自大语言模型（LLM）展现出通用推理能力以来，研究者致力于将其转化为具备自主行动能力的智能体（Intelligent Agent）。这一转型依赖于一系列协同演进的技术组件，其发展呈现出清晰的阶段性特征。

2023年：执行能力的初步探索——Function Call

OpenAI 在 GPT-4 发布中引入 Function Calling 机制（OpenAI, 2023），允许模型在生成文本时请求调用预定义外部函数。此举首次打通“推理—执行”链路，但其实现封闭、静态注册、缺乏上下文传递，难以支撑复杂或动态任务。

2024年：工作流抽象与协议奠基

面对多步任务需求，社区转向结构化编排。LangChain 团队于 2024 年推出 LangGraph，将智能体行为建模为状态图，支持循环、分支与中间状态持久化，使复杂推理链可编程、可观测。同年 11 月，Anthropic 开源 Model Context Protocol（MCP），定义模型与工具间的通用通信标准（Anthropic, 2024）。MCP 支持动态工具发现、上下文感知调用与权限控制，为跨平台工具集成奠定基础，被业界视为“AI 的 USB-C 接口”。

2025年：记忆、反思与安全执行

随着执行能力增强，系统需更高级的认知与保障机制：

• Memory Architecture：MemGPT（Stanford, 2024）及后续工作提出分层记忆模型，区分工作记忆与长期经验；
• Reflection：Reflexion 框架（Johns Hopkins et al., 2025）引入自我评估与策略修正，提升任务鲁棒性；
• Sandboxed Execution：工业界普遍采用容器或 WASM 隔离 Agent 执行环境（如 Microsoft AutoGen Studio Runtime, 2025），确保安全性。

2025年末至2026年初：技能生态爆发

Anthropic 于 2025 年 10 月随 Claude Computer Use 功能正式提出（Anthropic, 2025）。Skills 将专业操作（如“处理报销单”“剪辑视频”）封装为标准化、可复用的指令包（通常以 SKILL.md 形式描述），其价值高度依赖两大前提：

• 底层执行能力：Computer Use 首次赋予模型操作图形界面的能力；
• 标准化通道：MCP 提供统一接口，使 Skills 可被任意兼容 Agent 发现与调用。

2025–2026：协作与运行时抽象

单体 Agent 能力逼近瓶颈，Agent-to-Agent（A2A） 通信成为焦点（AutoGen, 2024；CrewAI, 2025），支持任务分解与群体智能。同时，Human-in-the-Loop 编排强调人在关键节点的介入。更进一步，Agent OS / Agent Runtime 概念兴起（Stanford AgentOS, 2025；Anthropic Agent Platform, 2025），试图整合调度、通信、记忆与安全，构建“智能体的操作系统”。