下载掌阅APP，畅读海量书库
立即打开
AI Agent互联技术的发展，是推动AI Agent广泛应用的关键。通过实现AI Agent之间及AI Agent与外部系统之间的高效协同，AI Agent具备了更强的任务执行、工具调用和系统集成能力，显著提升了实用性和自动化水平。标准化与平台化降低了开发门槛，使构建AI Agent更便捷；同时，接入实时数据和上下文信息，也让服务更加智能和个性化。早期多Agent通信虽有FIPA、KQML等尝试，但因技术限制难以普及。Web API虽解决了部分集成问题，但缺乏通用性。随着LLM的兴起，LangChain、AutoGPT、OpenAI插件系统和AgentVerse等平台相继出现，提升了AI Agent的工具接入和自主协作能力，推动了AI Agent的标准化发展。新一代“AI Agent互联网”正在形成，多个智能体通过统一协议协同工作，为用户完成更复杂的任务提供支持。
平台是AI Agent互联网生态系统的重要基石，提供了创建、管理和连接AI Agent所需的基础设施与开发工具，显著降低了开发和部署门槛。这些平台支持多Agent协作与跨系统整合，助力AI Agent深度嵌入各类业务流程，并拓展至办公自动化、客户服务、数据处理等多种场景。通过免费试用、低成本接入方案以及与现有系统的无缝整合，平台有效提升了中小型企业的可访问性。同时，平台还注重用户体验、界面友好性及安全隐私保障，增强了用户的信任度与满意度。
互联技术的持续演进是AI Agent大规模应用的关键基础。所谓互联，指的是AI Agent之间以及AI Agent与外部系统之间实现高效协同和无缝连接的能力。借助这一能力，AI Agent能够跨平台调用工具、共享数据、协作完成复杂任务，显著提升其实用性与智能化水平，为其在各个行业中的广泛落地奠定技术基础。
互联技术使AI Agent能够访问更广泛的资源与工具，从而执行更复杂的任务。这种能力显著提升了AI Agent在多场景下的实用性，包括跨平台操作、复杂工作流的自动执行以及多源数据的整合分析，提升了其在实际业务中的价值。
技术的标准化和平台化推动了AI Agent的低门槛开发与部署。不需要高深的编码能力，开发者和企业用户即可通过图形界面、自然语言等方式快速构建与集成AI Agent，从而极大地提升开发效率并加快应用普及速度。
互联的AI Agent能够在多系统、多平台之间协调操作，实现高度自动化的任务执行。这种能力使企业能够有效减少人工干预，提高运营效率，并推动智能流程在各类业务系统中的广泛落地。
通过接入实时数据和上下文信息，AI Agent可以根据用户的具体需求提供更具针对性的响应和服务。这种基于场景的智能适配能力，为用户带来了更加精准、自然的交互体验，进一步提升了AI Agent的吸引力，扩大了其适用范围。
随着人工智能和网络技术的发展，AI Agent不再是孤立的单体。人们开始探索多Agent系统，让多个AI Agent协作完成复杂任务。在这一过程中，通信协议、协作机制和知识共享技术不断演进，为“AI Agent互联网”的形成奠定基础。AI Agent互联技术通过功能增强、门槛降低、自动化水平提升和个性化服务，为AI Agent的普及提供了坚实基础。而AI Agent互联网平台则通过提供基础设施、构建生态系统、降低成本和提升用户体验，在AI Agent的应用推广中发挥了不可或缺的作用。
早在20世纪90年代，学术界就提出了让多个AI Agent彼此通信并协作的设想，并制定了早期标准。例如，FIPA（AI Agent标准组织）提出了Agent通信语言（ACL）和协议，使不同开发者的AI Agent能交换消息。类似的还有KQML（知识查询与操作语言），旨在让AI Agent用统一格式分享知识。然而，这些早期尝试更多停留在研究和特定行业应用上，并未带来大众化的AI Agent互联网。原因在于当时AI Agent的智能水平有限，联网AI Agent的应用需求不强，加上各系统差异大，标准推进困难。
在通信协议方面，HTTP和API的兴起提供了另一种途径。20世纪末到21世纪初，随着互联网的普及，AI Agent开始通过标准Web API访问服务。例如，聊天机器人可以通过HTTP请求查询数据库或天气服务。这虽然不是专门为AI Agent设计的协议，但实用性强。然而，每接入一个新服务仍需要开发者定制集成：Google日历对应一套接口代码，SQL数据库对应另一套接口代码，二者各有认证标准和数据格式。缺少通用标准使得多Agent协作仍不方便—AI Agent之间或AI Agent与数据源之间无法实现即插即用的通信，需要人工“翻译”。
在知识共享机制方面，早期多Agent系统有时采用黑板模型，即共用一个信息黑板，AI Agent可以在上面读写信息，间接交流。但这要求所有AI Agent部署在同一框架内，对开放的互联网环境不太适用。总体而言，在LLM时代之前，AI Agent互联主要通过定制接口或在统一平台内协作来实现，扩展性和互操作性都有限。
进入21世纪20年代，尤其是2023年后，随着LLM技术的突破，Agent技术迎来“出圈”式爆发。LLM让AI Agent拥有了更强的自然语言理解和推理能力，也催生了一系列面向多Agent协作和工具接入的平台，推动了AI Agent互联网雏形的形成。以下是几大关键平台及其作用。
LangChain是一个开源的开发框架，自2022年开始流行。它提供标准化的“工具”接口，开发者可以将各种功能（如网络搜索、计算器）封装为工具供LLM调用。它还支持记忆、对话控制等模块，使构建具备多步推理能力的AI Agent更加容易。
LangChain的出现降低了门槛。大量预构建的工具（超过500种）可直接使用，这促使许多应用开始尝试让AI Agent连接互联网查询信息或调用数据库等，从而提升了AI Agent的互操作性（不同工具有统一接口）。
不过，在LangChain框架下，每个工具背后仍需有定制实现，AI Agent需要事先通过代码“知道”有哪些工具可用。
AutoGPT是2023年初开源的一个基于GPT-4的实验性项目，展示了自主AI Agent的潜力。基于用户给定的高层目标，AI Agent会自行分解任务、连续调用自身和工具来完成目标。
它能联网搜索信息、执行代码、写入文件等，仿佛一个不断自我迭代的数字员工。因展示了AI Agent自动执行任务的惊人能力，AutoGPT一经推出便在GitHub上爆红，短时间内收获数十万星标。
然而，AutoGPT也暴露了其局限性：没有统一标准约束，各项功能都依赖脚本堆叠实现；AI Agent容易陷入逻辑循环或“跑偏”，需要人为监控。它最大的贡献在于普及了“自主AI Agent”的概念，促进了后续众多AI Agent应用和框架的出现。
OpenAI在2023年为ChatGPT推出了插件系统，可视为让AI Agent安全访问互联网服务的一种解决方案。插件根据公开的OpenAPI规范描述自己的API，ChatGPT经过授权后就能调用这些第三方API。例如，旅行预订插件允许AI直接查询航班信息并下单。
插件系统将外部工具调用标准化（使用OpenAPI schema描述API），并限制每个插件的能力范围以确保安全。插件系统的意义在于，它证明了用统一格式描述服务可以让AI Agent理解并调用各种应用。
插件系统的不足在于封闭性：插件需要通过OpenAI的审核才能接入，只服务于OpenAI自己的平台，且多数插件的交互是一问一答的调用，缺乏持续的双向会话。
AgentVerse是由Fetch.ai等推出的开源平台，旨在支持多Agent协作和可扩展部署。AgentVerse提供了一个灵活的Python框架，开发者可以定制多个Agent角色及其交互逻辑。
它的特点是强调扩展性：开发者可以方便地增加新AI Agent或新工具，让多个AI Agent组成网络并协同工作。比如在去中心化场景下，不同公司或个人的AI Agent可以通过AgentVerse网络交易数据或服务。
虽然AgentVerse主要面向技术开发者（缺少无代码界面，对普通用户不太友好，如smythos.com），但它代表了未来AI Agent互联网去中心化的一个方向—人人都可以部署自己的AI Agent，并让这些AI Agent通过统一框架协作起来。
除上述平台外，业界还有其他探索，例如微软提出的HuggingGPT（用一个大模型统筹调用多个专用模型服务）、斯坦福大学提出的Generative Agent（模拟多个AI角色在虚拟社区内互动）等。这些创新共同推动着AI Agent互联网的形成：不同能力的AI Agent通过统一的中间层或协议互联成网络，各司其职又协同工作，为用户完成复杂任务。
在这些应用场景中，过去用户需要手动操作多个网站，而现在AI Agent作为中介串联起不同服务，初步体现了AI Agent互联网的价值。