Transformer 与大规模预训练语言模型奠定基础；早期系统开始把检索、计算器、搜索引擎接到模型之外，形成“模型 + 工具”雏形。
AAgentPath
HISTORY TIMELINE
AI Agent 发展史
沿时间轴理解 Agent 如何从模型与工具增强，演进到可控交付与协议化协作。每一段都配有示意结构图，并可跳转到相关论文与官方文档继续学习。
VISUAL TIMELINE
时间轴学习路径
按时间推进阅读；点击资料链接可打开论文或官方文档。
Encoder / Attention InstructGPT / ChatGPT 让通用对话能力普及；插件、函数调用和工具 API 让模型能调用外部能力，Agent 从论文走向产品原型。
Model → Tools ReAct 把“思考—行动—观察”写成可复用循环；Auto-GPT、BabyAGI 等把自主 Agent 推到大众视野，也暴露幻觉、失控循环与成本问题。
Think → Act → Observe 行业从“完全自主”转向可控 Workflow + 有限自主 Agent；强调 RAG 证据、人工审批、评测、预算与可观测性。
Guardrails MCP、Skills、Harness、Browser Agent、多智能体协作成为工程主线；企业关注交付质量、安全边界与岗位技能匹配。
MCP + Agents
CONCEPT BOUNDARY
概念对照（可跳转学习）
Chatbot
以对话为中心，单轮或多轮回答问题，通常不主动规划多步行动。
- 适合问答与内容生成
- 工具调用可选但有限
- 结果可预测性较高
Workflow
按预定义步骤执行，确定性强，适合稳定业务流程。
- 步骤固定、可审计
- 成本与延迟可控
- 遇到开放决策时不够灵活
Agent
在目标约束下自主选择工具与下一步，形成观察—决策—行动循环。
- 适合开放式任务
- 需要护栏、预算与评测
- 失败模式更复杂
Multi-Agent
多个角色分工协作（规划、执行、审查），用协议与共享状态对齐。
- 可拆解复杂任务
- 通信与一致性成本上升
- 适合研究、编码、评审场景