论文Agents Are Not Enough认为，仅具有代理能力不足以解决问题，构建一个包含智能代理、用户偏好模拟（Sims）以及助理（Assistants）的完整智能代理生态系统才是关键。
论文作者为Chirag Shah, Ryen W. White，来自University of Washington和Microsoft Research。
一、引言
论文首先界定了智能代理（agents）的概念，这是一种能够根据用户偏好或指令，代替用户执行特定任务的自主程序。智能代理的应用范围非常广泛，从调整温度的简单系统（如智能温控器）到复杂任务的自动化执行（如自动驾驶汽车）。智能代理具有以下几个关键特性：
- 自主性：代理可以独立决策并采取行动，无需用户持续干预。
- 可编程性：代理通过编程适配不同的任务需求。
- 反应性：代理能够快速响应外部环境的变化。
- 主动性：代理具备预见性，能够主动完成任务。
论文指出，虽然代理技术旨在减少用户的参与并提升效率，但这一目标在实践中受到诸多限制。代理技术存在的缺陷包括：任务执行错误、复杂任务能力不足，以及需要用户频繁干预。这些问题使得智能代理的潜力无法完全实现。论文认为，仅仅通过提升代理能力不足以解决问题，构建一个包含智能代理、用户偏好模拟（Sims）以及助理（Assistants）的完整生态系统才是关键。
二、历史尝试与失败
论文从历史发展的角度梳理了智能代理技术的演变，具体分为五个阶段，并分析了每个阶段的技术特点和失败原因：
- 早期AI代理（1950年代）
这一阶段以符号AI为主，例如通用问题求解器（GPS），尝试通过符号逻辑和规则推理模仿人类的解决问题能力。然而，这些系统过于依赖预定义规则，导致在面对复杂的现实世界问题时表现不佳。缺乏适应性成为其主要短板。 - 专家系统（1980年代）
专家系统如MYCIN和DENDRAL专注于特定领域的知识运用，通过规则和推理为用户提供决策支持。尽管在狭窄领域内表现出色，但这些系统缺乏泛化能力，无法适应领域外的任务。此外，开发和维护这些系统需要大量人工参与，成本极高。 - 反应型代理（1990年代）
这一阶段的代表是布鲁克斯提出的分层控制体系结构（Subsumption Architecture）。反应型代理注重实时响应，优先处理环境刺激，而非复杂的推理。然而，这些代理缺乏规划能力，也无法从经验中学习，导致在动态环境中的适用性受到限制。 - 多代理系统（MAS）
多代理系统通过多个代理的分工与协作解决问题。例如，集群机器人（Swarm Robotics）展示了分布式问题解决的潜力。然而，协调、通信和扩展性问题阻碍了其广泛应用。代理间的相互依赖性容易导致效率低下和行为不可预测。 - 认知架构（Cognitive Architectures）
认知架构如SOAR和ACT-R旨在模拟人类认知过程，整合感知、记忆和推理能力。尽管设计复杂，这些架构因计算成本过高、实时性不足而难以实际应用。
论文指出，这些历史尝试的失败主要源于以下五大问题：
- 缺乏泛化能力：多数代理只能完成特定任务，难以在不同领域间迁移。
- 扩展性问题：任务复杂性增加时，计算资源需求呈指数级增长，难以适应真实应用。
- 协调与通信不足：多代理系统中代理间的高效协作仍是难点，用户与代理之间的交互机制也有待改进。
- 系统脆弱性：许多代理在特定条件下表现良好，但面对意外情况时容易失效。
- 伦理与安全问题：代理在决策中可能引入偏见或导致意外后果，同时用户控制权的减少也带来了潜在风险。
三、修复代理技术的方向
针对代理技术的不足，论文提出了五个改进方向：
- 结合机器学习与符号AI
将机器学习的灵活性与符号AI的结构化推理能力相结合，可以提升代理的适应性和可解释性。例如，机器学习可以帮助代理从数据中学习规律，而符号AI则可以提供逻辑推理框架，确保系统决策的透明性。 - 开发新型架构
通过引入缓存机制减少基础模型的调用次数，并采用混合架构（如将小型和大型语言模型结合）提升系统的扩展性和效率。此外，将复杂任务分解为子任务，并分配给专门的代理执行，可以更有效地管理复杂性。 - 改进协调机制
论文建议开发去中心化控制和协商协议，以提高多代理系统的通信和协作能力。这些改进不仅可以增强代理间的交互效率，还能优化用户与代理的沟通效果。 - 采用稳健学习算法
强化学习和迁移学习等方法可以提升代理的适应性，使其能够从经验中学习并在不同任务间迁移知识。例如，强化学习可以帮助代理在动态环境中优化决策，而迁移学习则能减少新任务训练的成本。 - 加强伦理与责任设计
通过制定透明、公平、可解释的设计框架，确保代理在伦理和安全方面符合要求。例如，设计时应注重决策的可解释性，并通过全面测试减少系统部署后的风险。
四、为何代理技术仍然不够
尽管技术改进可以解决部分问题，论文指出，这并不足以推动代理技术的广泛应用，还需关注以下五个方面：
- 价值生成
用户需要感受到代理带来的价值增量，例如减少时间消耗或保护隐私。如果用户频繁干预代理行为，甚至需要花费更多时间来纠正错误，代理的意义将被削弱。 - 适应性个性化
不同用户和任务场景需要不同的策略。代理需具备根据用户偏好和环境调整行为的能力，否则适用性将大打折扣。 - 可信度建立
用户需要信任代理来处理敏感任务（如金融交易或个人通信）。这种信任需要通过长期的准确性和透明性逐步建立。 - 社会接受度
代理的广泛应用需要克服文化和习惯的差异。例如，在某些地区，代理执行在线支付可能需要更长时间被接受。 - 标准化
开发和部署代理需建立统一标准，以解决兼容性和安全性问题。
五、新型代理生态系统
论文提出了一种包括代理、用户偏好模拟（Sims）和助理（Assistants）的新型生态系统：
- 代理
代理作为独立模块，专注于特定任务，并具有与其他代理协作的能力。 - 用户偏好模拟（Sims）
Sims是用户偏好、行为和隐私的具体化模型，能够在用户监督下与代理交互。 - 助理（Assistants）
助理直接与用户交互，具备调用Sims和代理的能力，可实现高度个性化的任务管理。