AI Agent学习笔记:技术调研
- 2026-02-19 18:38:23
一、先搞清楚：AI Agent和语言大模型到底啥区别？
我前面有一篇讲了自己尝试的一个关于AI Agent特别简单的尝试从0到1：我在AI帮助下搭建的第一个生信AI Agent——一次手搓AI智能体的完整复盘
简单来讲，AI Agent利用了语言大模型作为大脑，对一个通过自然语言表达出来的数据分析任务进行解析并且执行。
AI Agent = 会思考的大脑(LLM) + 能干活的手(工具) + 记得住事的本子(记忆) + 会规划的脑子(推理)
春节期间发现Kimi上线了Kimi 2.5 Agent，实战简单体验下
大年初一，我想尝试下用AI agent收集近20年的春晚节目单，看看有什么变化趋势。
如果用传统方法，我得：
去各个网站搜每年的节目单
复制粘贴到Excel或者文档
用Excel或者R/Python整理数据、做分析
做可视化图表
估计得花一整天，还不一定找得全。
然后我试了试Kimi Agent，只给了一句话：
"你能帮我找近20年来的春晚节目单？然后进行比较分析吗？给数据，给图，给出分析"
Kimi Agent的执行过程是这样的：
它自己规划了步骤：先搜数据源→收集每年数据→整理结构化→分析趋势→生成图表
它调用了搜索工具：自动查找历年春晚节目单
它处理了数据：把收集到的信息整理成表格
它做了分析：统计了歌舞、小品、相声、魔术等各类节目的占比变化
它生成了可视化：用图表展示了20年的趋势变化
整个过程大概10分钟，我基本没动手，就在旁边看着它一步步执行。
分析的过程和中间文件，也有展示：
最后我得到了：
完整的20年春晚节目单数据表
各类节目占比的变化趋势图
一些有意思的发现（比如小品数量在减少，歌舞类占比在上升）
结果不算精细，但是很像样子了。
通过这个例子，我们可以看出语言大模型是"动嘴"给你建议，AI Agent是"动手"帮你干活。
尝试下让kimi agent安装分析基因组突变的软件GATK，就开始启动了安装。在安装失败后，尝试了conda安装哈哈哈。真好，痛苦留给它...终于做了安装conda的尝试后，kimi agent放弃了表示受到一些环境限制，但是给了完整的解决方案：怎么装软件，跑流程，以及做下游分析和图形的Python代码。
二、AI Agent的发展：我整理的三个阶段
查资料的时候，我发现AI Agent的发展可以分成三个阶段，挺有意思的：
阶段一：基础工具调用（2023-2024）
这时候的AI学会了"调用工具"。比如：
你问天气，它去调天气API
你让它算公式，它去调计算器
技术名词叫Function Calling，是OpenAI在2023年6月推出的功能。
但这时候的AI只能做单一任务，不会自己规划多步骤。就像那种"你说一步，它做一步"的感觉。
阶段二：多Agent协作（2024-2025）
这个阶段开始有趣了。查资料的时候看到AutoGen和CrewAI这两个框架，它们让多个AI可以像团队一样协作。
举个例子（来自CrewAI的官方文档）：
你要策划一场发布会，可以设置三个Agent：
研究员：负责搜集竞品案例
写手：负责写文案和流程
分析师：负责数据处理和图表
三个AI同时开工，最后由一个"协调员"汇总成果。效率比一个人干快很多。
阶段三：自主规划（2025-现在）
现在最前沿的是OpenClaw和MCP协议这些技术。查资料的时候看到几个关键词：
长期记忆：AI能记住之前的对话，不用每次都重复交代背景
自主规划：你给一个大目标，它能自己拆解成步骤
自我进化：能从经验中学习，越做越好
听起来很科幻，但看Youtube上的demo视频，确实有人在用这些东西自动化处理甚至比较复杂的日常工作了。
三、OpenClaw：为什么突然这么火？
查OpenClaw的时候，被它的数据惊到了：
19万+ GitHub Stars
5天突破10万star（据说是GitHub历史上增长最快的项目）
200+预置Skills
它到底是啥？
OpenClaw github关于自己的描述：
OpenClaw is a personal AI assistant you run on your own devices. It answers you on the channels you already use (WhatsApp, Telegram, Slack, Discord, Google Chat, Signal, iMessage, Microsoft Teams, WebChat), plus extension channels like BlueBubbles, Matrix, Zalo, and Zalo Personal. It can speak and listen on macOS/iOS/Android, and can render a live Canvas you control. The Gateway is just the control plane — the product is the assistant.
If you want a personal, single-user assistant that feels local, fast, and always-on, this is it.
是一个开源的，可以本地部署，多通道的可持续工作的AI助手操作系统。
并且从底层架构就为 AI Agent 工作方式而设计的。
类比的话：
智能手机 = 平台 + 各种App
OpenClaw = 框架 + 各种Skills（技能）
它的架构（我整理的五层结构）
查技术文档的时候，看到OpenClaw有五层架构，我用一个类比来理解：
我用一个类比来理解：
但我也查到了一些风险提示
逛GitHub Issues和技术社区的时候，发现OpenClaw有一些安全隐患：
RCE漏洞风险：权限太大，如果被恶意利用挺危险的
第三方Skills风险：来路不明的Skills可能有恶意代码
隐私问题：本地数据可能被意外访问
OpenClaw的尝试应该起始于一个干净的机器，比如大家发现mac mini就是一个很合适的机型。朋友圈有位医生朋友花了一周时间在Mac mini上做了一个可以自己检索、阅读、解析文献的助手。
四、MCP协议：Anthropic推出的标准化方案
查MCP的时候，发现它是Anthropic（就是开发Claude的那家公司）在2024年11月推出的，全称Model context protocol,模型上下文协议。
它解决什么问题？
我查到一个很好的类比：MCP就像AI世界的"USB-C接口"。
没有MCP之前：每个AI模型要对接每个工具，都是单独开发，复杂度是M×N。
有了MCP之后：大家都按同一个标准来，一次接入，处处可用。
实际应用案例
查资料的时候看到几个支持MCP的应用：
MCP vs OpenClaw的区别
我的理解：OpenClaw是"车"，MCP是"高速公路标准"，虽然目前OpenClaw的Siklls是其专属框架。
五、其他框架我也查了一下
除了OpenClaw和MCP，多Agent领域还有不少框架：
六、发展趋势
2026年十大趋势
查资料的时候看到资料提到这些方向：
长期自主性：AI能连续执行数周任务
Computer Use：AI能像人一样操控电脑
多智能体协作：多个AI像团队一样工作
具身智能体：AI连接物理世界（机器人）
Agent经济：AI之间能自主交易协作
自我进化：AI能从经验中学习优化
边缘部署：AI能在手机等本地设备运行
跨模态融合：视觉、语言、音频统一理解
记忆机制突破：短期+长期记忆能力
安全标准化：权限控制、沙箱隔离成标配
七、我的学习计划和疑问
准备做的事
把最近做的一点生信工作做成自主的多agent系统。
还没搞懂的问题
查资料的过程中，也有一些疑问还没找到答案：
OpenClaw的安全问题到底多严重？
MCP协议现在有多少实际应用？
学习曲线到底多陡？
关于本地还是云服务该怎么选择？
如果有了解的朋友，欢迎在评论区指点一下。
八、总结
这次调研下来，我对AI Agent的理解是：
它不是噱头，确实能解决一些重复性工作
但也没那么神，现在的Agent还需要人监督，不能完全自主
技术变化很快，今天学的明天可能就过时了
感觉不管自己会不会做专属业务的agent，学习和善用agent已经成为大势所趋。哪些事情是可以充分利用agent来做的，已经成为时时需要叩问自己的问题了。
参考资源（我查到的）
OpenClaw GitHub：https://github.com/openclaw
OpenClaw document: https://docs.openclaw.ai
MCP官方文档：https://modelcontextprotocol.io
LangChain文档：https://python.langchain.com
CrewAI GitHub：https://github.com/crewAIInc/crewAI
