Agent新范式圆桌：从Prompt到Loop的演进逻辑、潜空间通信与验证之困

基于机器之心AI技术活动圆桌对话的转写整理。主持人：机器之心编辑。嘉宾：张少林（中国人民大学）、李佳（清华大学人工智能学院）、张弛（西湖大学，此前面有独立报告）、开国/开行（华为诺亚方舟实验室Agent方向专家）。讨论主题：Agent又有了新范式吗？

一、从Prompt到Loop：不是范式革命，而是"能力-预期不对等"的持续再平衡

1. 新的变化

Agent领域新概念层出不穷，但每一个名词背后都是一次"瓶颈转移"

主持人开篇抛出一个犀利观察：Agent领域新名词出现的频率"快超过小李子换女朋友的频率了"——从最初的Prompt，到Context、Agent，再到Harness，直到最近的Loop。这些概念到底代表范式变革，还是仅仅是工程方法的变化？

张少林（中国人民大学）给出了一个极具框架性的回答：这些变化不是范式革命，而是在不同阶段遇到新问题后的解决办法。 它的本质驱动力是两条进化路线之间的"不对等关系"：

• 路线一：基模能力的持续进化。 从2022年底大模型刚出现时能力一般，到现在具备强大的长程Coding能力。
• 路线二：人类对AI落地效果的预期。 预期随能力上涨而不断攀升，但两者并非一比一同步。

正是这种不协同，催生了四个阶段的关注点迁移：

张少林总结道：整个演进交替聚焦于两个核心——“如何发挥基模的自主性"与"如何让模型行为可控”。Prompt是为了控制，Context是释放自主性，Harness是在复杂任务中再次控制，Loop又让模型更灵活。他大胆预测：未来当自主性达到天级别甚至更长的持续任务时，模型又会"不好了"，届时将出现新的训练方式来提升真实任务中的复杂问题解决能力。

2. 嘉宾观点与解释

李佳（清华）：每个名词都是"当前最卡住的工程瓶颈"的指代

李佳给出了一个更工程化的视角。他认为这些概念变化的背后，反映的是大家对AI落地每次关键瓶颈的一种解题思路：

• Prompt阶段：一问一答，模型经常做错 → 原因是"有些东西没看见"
• Context阶段：喂很多东西后答得准了，但模型始终是"缸中之脑" → 希望它帮忙做事
• Harness阶段：给它配外部工具，它开始做事了 → 但人成了流程中的瓶颈（必须人告诉它才能做）
• Loop阶段：能不能它自己做？→ 自然而然出现闭环系统

李佳特别强调了两个持续变化的点：

第一，人与机器的协作关系一直在变。 从最初"人推着Agent走"，到现在人去设计Agent应该怎么动，让它形成稳定的自我闭环、自我收敛的系统。之前看到过一句话：“在Loop出现之前，人是引擎；Loop出现之后，人是设计引擎的人。”

第二，验证的重要性将被逐渐提上日程。 李佳提出了一个极其关键的观点：Loop不是简单地"定时让Agent跑几轮"，它需要Agent有非常明确的验证能力，能自我感知偏差并迭代修复。“如果你没有一个很明确的验证，那你的Loop只能是一个错误的放大器。” 他举了一个生动的例子：“如果你让AI把文章变得更优雅，这个事情它只会自己转，越转越离谱。”

张弛（西湖大学）：问题取决于你做的东西的价值——应用价值主导Agent发展

张弛补充了一个"价值驱动"的视角。他指出，当前Agent范式服务于正在发生的问题，而未来什么问题会涌现，取决于应用的价值有多大。

他以内容生成领域为例：Veo3这样的视频生成模型对电影和短剧行业的冲击非常大，但目前的技术限制（一致性问题、遗忘问题）也很多。当"一句话创造一部电影"的价值足够大、被行业接纳时，自然会有大量新问题需要解决——比如管理角色身份（identity）、管理参数（parameters）、管理语言语调、管理跨镜头一致性——这些都会催生新的Agent概念甚至"新范式"。

开国（华为诺亚）：工业界的演变路径——从问答模型到自构建Agent

开国从华为诺亚的工业实践出发，描述了客户需求的演变路径：

1. 早期： 客户希望有一个自己的问答模型，用模型替代常识、知识、培训类内容。
2. 中期： 知识库越来越大，简单问答和微调不再满足需求，客户开始搭建RAG系统。
3. 当前： 有了Loop之后，客户希望把工程师的经验和个人习惯沉淀到系统中——催生了自演进、记忆系统、经验到技能的转化等方向。
4. 现在正在做： 如何让Agent在一个环境中自己做自构建、自演进，在具体场景下完成任务。

他特别提到一个实际挑战：当前Loop工具大多是通用的（如Codex最初为写代码设计，逐渐扩展到操作电脑、日常管理），但它们不是领域特定的。 金融、医疗等领域的专家在使用时，能接受初期效果不好，但希望"越用越好"——他们的行为习惯和知识能不断沉淀在架构里。这催生了Skill自合成等方向，但目前大部分场景下"还是没有专家写得好"。此外，同样两个专家用同一系统，习惯不同——如何把个性化习惯分开落到系统里，也是重大技术挑战。

二、Agent的核心工作单元在变化吗？开发者未来写什么？

1. 新的变化

基模团队与Harness团队的边界正在缩小，互相"相爱相杀"

主持人追问：在概念不断变化之下，Agent系统的核心工作单元是否发生了变化？未来开发者写的是代码、Prompt、Workflow还是某种新东西？

李佳提出了一个学术界和工业界之间的有趣张力：做基模的人认为基模就是一切，搭Harness的人是在"打补丁"；而做Harness的人认为基模能用就行，外围全靠Harness。 双方存在一种"相爱相杀"的关系——Harness团队勇敢地拓宽能力边界（成本不高），而基模团队不断通过后训练把Harness验证过的能力"吃进"模型里。

这种关系意味着：基模和Harness的边界在不断缩小。 张弛补充道，现在基模训练已经需要经过Agent Training，在训练过程中就要兼容下层会用到的Harness（比如callback机制），针对这些场景做特性数据优化。

2. 嘉宾观点与解释

张弛：未来记忆、工具调用、验证安全是重要模块，但模型推理能力强到一定程度后可能"踢掉"记忆系统

张弛认为Agent的技术组件可以理解为两层：一是大Loop本身（几百到几千行代码），二是周围的Harness（记忆系统、演进机制等，体量很大）。记忆、工具调用、验证和安全是当前比较重要的模块，但在未来模型拥有极强推理能力时，这些外围模块可能会被简化甚至"踢掉"。

在使用层面，他提到了一个重要趋势：从工程师搭流程，到提供工具让领域专家自己构建领域Agent。

张少林：Loop并没有减轻人的工作，而是要求人学会"提出好的目标"

张少林提出了一个反直觉的观察：虽然从Harness到Loop看似"给我们少了很多事"，但实际使用下来，到了"只给目标"的Loop模式下，人反而更需要思考怎么写好目标。 “我给它写好第一步、第二步、第三步干嘛时，反而没那么费心；到了只给目标的模式，我更需要思考怎么写出一个清晰、可验证的目标。”

他用了一个非常贴切的类比：“大家工作都遇到过不同的领导——有些领导安排任务你马上知道该怎么做，有些领导安排任务你很困惑。现在我们就是给Agent安排事情的那个领导。” 随着底层Agent的进化，人与它交互所需的能力要求也在发生变化——如何提出清晰、可验证的目标，将成为核心技能。

三、Agent间不用语言通信？潜空间通信的学术前沿与黑箱之忧

1. 新的变化

从语言通信到潜空间通信：信息无损但可解释性下降

主持人抛出了一个前沿学术问题：越来越多的研究者质疑Agent之间用语言通信的效率，提出让Agent在潜空间（latent space）或隐空间中通信协作。这到底意味着什么？

李佳给出了非常清晰的解释。当前Agent间用语言（文本）通信的原因是：语言是最通用、最可解释、最可审计、最方便的媒介。 但它有一个根本性问题——信息损失和额外开销：

一个模型本身就是在潜空间中做思考推理的。它把自己的思考结果强迫解码成离散文本，给另一个模型；另一个模型再把它转成隐式推理，继续往下做。这个过程中肯定会有信息损失和额外开销。

如果能让Agent直接在潜空间做推理和通信，理论上可以大幅降低开销。他提到了普林斯顿的AttnMS工作，验证了让Agent做隐潜空间推理、以KV Cache形式直接分发给另一个Agent的可行性——通信开销明显降低，整体准确率也有较好提升。 李佳自己的课题组在做长程推理Agent时，上下文也不再以纯文本轨迹保留，而是以隐空间中的高维向量存储，可以节省高达80%的通信开销。

2. 嘉宾观点与解释

李佳：未来可能是分层式的——机器之间用潜空间高速通信，人类审计时用语言层

李佳提出了一个极具想象力的未来架构设想：

未来也许会变成分层式的。对于Agent内部、多Agent内部，它们自己之间有一个像计算机系统总线一样的高速通道，用潜空间推理，效率足够高。但对于外层，人类在审计和解释的时候还有语言层，它仅仅是为了让人类观测内部究竟怎么工作的。机器与机器之间互相通信时，没有必要用语言。

但他也强调"语言不会死"，因为语言是给人类看的，具有天然的可解释性和可审计性。

张弛：潜空间通信在多模态领域价值更大——有些信息根本无法用语言无损表达

张弛从多模态角度补充了一个重要观点：在多模态语言模型中，潜空间通信的价值更大。因为对于图像等视觉信息，很多东西根本无法用语言无损抽象出来。

他以"风格"为例：你要让Agent传递一个"梵高风格"，无论是用尽语言描述还是给一个参考图例，都是有损的投影。梵高风格本身就无法精确定义——那这种"无法定义的东西，用不可解释的方式交流，就不是坏事。" 这为潜空间通信提供了一个哲学层面的合理性论证。

同时他提到端到端多模态模型（统一生成与理解）领域也在快速发展，潜空间通信对于这类模型的信息无损传递至关重要。

张少林：潜空间通信带来两个独特价值——端到端可训练和多模态信息保留

张少林梳理了潜空间通信的两个核心好处：

1. 端到端可训练： 如果在隐空间做交互，整个多Agent系统可以成为一个端到端可训练的系统，可以直接对整个系统做优化。
2. 多模态信息保留： 在多模态场景下，一个主Agent向子Agent分发多模态任务时，如果只能分发文本描述，多模态信息损失非常明显；直接传递隐空间向量则可以保留更多信息。

但他也指出了一个当前的关键瓶颈：异构模型之间的潜空间对齐问题。 GPT的模型和Claude的模型、开源模型，它们的隐空间是不对齐的。文本之所以通用，是因为所有模型在文本空间上天然对齐。隐空间要实现跨模型对齐，目前还没有成熟办法——这一步解决后，高效的多Agent系统才能真正落地。

主持人的追问：潜空间通信会不会让黑箱化更严重？

主持人提出了一个尖锐问题：AI一直面临"黑箱"困惑，我们一直在试图白盒化；在潜空间做无损信息交流，是不是会带来Agent层面更严重的黑箱化？

张弛的回答颇有启发性：潜空间通信不是"完全纯隐式的"，它只是在某些环节——这些环节怎么有效沟通是学出来的。比如你要学习并传递一个风格，你不需要精准地看到它，因为无论从视觉上看到还是从语言上描述，它都是一种有损投影。像风格这样本身就无法定义的东西，用不可解释的方式交流，不是坏事。

四、自进化Agent：为什么又火了？人会被边缘化吗？

1. 新的变化

自进化Agent概念不是第一次火，但这次由应用价值和大公司话语权共同推动

主持人注意到自进化Agent这个概念又火了，追问张弛：为什么这个方向之前火过、中间沉寂、最近又热起来？未来会完全自主化、人被边缘化吗？

2. 嘉宾观点与解释

张弛：自进化是从更高维度代替人，但"完全不用人参与"不见得是个好目标

张弛给出了一个务实的回答。从一种角度看，自进化就是不断从更高维度代替人，或者从工程实现角度看，是从不同维度把人做事的方式SOP化并套用进来。比如开软件公司的职责分配是一种SOP，优化人力资源分配是另一种SOP。

但他明确表示：“完全不用人来参与，不见得是个目标。” 他举了一个科研的例子：如果让Auto Research完全自主搞科研，你让AI围绕某个主题写论文，它可能真的搞不出来，质量不高也可能不专业。“某些环节有人的参与是必要的，你不需要无限地往上替代人。” 在某个环节上达到足够好的效果，可能是更想要的结果。

至于为什么最近又火了，张弛直言：“所有火的东西，都是一些有话语权的人和公司引领的，就像世界模型一样。” 这句话虽然简短，但点出了AI领域热度流动的真实驱动力——不只是技术成熟度，还有大公司和关键意见领袖的议程设置能力。

五、Loop模式下的验证危机：当代码仓库凌晨被提交万行commit

1. 新的变化

自主化程度越高，验证难度和成本急剧上升——Loop在某些领域"对客观性的摧毁比较大"

随着多Agent、自进化Agent、Loop本身的发展，主持人提出了一个关键问题：Agent系统架构会越来越复杂，验证的困难度和成本会不会越来越高？

这个问题引发了全场最具现实感的讨论。

2. 嘉宾观点与解释

李佳：验证本身就是极难的事——Loop对代码生产可能产生"灾难性后果"

李佳直言验证"非常非常非常难"。他给出了一个让所有程序员后背发凉的真实场景：

你把代码仓库全部交给Agent，仓库里可能有30%或10%的代码你不太理解。加上Loop之后，让它跑几轮，这个代码仓库本身的状态和你脑海中的状态已经相差非常非常大了。它凌晨给你提交了上万行的commit，你是要还是不要？

如果你要合并这些代码，必须人工Review——但生产级别的代码（不是demo级别），你不敢让Loop产生的代码直接放进去。所以必须有高级程序员去Review，“这个事情非常恐怖。”

李佳给出的实践原则是：只有当验证非常明确、任务非常重复、回滚也能接受时，才会考虑全自动Loop。 否则肯定还是"人在回路"（Human-in-the-loop）。

张弛：亲身使用Claude Code，早期还会Review代码，现在几分钟写出大量代码根本没法验证

张弛分享了自己的真实体验：随着Claude Code自动化程度增强，他已经不想看它写的代码了。早期还会Review，现在几分钟就可以写非常多的代码，根本没法去验证。Debug也从"AI写得多、人会看代码找Bug"变成了"报错直接给AI，完全让它来做"。

他由此指出一个更宏观的问题：人和机器如何协作，不只是AI出现后才有的问题。 从最早机器出现后，人机协同就一直是个困难问题，而在AI时代如何做好人机协作，值得深入研究。

开国（华为诺亚）：验证和安全将成为与大模型基础研究同等层级的课题

开国指出验证的难度和场景高度相关，他给出了一个清晰的分级框架：

华为诺亚已经专门成立团队做验证研究，核心包括：如何把弱监督信号变成更强、更明确的反馈；如何做根因分析（为什么错/为什么对）；以及安全维度——确保Agent执行过程有利于生产环境，不会被主动攻击（发垃圾文件、诱导泄露PPT内容等）。

主持人：内容平台的血泪教训——AI写的东西"一本正经胡说八道"

主持人从内容行业的角度分享了一个极具共鸣的案例。他们网站收到大量AI生成的"万字长文"，“标题又厉害，架构也厉害，但经不起细读。你仔细读就会发现它真的是一本正经胡说八道。” 目前内容验证100%靠纯人力，团队已经严厉禁止用AI纯写内容。

他由此发出了一个半认真的创业呼吁：“如果有人在这个验证层面做创业，光是在内容平台上，这个工具就能产生很多商业价值。”

六、多Agent系统：当前研究重点与工业落地挑战

1. 新的变化

单Agent能力增强必然催生多Agent——但协同、通信、安全三大问题远未解决

主持人将话题转向多Agent（Multi-Agent）系统，请各位嘉宾谈谈当前最主要的研究重点。

2. 嘉宾观点与解释

李佳：三个研究方向——协同、上下文通信、安全治理

李佳梳理了三个他认为重要的方向：

1. 多Agent间的协同机制。
2. 上下文与通信管理： 每个Agent有独立上下文，之间会出现冲突、过时等问题，传输也有开销。
3. 多Agent安全治理： 他提到DeepMind近期发表了多Agent安全相关的观点文章。未来数字世界可能有上百万个Agent——它们可以跨平台感知、互相认识、交流谈判，甚至代替人类进行金融交易。当这种Agent网络涌现出集体行为时，会不会出现不安全、有风险的集体行为？ 这是一个值得严肃对待的问题。

张弛：每个点都重要，但真正卡在哪里只有工业界更清楚

张弛认为，在当前阶段，多Agent的通讯、记忆、成本管理、安全都是未解决的问题。他指出一个重要的范式转变：再往前倒一两年，主流范式是拿SOP套MultiAgent；现在MultiAgent已经到了要解决通用且实际问题的阶段。 所有的技术组件（通讯、记忆、工具调用等）都在为这个目标服务。

他特别提到当前代表性产品：Claude Code（包括CloudX）内部有多智能体的通讯、记忆、成本管理——所有东西都在为它服务。至于哪个点最卡、最需要短期突破，工业界的人会更清楚。

张少林：两个核心研究方向——受限协作与MultiAgent训练

张少林团队目前聚焦两个方向：

1. 受限协作（Controlled Collaboration）： 单Agent做长任务时就有发散问题（做了很多轮后偏离最初目标），MultiAgent通过不断协作可能放大这个问题。他们在研究如何让多Agent在协作中完成复杂任务的同时保持"始终不易"（始终聚焦目标不偏移）。
2. MultiAgent训练： 他提到Kimi从2.5版本开始强调"Agent Swarm"（Agent分群）。之前大家做MultiAgent都是不训练的——在单Agent上做完后组合成MultiAgent。但真正想让系统表现更好，需要协同训练。如何把一个MultiAgent系统真正通过SFT或RL训练起来，是一个重要课题。

开国（华为诺亚）：工业落地中的两大挑战——任务编排与群体协同，以及大量"非标准技术问题"

开国从工业实践角度描述了两个主要方向：

1. 群体编排： 做群体就是为了拆分上下文、避免冗余，核心是如何分解子任务。
2. 群体协同： 涉及群体记忆等机制。

他特别指出工业落地的真实挑战：“任何一个技术落到具体的产品或工业里，都会暴露出很多细节问题。” 有些能抽象成标准技术问题（记忆、任务拆分），但还有很多是工程上的问题，这些都非常难。

他以华为诺亚的实际场景为例：在港口调度等企业管理场景中，任务非常庞大，单个Agent无法解决。团队正在探索如何把之前对多智能体的研究（集中式、分布式策略）迁移到大模型框架中。

七、Q&A：AI游戏NPC的动态架构——哪些可变，哪些不可变？

在圆桌尾声，一位做AI创业的观众提问：他们在做一款AI机器人游戏（游戏NPC架构类似OpenClaw），NPC会在每轮交互后动态更新长期记忆状态变量，但不会改变模型权重和游戏规则。在这种系统中，动态架构应该如何划分可变层和不可变层？

张弛：没有完美答案，记忆设计必须服务于产品需求

张弛坦言NPC场景的技术层面"不是很复杂"，但产品体验需要做大量努力。关于记忆，他列举了典型做法（长期记忆抽象、短期记忆保留、打点记忆、性格分类、高光记忆、结合检索），但强调**“没有一个最终的答案”——记忆的定义因产品而异，有些场景必须记住某些事，有些场景全是闲聊可以全部忘掉。“你没有一个清晰的规则告诉你哪些要保留、哪些要舍弃。”** 这必须和产品捆绑设计。

李佳：从问题出发——拿用户反馈来定位该优化什么

李佳给出了更务实的产品建议：关键不在于预设哪些是变量，而在于能不能拿到用户体验感不好的关键反馈。比如用户觉得是说话语气有问题，还是记忆有问题，还是交互频率不对、触发时机需要优化——拿到真实反馈后，才能知道该在哪个层面做修改。

总结：Agent新范式的本质与未解之谜

这场圆桌对话虽然没有得出"Agent是否有了新范式"的二元结论，但四位嘉宾从学术和工业两个维度，共同勾勒出了一幅清晰的演进图景：

1. 概念迭代的本质是"能力-预期不对等"的持续再平衡。 Prompt→Context→Harness→Loop不是范式革命，而是每当局势失衡就出现的新调节手段。未来还会继续交替演进。

2. 基模与Harness的边界在缩小，但不会消失。 基模团队不断"吃掉"Harness验证过的能力，Harness团队不断勇敢拓宽边界——这种"相爱相杀"是推动系统进化的核心动力。

3. 潜空间通信是值得期待的前沿方向，但跨模型对齐是关键瓶颈。 它能在多模态场景下实现接近无损的信息传递，但异构模型间的隐空间对齐问题未解决前，文本仍是唯一通用协议。

4. 验证是Loop时代最核心的未解难题。 从代码生产的"凌晨万行commit"到内容平台的"一本正经胡说八道"，验证困难度随自主化程度指数级上升。没有可靠验证的Loop只是"错误放大器"。

5. 多Agent已经从"拿SOP套用"进入"解决通用实际问题"的阶段。 协同、通信、安全、训练四大方向都有大量未解问题，而工业界比学术界更清楚真正的瓶颈在哪里。