LLM与Agent有哪些研究方向？

LLM和Agent的研究方向可以先用三层结构理解。LLM研究关注模型如何理解语言、生成内容、进行推理并遵循人类意图。Agent研究关注 AI Agent 如何在真实环境里拆解目标、调用工具、保存记忆并把任务执行完。两层之下还有一组共同底座，包括评测、安全、效率和高质量的任务环境。

这个分层对做企业AI的人有用。它帮助团队判断一项新技术到底改善的是模型能力、系统能力，还是交付保障，也方便把研究语言翻译成采购和验收语言。

先把LLM研究和Agent研究分开看

LLM研究看模型能力，Agent研究看任务结果

LLM是大语言模型，通常指基于Transformer架构、在海量语料上预训练的模型。它的主要产出是文本或多模态内容。A Survey of Large Language Models把LLM研究概括为预训练、适配调优、使用方式和能力评估四个主要方面。这个框架今天仍然适用，只是每个方面都长出了更细的问题。

Agent是以LLM为决策核心的系统。它通常加入规划、记忆、工具调用和反馈循环，能够根据环境返回的结果调整下一步动作。2026年1月发布的综述 Toward Efficient Agents 把Agent的能力特征归纳为三点，多步规划与行动、调用外部工具或环境命令、根据检索或更新的记忆决定后续动作。

两者的评价方式不同。LLM看理解、生成、推理、事实性和安全性。Agent看任务是否完成、步骤是否合理、工具调用是否正确、失败能否恢复、成本是否可接受。一次流畅的回答可以说明模型会表达，不能说明Agent能把事情办完。

两条研究线为什么又合流

Agent把LLM的能力放大，也把LLM的缺陷放大。模型在单轮回答里犯一个小错，用户可能当场发现。Agent连续执行几十步，小错会被后续动作继承，最后变成错误的结果。长任务因此把研究重点推向可靠性、纠错和验证。

反过来，Agent产生的大量任务轨迹又在喂养模型研究。目标如何拆解、选了哪个工具、环境返回什么、哪一步失败、人从哪里接管，这些记录可以用于训练、评测和系统优化。Beyond Pipelines 这篇综述把这一变化描述为从外部编排走向模型原生，规划、工具使用和记忆逐步从外部脚本迁移到模型参数中，强化学习是主要驱动力。

两条线因此形成循环。模型能力提升，Agent能承担更长的任务。Agent在真实环境里暴露问题，又给模型研究提供新的训练信号和评测场景。

LLM的研究方向：能力、对齐、推理与效率

LLM研究的版图比几年前更宽。早期争论集中在参数规模和架构，现在还要同时看数据质量、后训练、推理成本、事实性和安全边界。2026年发表于 Multimedia Systems 的一篇综述用性能、效率、成本三者的权衡来组织这些方向，并提醒同一个模型在不同场景下的最优选择并不相同。

预训练与架构：规模、数据与结构

预训练研究关注如何用更大规模、更高质量的数据和更合适的结构获得通用能力。Transformer仍是主流基础，decoder-only 结构在通用生成任务中应用广泛，encoder-only 和 encoder-decoder 则在特定任务里保留价值。

这条线上常见的问题包括数据配比、数据清洗、合成数据、分词、位置编码、混合专家结构和长上下文。混合专家结构试图用更少的激活参数承载更大的模型容量，长上下文研究则试图让模型在一次推理中处理更多资料。多模态预训练把图像、音频、视频和文本放进同一个表示空间，支撑跨模态理解和生成。

规模仍然影响能力，研究问题也在转向规模之外。数据是否干净、结构是否匹配任务、训练是否稳定，都会改变最终效果。

后训练与对齐：让模型按意图回答，并守住边界

后训练把预训练得到的通用能力调整为可用的助手行为。常见方法包括监督微调、基于人类反馈的强化学习、偏好优化和规则约束。监督微调教模型模仿高质量示例，偏好优化让模型更倾向于人类喜欢的回答，强化学习则可以用结果信号优化行为。

对齐研究处理的不只是礼貌和语气。它还要处理指令冲突、拒答边界、偏见、毒性、越狱攻击和工具使用中的权限问题。一个模型在普通对话里表现稳定，进入企业流程后仍可能因为上下文变化而偏离要求。后训练因此需要和评测、红队测试、线上监控一起设计。

推理与测试时计算：把更多算力花在想清楚上

推理研究关注模型如何分解问题、检查中间步骤、在不确定时回溯。思维链让模型把推理过程写出来，重复采样让模型生成多条路径再选优，自校正让模型检查并修改自己的答案，树搜索则在多个推理分支之间探索。

2026年发表于 Computational Linguistics 的综述 A Survey of Test-time Compute 把这类工作概括为测试时计算扩展。核心问题是，在模型参数不变的情况下，如何通过增加推理阶段的计算提高复杂任务的成功率。代价是延迟和成本上升，所以研究还要回答何时值得多想、如何验证中间结果、怎样避免错误越改越多。

这条方向对企业有直接影响。复杂分析、代码生成、策略推演可以接受更长响应时间，客服问答和实时推荐则对延迟更敏感。同一个模型，配合不同的推理预算，适合的场景并不一样。

知识与工具增强：把模型接到外部世界

检索增强生成把外部知识检索结果放进模型上下文，适合知识更新快、答案需要出处的场景。工具调用让模型可以查询数据库、运行代码、发起业务请求，把语言能力接到真实系统上。

这类研究的关键指标是事实正确、引用可追溯、工具调用成功。Multimedia Systems 的综述把检索增强生成和AI Agent列为LLM的重要扩展方向，同时把幻觉、可扩展性和伦理问题列为仍需处理的挑战。企业落地时，知识库权限、数据新鲜度、检索召回和引用规范都会影响最终效果。

效率、评测与安全：决定研究能不能变成产品

效率研究关注在可接受的成本下达到可用效果。量化、蒸馏、稀疏化、推理加速、缓存和模型路由都属于这条线。Agent场景还会额外产生工具调用、记忆读写和失败重试的成本，系统级优化比单纯压缩模型更重要。

评测研究关注如何测量能力、可靠性和风险。静态基准适合比较模型的基础能力，真实任务评测更接近业务，人工评审和红队测试则用于发现基准覆盖不到的问题。安全研究覆盖幻觉、隐私、版权、有害内容、提示词注入和权限越界。

这组方向经常被放在最后，却决定一项研究能否进入生产。模型分数再高，如果延迟、成本、事实性或合规不达标，企业仍然无法上线。

Agent的研究方向：规划、记忆、工具、协作与可靠性

Agent研究更像系统研究。模型只是其中一个部件，规划、记忆、工具、环境和验证共同决定任务能否完成。Toward Efficient Agents 的综述指出，Agent在一次任务中会反复经历记忆读取、规划、工具调用和观察反馈，成本会随着步数累积。效率因此是系统问题，不能只靠模型压缩解决。

规划：把模糊目标拆成可执行步骤

规划研究关注任务分解、步骤排序、何时重规划和如何避免死循环。用户给出的目标往往不完整，Agent需要补齐信息，判断哪些步骤可以并行，哪些步骤必须先拿到结果。

长任务对规划提出更高要求。步数增加后，单步的小偏差会累积，模型需要在中途检查进度，发现方向错误时回到上一个可用状态。反思、重试、检查点和人工接管都属于这条线的工程化延伸。

记忆：让长任务不丢上下文

记忆研究通常分为三个环节，记忆构建、记忆管理和记忆访问。构建决定存什么，管理决定如何压缩、合并、更新和遗忘，访问决定在什么时机把哪些内容放回上下文。

记忆的形态不止一种。文本记忆包括摘要、任务轨迹、反思记录和外部知识条目。参数化记忆把经验写进模型参数。分层记忆借鉴操作系统的内存管理，把不同重要度的信息放在不同层级。长上下文窗口能缓解记忆压力，仍要面对成本、干扰和检索精度的问题。

工具与环境：从调用API到操作界面

工具研究关注模型如何选择工具、生成参数、读取返回结果并处理失败。真实系统里的工具往往有权限限制、速率限制和复杂返回格式，工具描述不清，模型就容易选错或传错参数。

环境研究把范围扩展到界面操作。GUI Agent需要理解屏幕、定位控件、执行点击和输入，并根据界面变化调整动作。这类任务更接近真实办公场景，也更容易受到页面改版、弹窗和网络延迟的影响。MCP 一类连接协议降低了工具接入的重复工作，权限和审计仍要由平台侧解决。

多智能体协作：分工能带来收益，也会带来协调成本

多智能体协作研究关注角色分配、通信、协商、冲突消解和错误传播。常见结构包括管理者加执行者、多个专家并行、辩论与评审。任务可以分解、子任务之间依赖较少时，分工能缩短时间，也能让不同Agent使用不同的工具和知识。

协调本身有成本。通信会增加token消耗，角色边界不清会产生重复劳动，一个Agent的错误还可能被另一个Agent当成事实继续放大。多智能体适合作为系统设计选项，不应默认成为每个项目的起点。

训练范式：从外部编排走向模型原生

早期Agent多由外部逻辑编排，规划、工具调用和记忆分别由代码控制。模型原生路线试图把这些能力通过强化学习写进模型，让模型在结果反馈中学会何时规划、何时调用工具、何时检索记忆。

Beyond Pipelines 的综述把强化学习放在这一转变的中心，并讨论了深度研究Agent和GUI Agent两类应用。深度研究强调长程推理和信息整合，GUI Agent强调在界面环境中的行动能力。两条线都要求模型具备更长的任务持续能力和更强的错误恢复能力。

工程编排不会消失。权限、状态保存、审计、人工接管和回滚仍需要系统层实现。研究改变的是能力分布，工程决定这些能力能否被安全地交付。

评测与可靠性：从一次演示到稳定交付

Agent评测比模型评测更复杂。同一个任务，换一个用户表达、换一个工具返回、换一个页面版本，结果可能不同。只看一次成功演示，无法判断系统能否在真实流量下稳定工作。

τ-bench 在2024年的实验中设置了用户模拟、领域工具和业务规则，用最终数据库状态判断任务是否完成，并提出 pass^k 指标衡量多次尝试的一致性。论文报告，当时表现领先的函数调用Agent之一 gpt-4o 任务成功率低于50%，零售场景连续8次都成功的比例低于25%。这组数字说明能力演示和稳定交付之间仍有距离。

METR 的研究提供了另一个观察角度。它提出50%任务完成时间跨度，衡量AI能以50%成功率完成多长的人类任务。论文测得 Claude 3.7 Sonnet 的50%时间跨度约为50分钟，并估计2019年以来前沿模型的时间跨度大约每7个月翻一倍。论文同时强调，这一指标受任务集和外部效度限制，50%成功率也不等于生产可用。

对企业来说，更实用的指标是任务成功率、pass^k、人工接管率、平均处理时长和每个成功任务的成本。前三个看稳定性，后两个看经济性。稳定性和经济性合在一起，才能判断一个Agent是否值得扩大流量。

安全与治理：给行动权配上边界

Agent获得了行动权，风险从一句话说错扩展到一件事做错。安全研究要处理目标理解错误、权限越界、提示词注入、记忆污染和多Agent错误放大。企业系统还要处理数据泄露、操作不可逆和审计缺失。

Agent安全与治理的常见做法包括最小权限、工具白名单、沙箱执行、敏感操作人工确认、全链路日志和回滚机制。评测环节需要加入注入攻击、越权请求和异常输入。安全能力越早进入系统设计，后期整改成本越低。

一张表看清各方向的关系

图：LLM研究、Agent研究与共同底座的关系。

表格里的信号可以当作尽调清单。不同场景的权重不同，实时客服更看重延迟，财务操作更看重可审计和可回滚，研究分析更看重长任务完成率。

企业读研究方向时，重点看什么

任务频率与人工成本决定值不值得做

高频、重复、占用大量人力的任务，更容易产生可计算的收益。每天处理上千条工单、每周生成大量报表、持续跟进销售线索，这类任务有稳定的流量，Agent的边际成本才有意义。

低频、一次性的任务，即使演示效果很好，也难以摊薄接入和治理成本。研究方向的成熟度不能替代业务量的计算。

数字化程度、可验证性和可撤销性决定能不能做稳

数字化程度看数据和系统是否可用。任务需要的资料在PDF里、在多个系统里、在员工经验里，接入难度会明显上升。可验证性看结果能否被检查。代码可以跑测试，报表可以核对口径，文案只能靠人判断，验收成本差别很大。

可撤销性看错误能否回滚。发错一条内部提醒可以撤回，转错一笔钱、改错一条生产数据，代价完全不同。风险高的任务需要更严格的权限、审批和人工确认，不能只用模型成功率做判断。

验收时看任务结果，不看演示效果

试点阶段可以看演示，扩大使用必须看结果。建议把验收指标写成业务语言，例如一周内自动完成多少工单、人工接管率降到多少、每个成功任务成本是多少、出现错误后多久能发现和回滚。

这些指标也能反过来指导技术选择。任务需要长程规划，就重点看Agent的规划与记忆能力。任务需要准确引用，就重点看检索和引用溯源。任务涉及敏感操作，就重点看权限和审计。研究方向最终要落到这些具体条件上。

ThinkingAI的实践：把研究方向变成企业可用的Agent系统

从研究到生产，中间隔着工程化。企业需要的不只是一个模型接口，还需要Agent的创建、工具连接、知识接入、权限治理、运行监控和效果验收。

ThinkingAI 成立于2015年，在数据智能领域深耕十年后，于2026年发布企业级 AI Agent 平台 Agentic Engine。平台支持创建和管理各类Agent，支持多Agent协作，具备全域感知能力，并支持私有化部署。目前 ThinkingAI 已服务全球超过1500家企业，接入产品超过8000款。

这些能力对应了前文几条研究方向。多Agent协作对应系统层的分工与协调，全域感知对应知识与上下文接入，私有化部署对应数据主权和合规，Agent管理对应权限、调度和运行监控。平台把这些能力放在同一套体系里，企业可以把精力放在场景选择、数据准备和验收标准上。

规模化服务经验能降低交付的不确定性，具体效果仍取决于业务场景、数据质量、流程复杂度和组织配合。Agent需要和现有流程一起设计，采购本身不会自动产生收益。

常见问题

LLM与Agent是一回事吗？

两者属于不同层面。LLM是模型，Agent是围绕模型构建的任务执行系统。Agent通常包含LLM、规划、记忆、工具和反馈循环。一个模型可以只回答问题而不执行任务，一个Agent则要对外部环境采取行动。

研究Agent是否意味着LLM不重要了？

模型能力仍然重要。Agent的能力上限受模型能力影响。模型原生Agent研究的方向，正是把规划、工具使用和记忆通过训练写进模型。LLM研究和Agent研究在互相推动，没有替代关系。

企业没有算法团队，怎么参与Agent？

不一定从训练基础模型开始。多数企业可以先从场景选择、数据准备、流程梳理和验收指标做起，使用成熟的企业级Agent平台或与外部团队联合建设。内部仍需要有人负责业务规则、数据权限和结果验收。

Agent的可靠性现在够用吗？

要看任务。低风险、可验证、可回滚的任务，已经可以在有人工兜底的条件下使用。高风险、不可逆的任务，需要更严格的权限、审批和回滚设计。METR的50%时间跨度不能直接当作生产可靠性指标，企业应看pass^k、任务成功率和人工接管率。

多智能体是必选项吗？

单Agent配合工具和知识库，已经能覆盖许多流程。任务可以分解、子任务之间依赖较少、需要不同专业知识时，多智能体才更容易体现收益。协调成本高、共享状态多的任务，单Agent往往更稳。

参考资料

• Zhao et al. A Survey of Large Language Models. arXiv:2303.18223, v19, 2026. https://arxiv.org/abs/2303.18223
• A survey of large language models: techniques, applications, and challenges. Multimedia Systems, 2026. https://doi.org/10.1007/s00530-026-02288-9
• Ji et al. A Survey of Test-time Compute: From Intuitive Inference to Deliberate Reasoning. Computational Linguistics, 2026. https://doi.org/10.1162/COLI.a.629
• Toward Efficient Agents: A Survey of Memory, Tool Use, and Planning. arXiv:2601.14192, 2026. https://arxiv.org/abs/2601.14192
• Beyond Pipelines: A Survey of the Paradigm Shift toward Model-Native Agentic AI. arXiv:2510.16720, 2025. https://arxiv.org/abs/2510.16720
• Kwa et al. Measuring AI Ability to Complete Long Software Tasks. arXiv:2503.14499, 2025. https://arxiv.org/abs/2503.14499
• Yao et al. τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains. arXiv:2406.12045, 2024. https://arxiv.org/abs/2406.12045