的表现超越了人类平均水平 。

OpenAI内部将通往AGI的路径划分为五个等级，认为其目前的AI模型（如GPT-4）仍处于L1级别（聊天机器人），但预计很快能达到L2级别（推理者），具备解决博士水平基本问题的能力 。

瓶颈

算力和能源的制约。训练和运行先进的大模型需要巨大的计算资源和能源消耗，带来了高昂的成本，也对环境造成压力，限制了AGI技术的普及和进一步发展 。

模型能力的局限性。虽然现有大模型表现出强大的模式识别和生成能力，但在更深层次的认知能力，如常识推理、因果推断、可解释性、鲁棒性、长期规划等方面，仍与人类智能存在较大差距 。例如，大模型在处理需要复杂逻辑推理或理解物理世界常识的问题时，仍然容易出错。它们也容易受到提示词的影响，产生“幻觉”（即生成不准确或无意义的内容），并且决策过程往往缺乏透明度和可解释性。

数据瓶颈。高质量、多样化的训练数据对于提升模型性能至关重要，但获取和标注大规模、无偏见的数据集本身就是一个巨大的挑战。现有模型的学习方式往往是“填鸭式”的，缺乏真正的理解和主动探索的能力 。

AGI的伦理和安全问题。包括数据隐私、算法偏见、虚假信息传播、潜在的滥用风险以及对就业市场和社会结构的冲击等，这些问题需要在技术发展的得到妥善解决 。

通用人工智能的关键技术挑战

从视频等多模态数据中学习

实现通用人工智能（AGI）的一个关键技术挑战是能像人类一样，从多种模态的数据中学习，特别是从视频等动态、富含上下文信息的媒介中学习。人类获取知识和理解世界的主要方式之一就是通过视觉观察和经验积累，而视频数据恰恰包含了丰富的视觉信息、时间序列信息、以及物体间的交互和因果关系。当前的AI模型，尤其是大型语言模型，主要依赖于文本数据进行训练，这只占人类学习经验的一小部分 。研究表明，文本学习大约只占人类学习方式的5% 。要让机器真正理解物理世界和社会场景，就必须具备从视频中提取语义信息的能力，例如识别物体、动作、场景、以及它们之间的复杂关系。开发出能有效处理和融合多模态信息的算法和模型架构。需要计算机视觉技术的进步，例如更精准的目标检测、行为识别、场景理解等，需要将这些视觉信息与文本、音频等其他模态的信息进行对齐和关联。

例如，一个AGI系统在观看一段烹饪视频时，不仅需要识别出食材、厨具和烹饪动作，还需要理解这些动作的顺序、目的，以及可能出现的意外情况和相应的处理方法。从视频中学习还涉及到对时间动态性和因果关系的建模。视频中的事件是随时间展开的，AGI需要能理解事件的先后顺序、持续时间以及它们之间的因果联系，对于进行有效的规划和决策至关重要。虽然已经有一些研究开始探索视频理解、视频描述生成、以及基于视频的问答等任务，但距离让机器像人类一样从视频中高效学习并构建对世界的深刻理解，仍有很长的路要走 。解决这一挑战将极大地推动AGI在机器人、自动驾驶、智能监控、人机交互等领域的应用。

理解时间、因果关系与进行规划

通用人工智能（AGI）若要具备与人类相当的智能水平，其核心能力之一是深刻理解时间、因果关系，并在此基础上进行有效的规划。能理解事件发生的先后顺序、持续时间、以及不同事件之间的因果联系。

例如，当我们计划一次旅行时，我们会考虑交通方式、所需时间、可能的延误、以及不同选择可能带来的后果，这些都是基于对时间、因果和规划能力的运用。

实现AGI对时间、因果关系和规划能力的掌握，面临着多方面的技术挑战。

首先，时间表示与推理是一个基础问题。AGI需要能以合适的方式表示时间信息，例如离散时间点、连续时间段、以及它们之间的相对关系（如之前、之后、同时发生等）。在此基础上，AGI还需要能进行时间推理，例如判断两个事件是否可能同时发生，或者一个事件的发生需要另一个事件先发生。

其次，因果发现与推断是更为复杂的问题。仅仅观察到事件之间的相关性并不足以推断其因果关系。AGI需要能从观察数据中识别出潜在的因果关系，区分因果和相关，理解因果关系的强度和方向。这需要超越传统的统计方法，引入更复杂的因果模型和推理机制。

最后，基于因果理解的规划是最终目标。AGI需要能利用其对时间动态和因果关系的理解，来制定出能达成特定目标的行动计划。要求AGI能预测不同行动的可能结果，能评估这些结果的优劣，在复杂和不确定的环境中进行决策。

实现可解释性与鲁棒性

可解释性（Interpretability）

指的是人类能理解AGI系统做出特定决策或预测的原因和过程。当前的许多先进AI模型，特别是深度学习模型，被认为是“黑箱”模型，内部工作机制难以被人类理解 。虽然这些模型在特定任务上可能表现出很高的准确性，但缺乏可解释性使得我们难以信任其决策，是在医疗、金融、法律等高风险领域。如果AGI系统做出了错误的决策，我们无法追溯其错误的原因，也无法有效地进行修正。因此，开发能提供清晰、易懂解释的AGI系统，对于建立用户信任、确保公平性、以及进行有效的调试和改进至关重要。可解释性也有助于我们发现模型可能存在的偏见或漏洞。可解释AI（XAI）技术，如LIME（Local Interpretable Model-agnostic Explanations）和SHAP（SHapley Additive exPlanations），正在被积极研究，提供对模型决策的局部或全局解释 。

鲁棒性（Robustness）

是指AGI系统在面对噪声、干扰、对抗性攻击或未曾预料到的输入时，依然能保持稳定性能和正确决策的能力。现实世界充满了不确定性和复杂性，AGI系统必须能应对各种意外情况，不会轻易失效或产生灾难性的错误。当前的AI模型往往在训练数据分布范围内表现良好，但在遇到分布外数据或精心设计的对抗性样本时，其性能可能会急剧下降。例如，自动驾驶汽车在遇到恶劣天气或罕见交通状况时，必须能安全可靠地运行。提高AGI的鲁棒性需要从多个方面入手，包括设计更强大的模型架构、采用更有效的正则化方法、进行更全面的测试和验证、以及开发能检测和处理异常情况的机制。缺乏鲁棒性的AGI系统不仅不可靠，还可能带来严重的安全风险 。因此，在追求AGI能力提升的同时，必须高度重视其可解释性和鲁棒性的研究，确保AGI技术的安全、可靠和负责任的发展。

克服数据与算力瓶颈

通用人工智能（AGI）的实现，在很大程度上依赖于海量高质量数据的驱动和强大的计算能力的支撑，

数据瓶颈

体现在多个方面。一方面，获取足够规模、多样化和高质量的训练数据本身就是一项巨大的挑战。许多现实世界的问题缺乏充足的标注数据，人工标注的成本又非常高昂。虽然无监督学习和自监督学习等方法在一定程度上缓解了对标注数据的依赖，但仍然需要大量的原始数据。另一方面，当前AI模型的学习效率远低于人类，往往需要比人类多得多的数据才能达到相似的水平。AGI需要具备从少量数据中快速学习（小样本学习）以及持续学习新知识而不遗忘旧知识的能力，当前的模型在这方面表现不佳，容易受到“灾难性遗忘”的困扰 。数据中可能存在的偏见、噪声和不一致性也会对模型的性能和泛化能力产生负面影响。

算力瓶颈

训练先进的AI模型，特别是大规模深度学习模型，需要巨大的计算资源。例如，训练像GPT-3这样的模型可能需要数百万美元的计算成本 ，而GPT-4的训练消耗了相当于数千个家庭数周能源用量的计算能力 。随着模型规模的不断增大，对算力的需求也呈指数级增长。带来了高昂的经济成本，也对能源供应和环境影响提出了严峻的挑战 。如果按照当前AI芯片的销售速度持续下去，到2028年AI芯片将消耗美国4%以上的电力 。虽然硬件技术（如专用AI芯片）在不断进步，但其发展速度是否能跟上AGI对算力需求的增长速度，仍是一个未知数。

算法的效率也是一个关键因素。开发更高效、更节能的算法和模型架构，以减少对算力的依赖，是克服算力瓶颈的重要途径。如果AGI的发展过度依赖算力的堆砌，那么其普及和应用将受到极大的限制，只有少数资源雄厚的机构才能参与其中，不利于AGI技术的健康发展和广泛惠益。如何在有限的数据和算力条件下，提升AGI的学习效率和性能，是当前研究亟待解决的关键问题。

通用人工智能的潜在应用

科学研究与探索

AGI系统可以自主地分析海量的科学数据，识别复杂的模式和关联，提出新的科学假设，甚至设计和执行实验 。例如，

在药物研发领域，AGI可以加速新药的发现过程，通过分析分子结构、生物通路和临床试验数据，预测药物的有效性和副作用，从而大幅缩短研发周期并降低成本 。

在材料科学领域，AGI可以帮助设计和发现具有特定性能的新材料。

在天文学、物理学等基础科学领域，AGI可以处理和分析来自望远镜、粒子对撞机等设备的庞大数据集，帮助科学家发现新的天体物理现象或基本粒子。

AGI可以模拟复杂的自然系统，如气候变化、生态系统演化等，为科学家提供更深入的理解和更准确的预测。

经济发展与产业变革

AGI作为一种潜在的通用目的技术（GPT），影响可能不亚于历史上的蒸汽机、电力和互联网。AGI有望大幅提升生产效率和自动化水平。

在制造业领域，AGI可以优化整个生产流程，从供应链管理、生产线调度、质量控制到设备维护，实现全流程的智能化和自主化 。例如，AGI系统可以通过分析来自传感器的海量数据，实时识别生产瓶颈，预测设备故障，自动调整生产计划以最大化效率和减少浪费 。

在农业领域，AGI可以辅助进行精准种植、病虫害预测和自动化收割，提高农作物产量和质量。在服务业，AGI驱动的智能客服、个性化推荐、智能投顾等将重塑客户体验并提升服务效率 。

在内容创作领域，AGI可以自主生成高质量的文本、图像、音乐和视频，为媒体、娱乐、广告等行业带来革命性变化 。

在科学研究领域，AGI可以辅助科学家进行大规模数据分析、提出新的科学假设、设计实验方案，直接参与新材料的发现和新药的研发，极大地加速科学发现的进程 。AGI可能推动“人工智能即服务”（AIaaS）模式的普及，使中小企业和个人开发者也能便捷地使用强大的AGI能力，激发更广泛的创新活力。

AGI将重塑全球价值链和竞争格局。拥有AGI核心技术和应用能力的国家或企业，将在未来的全球经济竞争中占据主导地位。AGI技术的发展和应用落地，将吸引大量资本和人才投入，形成强大的产业集群效应 。中国在人工智能应用落地方面具有巨大的市场优势和数据资源，特别是在制造业等领域，有望通过“人工智能+”行动，推动AGI技术与实体经济的深度融合，实现产业升级 。在核心技术如高端芯片、底层算法等方面，与国际领先水平仍存在差距，需要持续加大研发投入，突破关键瓶颈 。AGI的发展也将加剧国际间的技术竞争和人才争夺，各国政府需要制定前瞻性的发展战略和政策，以抓住AGI带来的机遇，同时防范潜在的风险。

中国人工智能产业规模预计在未来十年将实现显著增长，从2025年的近4000亿元增长至2035年的超过1.7万亿元，复合年增长率达到15.6% ，这充分显示了AGI及相关AI技术对经济发展的巨大拉动潜力。

社会服务与民生改善

在医疗健康领域，AGI系统可以整合分析海量的医学文献、临床案例、基因组数据和实时生理监测数据，辅助医生进行更精准的疾病诊断，制定个性化治疗方案，预测疾病风险 。例如，AGI可以通过分析医学影像（如CT、MRI扫描）来早期发现肿瘤等病变，准确性和效率可能超越人类医生。在药物研发方面，AGI可以加速新药的发现过程，通过模拟分子相互作用、筛选候选化合物、优化临床试验设计，缩短研发周期，降低研发成本 。AGI驱动的智能健康管理助手可以为个人提供全天候的健康咨询、慢病管理和应急响应服务，提升全民健康水平。AGI可以根据用户的健康数据和生活习惯，提供个性化的饮食和运动建议，在出现紧急情况时自动联系医疗机构。

在教育领域，AGI有潜力实现真正的个性化学习，因材施教，提升教育质量和公平性。AGI导师可以根据每个学生的学习进度、认知特点和兴趣偏好，动态调整教学内容和节奏，提供定制化的学习路径和辅导方案 。能帮助学生更有效地掌握知识，激发学习兴趣，培养创新能力。

在交通领域，AGI是实现完全自动驾驶的关键技术，有望大幅提升交通系统的安全性和效率，减少交通拥堵和事故 。AGI驱动的智能交通管理系统可以实时优化交通信号灯、预测交通流量、调度公共交通资源，为市民提供更便捷、高效的出行体验。AGI可以应用于智能家居、环境保护、灾害预警与救援、城市精细化管理等诸多方面，例如通过分析环境数据预测污染事件、优化能源消耗，在灾害发生时协助规划救援路线、调度救援资源，为构建更安全、更便捷、更宜居的社会环境提供强大的技术支持。

国防安全与全球治理

通用人工智能（AGI）的出现将对国防安全和全球治理产生深远且复杂的影响，既带来了前所未有的机遇，也带来了严峻的挑战和风险。AGI的发展对美国国家安全构成了五大难题，包括可能催生“颠覆性”武器、引发国家力量结构的系统性转移、降低大规模杀伤性武器的技术门槛、导致智能体失控以及加剧发展路径与后AGI世界的不稳定性 。这些潜在影响表明，AGI技术一旦成熟，其军事和战略意义将不亚于核武器或信息技术革命。

在国防安全领域，AGI可能通过情报分析、战略决策支持、自主武器系统（AWS）研发、网络攻防以及后勤保障等方面的应用，深刻改变战争形态和军事平衡。AGI系统能快速处理和分析来自各种传感器和情报源的海量数据，识别潜在威胁，评估风险，为指挥官提供决策建议。

在全球治理方面，AGI可以用于分析全球性挑战（如气候变化、疫情传播、跨国犯罪），辅助制定更有效的应对策略。

通用人工智能的发展前景

通用人工智能（AGI）的发展将继续成为科技领域乃至整个社会关注的焦点。尽管实现真正意义上的AGI仍然面临诸多不确定性和挑战，但潜在的巨大价值和深远影响激励着全球的研究者和机构不断投入探索。我们或许正处在一个关键的转折点，当前以大型语言模型为代表的AI技术的飞速发展，让我们看到了AGI的曙光，也暴露出其与人类通用智能之间仍存在的巨大鸿沟。未来的AGI研究，可能会呈现出多路径并行、多技术融合的趋势，包括对现有深度学习范式的持续优化和扩展，可能涌现出全新的理论框架和算法模型。

在思考AGI的未来时，我们必须保持清醒的头脑和审慎的态度。一方面，要积极拥抱AGI带来的机遇，鼓励技术创新和应用探索，充分发挥其在解决人类面临的重大挑战、提升社会福祉方面的潜力。另一方面，更要高度重视AGI可能带来的风险和挑战，将安全性、可控性、公平性和伦理考量置于优先地位。需要政府、学界、产业界和公众的共同努力，加强国际合作，建立健全的法律法规、伦理准则和治理机制，确保AGI的发展始终朝着对人类有利的方向前进。AGI的未来不仅仅是一个技术问题，更是一个关乎人类命运和文明走向的深刻命题。希望通过持续的努力和智慧的抉择，最终能驾驭AGI这股强大的力量，成为推动人类社会进步和繁荣的积极因素，共同开创一个更加美好的未来。

ANP（Agent Network Protocol）是开源的智能体通信协议，成为智能体互联网时代的 HTTP，为数十亿智能体构建一个开放、安全、高效的协作网络。打破数据孤岛，实现所有智能体之间的无障碍通信，确保 AI 能获取完整的上下文信息。智能体无需模仿人类的互联网交互方式，是通过专用 API 和协议与数字世界直接交互，优化机器对机器的通信效率。用 AI 实现智能体自动组织和自主协商，创建更具成本效益的协作网络。

什么是ANP

ANP（Agent Network Protocol）是开源的智能体通信协议，成为智能体互联网时代的 HTTP，为数十亿智能体构建一个开放、安全、高效的协作网络。实现所有智能体之间的无障碍通信，确保 AI 能获取完整的上下文信息。

ANP的工作原理

ANP采用分层架构，由三层组成：身份和加密通信层：基于W3C DID（去中心化身份标识符）规范，提供去中心化认证方案，支持端到端加密通信，确保通信安全和数据隐私。元协议层：促进智能体之间的协议协商，实现自动组织网络，支持自主协商合作，是智能体网络进化的关键。应用协议层：基于语义网规范，支持能力描述，管理应用协议，简化智能体交互。

智能体通过去中心化的网络发现其他智能体的存在和能力。实现方式包括去中心化的服务发现协议、局部的中心化服务目录节点、自组织或静态配置等方式。智能体之间通过W3C DID进行身份认证，确保通信双方的可信度。智能体之间通过JSON-LD和Linked Data技术进行数据交换，确保数据的语义一致性和高效传输。智能体通过元协议层进行协议协商，确定通信的具体细节，如请求格式、接口调用方式等。智能体根据协商结果执行任务，通过应用协议层进行数据交互。

ANP的主要应用

• 跨平台知识共享：ANP知识共享协议支持不同知识库和智能体系统之间的知识交换和查询。具备语义化查询接口、知识图谱同步机制、分布式知识验证以及权限控制和隐私保护等关键特性。
• 多智能体任务协作：ANP任务协作协议支持多个智能体协同完成复杂任务。包括任务分解和分配、进度跟踪和协调、中间结果共享以及结果聚合和验证等功能。
• 构建智能体互联网：ANP打破数字孤岛，推动互联网从封闭平台生态回归到以开放协议为核心的协作网络。通过提供一个开放、安全、高效的协作网络，使智能体能以结构化方式开放能力、互联互通，释放集体智能的巨大潜力。
• 面向AI的数据网络：ANP提出了一套面向AI原生设计的数据网络结构，通过智能体描述协议（ADP）和智能体发现协议，每个智能体能够以结构化、标准化的方式公开自身的服务接口、能力信息与数据资源。智能体无需依赖网页爬取或界面模拟，可以直接、高效、批量地访问互联网中广泛分布的能力与知识。
• 人类授权与智能体授权区分：ANP在DID文档中引入了专门的验证方法humanAuthorization，区分低风险操作和高风险操作，确保高风险操作必须由人类用户显式授权。
• 多DID管理策略：ANP推荐用户和智能体采用多DID管理策略，通过主DID与子DID分离、最小权限原则、定期轮换与失效等方式，增强隐私保护。
• 最小信息披露原则：ANP强调在智能体之间的通信过程中遵循最小信息披露原则，仅传输必要的信息字段，避免无关数据泄露。例如，在完成请求时，智能体只传输与请求直接相关的数据，不包含任何额外的敏感信息。

ANP面临的挑战

• 互联互通的实现：不同智能体可能基于不同的技术栈和框架，实现真正的互操作性需要解决底层通信标准的兼容问题。
• 去中心化身份认证：ANP基于W3C DID标准实现去中心化身份认证，意味着智能体可以在没有中心权威机构的情况下进行身份验证。管理和维护一个去中心化的身份系统是一个复杂的技术挑战。
• 高效协作的机制：ANP支持智能体间的自动组织与协商，创建比现有互联网更高效的协作网络。实现这一点需要智能体能动态协商任务分配和资源管理。
• 数据安全：在智能体之间传输的数据可能包含敏感信息，ANP需要确保这些数据在传输过程中的安全。涉及到加密技术的应用，以及如何在不牺牲性能的情况下实现端到端加密。
• 隐私保护：ANP需要在促进智能体之间协作的同时，保护用户的隐私。包括最小化数据收集、数据匿名化处理以及用户对数据使用的控制。
• 标准化进程：ANP需要与现有的Web安全基础设施兼容，同时也要考虑与其他智能体通信协议如MCP、ACP、A2A的互操作性。
• 技术实施：ANP的实施需要智能体能支持复杂的网络协议和数据处理能力。需要对现有的智能体系统进行升级或重构。
• 扩展性问题：随着智能体数量的增加，ANP需要能支持大规模的网络扩展。涉及到网络拓扑的动态调整、负载均衡以及故障恢复等技术问题。
• 用户接受度：用户可能习惯于现有的交互方式和平台，ANP需要提供足够的激励让用户接受新的智能体交互模式。

ANP的发展前景

ANP作为一个创新的智能体通信协议，面临的挑战是多方面的，涉及技术实现、安全隐私、生态系统建设、标准化进程、技术扩展性以及用户接受度等多个层面。解决这些挑战需要来自技术社区、行业合作伙伴以及用户的共同努力。随着技术的成熟和社区的发展，ANP有望成为智能体互联网时代的关键通信标准。

Vibe Coding 是新兴的编程实践，由计算机科学家、OpenAI 联合创始人兼特斯拉前人工智能主管 Andrej Karpathy 提出。依赖于人工智能，特别是大型语言模型（LLM），开发者通过自然语言提示描述问题，由 LLM 生成相应的软件代码。使程序员从编写和调试底层代码的繁琐工作中解放出来，转而关注于使用自然语言表达他们想要实现的功能。

什么是Vibe Coding

Vibe Coding（氛围编程）是OpenAI联合创始人Andrej Karpathy推出的新型编程范式。基于人工智能，特别是大型语言模型（LLM），开发者通过自然语言描述需求，AI生成对应的代码逻辑与架构。开发者依据直觉和感觉引导代码生成，更注重用户体验和功能逻辑。支持使用自然语言反馈，让AI即时调整代码。能降低开发门槛，使非专业开发者也能参与软件创作。

Vibe Coding的工作原理

• 自然语言提示： 开发者使用自然语言描述他们想要实现的功能或解决问题的方法。这些提示可以是具体的任务描述，也可以是更抽象的概念。
• AI生成代码： 大型语言模型（LLM）根据开发者的提示生成相应的代码。这个过程不需要开发者具备深入的编程知识，因为AI会处理所有的编码细节。
• 迭代反馈： 开发者对AI生成的代码进行测试，提供反馈。如果代码不符合预期，开发者可以通过修改提示或直接修改代码来指导AI进行调整。
• 代码审查与测试： 尽管Vibe Coding强调接受AI生成的代码，但开发者仍然需要对代码进行审查和测试，确保其质量和安全性。
• 部署与维护： 经过测试和审查的代码可以被部署到生产环境中。开发者需要对代码进行长期的维护和更新，包括对AI生成的代码进行修改和优化。

Vibe Coding的主要应用

• 快速原型开发（Rapid Prototyping）：Vibe Coding特别适合用于快速迭代与MVP（Minimum Viable Product）验证阶段。AI能根据需求即时产生模板代码、整合API、进行逻辑重构，大幅缩短开发时程。
• 个人Side Project开发：使用Vibe Coding工具如Cursor、Replit，开发者能在周末完成游戏、工具、聊天机器人等创意项目，无需从零手刻代码。这种方式使得个人开发者可以快速实现他们的创意，不需要深入理解复杂的编程细节。
• 开发个性化软件工具：中小企业或个人可通过Vibe Coding打造专属仪表板、营销报表工具、会计系统等，取代传统昂贵的SaaS或委外开发模式。这种方式降低了开发成本，同时提高了软件的个性化和适用性。
• AI辅助调试与快速修复程序错误：通过LLM工具即时分析错误信息，提供修正建议，加速调试流程，是维护现有项目的高效解决方案。这种方式可以显著减少开发者在调试和修复错误上花费的时间。
• 自动生成网站与Landing Page：商家与创作者只需描述网站结构与内容，用AI coding生成HTML/CSS代码，快速建立品牌官网或活动页。简化了网站开发流程，使非技术用户能轻松创建专业的网页。

Vibe Coding面临的挑战

• 代码质量和可维护性问题： AI生成的代码可能并非总是针对性能进行优化，可能不符合最佳实践。导致代码结构、命名约定和逻辑的不一致。
• 调试挑战： 调试AI生成的代码可能具有挑战性，因为开发者可能不完全理解其底层的逻辑。
• 安全性问题： 当开发者不完全理解他们部署的代码时，会在无意中引入安全漏洞。
• 技术债务： 快速生成代码而缺乏适当的设计会导致技术债务的累积。
• 开发者技能退化： 过度依赖AI可能导致开发者失去基本的编程技能。
• 协作障碍：软件开发越来越成为团队工作，代码需要对可能需要维护或扩展它的其他开发者清晰易懂。通过Vibe Coding生成的代码通常缺乏促进协作工作的文档、一致的风格和组织清晰度。
• 依赖关系问题：Vibe Coding创建了一种依赖关系，随着实践者越来越依赖LLMs生成他们不完全理解的代码，他们独立工作的能力可能会退化。
• 教育和学习曲线：尽管Vibe Coding降低了编程的入门门槛，但也对教育和学习曲线提出了新的挑战。开发者需要学习如何精确地描述需求并评估代码质量，可能需要新的教育方法和学习资源。

Vibe Coding的优势

• 提高开发速度：AI能快速生成复杂或重复的代码，大幅缩短开发时间。
• 降低门槛：Vibe Coding使开发者能够将更多精力投入到高层次的问题解决、架构设计和产品设计上。
• 促进创新：开发者可以将更多精力投入到创新和创造性的工作。
• 自动化繁琐任务：将重复性的编码工作和调试工作交给AI处理。
• 快速原型设计和迭代：通过简单的自然语言指令，开发者可以快速尝试新的想法并获得初步的演示版本。

支持Vibe Coding的工具与平台

• ChatGPT与Claude：通用对话式大型语言模型，可用于生成代码片段、解释错误信息、优化代码等。
• Cursor AI：内置AI功能的桌面代码编辑器，支持开发者在编辑器中直接用自然语言命令生成或修改代码。
• Windsurf：新兴的AI编程IDE，提供代码对话生成等功能。
• GitHub Copilot：由GitHub推出的AI编码助手插件，可无缝集成到VS Code、JetBrains等主流IDE中。

Vibe Coding的发展前景

随着AI模型的不断进步，Vibe Coding的应用范围将进一步扩大。我们会看到AI辅助开发工具变得更加专业化和垂直化，AI与传统开发工具的集成将更加深入和无缝，开发者将能更好地控制AI输出的细节。对于开发者来说，Vibe Coding不会完全取代传统编程技能，而是形成互补。我们可能会看到一种新的平衡，其中开发者专注于高层次的系统设计、架构决策和业务逻辑，将更多的实现细节委托给AI。

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的开放协议，让大型语言模型（LLM）与外部工具和数据源实现无缝通信。采用客户端–服务器架构，通过标准化接口，让LLM应用能安全、高效地连接到各种数据源和工具，如数据库、文件系统、第三方API等。MCP的核心优势在于统一性、安全性和扩展性。支持工具、资源和提示三种功能，能帮助用户完成多种任务，如文件管理、信息查询、沟通辅助等。MCP协议为AI与外部数据资源的连接提供了标准化桥梁，有望推动AI应用的进一步发展和普及。

什么是模型上下文协议

模型上下文协议（Model Context Protocol，MCP）是一种开放协议，让大型语言模型（LLM）与外部工具和数据源实现无缝通信。通过统一的协议实现各类数据源的插件式接入，避免为每个数据源单独编写代码。确保在数据交互过程中，敏感信息（如API密钥、用户数据）得到充分保护。

模型上下文协议的工作原理

MCP（Model Context Protocol，模型上下文协议）的工作原理基于客户端–服务器架构，通过标准化的通信协议实现大型语言模型（LLM）与外部工具和数据源的无缝集成。

MCP的核心架构主要由三个组件构成：

• MCP主机（Host）：是用户使用的AI工具或应用程序（例如Claude Desktop、IDE插件等），同时充当MCP客户端，用于发起与外部资源的连接。
• MCP服务器（Server）：一个轻量级服务，用于连接具体的数据源或工具（如数据库、文件系统、第三方API等）。每个MCP服务器通常专注于一种特定的资源或功能。
• 协议层：采用JSON-RPC或gRPC等标准通信协议，保证主机与服务器之间的消息传递安全、快速且一致。

MCP的工作原理及流程：

• 初始化连接：客户端向服务器发送连接请求，建立通信通道。
• 发送请求：客户端根据需求构建请求消息，并发送给服务器。
• 处理请求：服务器接收到请求后，解析请求内容，执行相应的操作（如查询数据库、读取文件等）。
• 返回结果：服务器将处理结果封装成响应消息，发送回客户端。
• 断开连接：任务完成后，客户端可以主动关闭连接或等待服务器超时关闭。

MCP支持两种主要的通信机制：

• 本地通信：通过标准输入输出（stdio）传输数据，适用于在同一台机器上运行的客户端和服务器之间的通信。
• 远程通信：用SSE（Server-Sent Events）与HTTP结合，实现跨网络的实时数据传输，适用于需要访问远程资源或分布式部署的场景。

MCP服务器可以提供三种主要类型的功能：

• 工具（Tools）：可以被LLM调用的函数，需要用户批准才能执行，例如获取天气预报、查询数据库等。
• 资源（Resources）：可以被客户端读取的类文件数据，如API响应或文件内容。
• 提示（Prompts）：帮助用户完成特定任务的预设模板，优化LLM的输出。

通过以上设计，MCP简化了AI与外部数据源和工具的集成过程，提供了更高的安全性和灵活性。

模型上下文协议的主要应用

• 文件管理：AI助手可以通过MCP整理用户的下载文件夹，用户可以命令AI“整理我电脑里上周的会议记录”，AI将直接调取文件系统，完成分类归档、生成摘要。将会议笔记转换为待办事项并同步到用户的日历。
• 信息查询：直接搜索本地文档或询问PDF内容。用户可以询问AI“这份报告的结论是什么？”AI将读取并分析PDF文件，提供总结。通过MCP服务器获取天气、地图导航或新闻简报。例如，用户可以询问“今天北京的天气如何？”AI将调用天气API获取并返回天气预报。
• 代码库管理：与 Git 和 GitHub/GitLab 集成，管理代码仓库，执行代码提交等操作。
• 沟通辅助根据报告起草Slack消息。例如，用户可以要求AI“根据这份项目报告，起草一条Slack消息”，AI将分析报告内容并生成适当的沟通文本。总结团队聊天内容。AI可以自动总结Slack频道中的讨论要点，帮助用户快速了解团队沟通的最新进展。
• 网络服务：通过MCP服务器获取天气、地图导航或新闻简报。例如，用户可以要求AI“给我今天的新闻摘要”，AI将调用新闻API获取最新资讯并提供摘要。
• 开发工具集成：AI驱动的IDE可以使用MCP连接到代码库和文档数据库的MCP服务器，获取最新代码和文档信息，提供实时代码建议、错误解释和文档链接。例如，开发者可以要求AI“显示这段代码的文档”，AI将查询相关的API文档并提供详细的解释。
• 客户服务聊天机器人：聊天机器人需要访问公司知识库、客户数据和外部数据库以回答查询。例如，客户可以询问“我的订单状态如何？”聊天机器人将通过MCP服务器访问订单系统并提供最新信息。
• 个人助理：AI助理管理用户的日历、邮件和文件，提供提醒、总结和组织功能。例如，用户可以要求AI“安排明天上午的会议”，AI将检查日历空闲时段并安排会议。
• 研究工具：研究人员使用AI工具访问学术数据库、网络搜索和管理参考文献。例如，研究人员可以要求AI“查找关于气候变化的最新研究”，AI将通过MCP服务器访问学术搜索引擎并提供相关文献。

模型上下文协议的优势

• 标准化与互操作性：创建兼容且协同工作的生态系统，减少对特定供应商的依赖。
• 简化集成：降低集成复杂性，开发者只需一次集成即可连接到任何数据源。
• 增强上下文感知能力：AI 模型能够访问实时数据，提供更相关响应。
• 安全性：内置安全机制，保护数据安全和用户隐私。
• 降低开发成本：标准化开发流程，减少开发复杂性。
• 适应性和可扩展性：支持新技术，与新模型和工具保持兼容。

MCP与传统 API 及函数调用比较

• 自描述工具：MCP 的工具带有元数据，减少对外部文档的依赖。
• 通信模式：MCP 支持有状态、双向、实时通信，适合复杂交互。
• 上下文处理：MCP 提供更强的上下文感知和管理能力。
• 互操作性：MCP 是模型无关的，旨在成为通用标准。
• 灵活性：MCP 支持动态工具发现和适应。
• 安全性：MCP 内置安全机制，保护资源。

模型上下文协议面临的挑战

• 标准化访问控制和用户授权机制的实现：MCP需要确保在数据交互过程中，敏感信息（如API密钥、用户数据）得到充分保护。实现一套标准化的访问控制和用户授权机制，确保只有经过授权的AI模型才能访问特定的数据源或执行特定的操作。
• 通信协议的兼容性和扩展性：MCP采用客户端-服务器（C/S）架构，基于JSON-RPC 2.0封装请求、通知、响应等消息类型。为了确保不同系统和平台之间的兼容性，MCP必须支持多种传输机制，如Stdio（本地进程通信）和HTTP+SSE（远程通信）。
• 多模态资源的交互支持：要求MCP不仅要处理传统的文本数据，能处理和理解多种类型的数据。增加了MCP在数据处理和分析方面的复杂性，需要更高级的数据处理技术和算法来支持。
• 错误处理和异常管理：MCP定义了标准错误代码，如ParseError (-32700)和InvalidRequest (-32600)。在实际应用中，MCP需要能处理各种异常情况，提供清晰的错误信息和解决方案。要求MCP在设计时就必须考虑到各种可能的错误场景，提供相应的错误处理机制。
• 集成和部署的复杂性：尽管MCP降低开发复杂性，在实际应用中，集成和部署MCP仍然可能面临挑战。开发者需要对现有的系统进行改造以支持MCP，可能涉及到复杂的配置和调试过程。MCP的部署也需要考虑到不同的运行环境和平台，可能需要额外的工作来确保兼容性。
• 性能和可扩展性问题：MCP在处理大量数据或高并发请求时可能会遇到性能瓶颈。为了保证系统的响应速度和稳定性，MCP需要优化其数据处理和通信机制。随着用户数量和数据量的增长，MCP需要具备良好的可扩展性，支持更大规模的应用。
• 用户体验和易用性：MCP的目标之一是提供一个统一的接口，简化用户与AI模型的交互。在实际应用中，用户可能会遇到操作复杂或难以理解的情况。
• 社区支持和生态系统的建设：MCP要实现更广泛的应用，需要更多的开发者和企业参与到MCP的开发和推广中来这包括提供更多的MCP服务器实现、开发工具和教程，以及建立一个活跃的社区来分享经验和最佳实践。
• 行业标准和规范的制定：MCP作为一个开放标准协议，未来发展可能会受到行业标准和规范的影响。为了确保MCP的广泛采用和兼容性，需要与现有的标准和规范进行协调，可能需要参与制定新的行业标准。需要行业内的合作和共识，可能会面临一些挑战和阻力。
• 安全和隐私保护的挑战：随着数据安全和隐私保护意识的提高，MCP在未来的应用中可能会面临更严格的安全和隐私要求。要求MCP不断加强其安全机制，如加密、认证和访问控制等，满足不断变化的安全需求。
• 技术更新和迭代的速度：MCP需要不断更新和迭代以适应新的技术趋势，如多模态交互、分布式架构等。要求MCP的开发者和社区能快速响应技术变化，及时更新MCP的实现和规范。
• 市场竞争和替代方案：MCP在市场上的成功也取决于其与其他技术方案的竞争。市场上可能存在其他类似的协议或技术，如API、SDK等，可能会提供类似的功能或优势。MCP需要在功能、性能、易用性和成本等方面与这些方案进行竞争，获得市场的认可。

模型上下文协议的发展前景

MCP（Model Context Protocol，模型上下文协议）的发展前景，随着AI技术和大模型应用场景的不断扩展，更多企业和开发者将基于MCP构建多元化应用，推动跨平台、跨数据源的互联互通。随着实践不断深入，MCP协议标准会不断完善，进一步提升安全性和扩展性。从数据查询、任务协同到复杂的自动化流程管理，MCP将在更多垂直领域发挥关键作用，为AI Agent时代带来更高效、更智能的解决方案。MCP通过标准化协议重构了AI与数据的交互方式，降低了开发门槛，为AI技术的普及和应用提供了更多可能性。预计到2025年，60%的LLM应用将采用MCP实现数据集成。表明MCP能提升开发效率，激发更广泛的开发者社区参与，催生更多创新的AI应用。