Generative Agent，中文通常译为生成式智能体，指以大语言模型为推理核心，能够记录经历、形成判断、规划行动，并在环境中持续完成任务的 AI 智能体。它关注行为怎样被生成，也关注任务怎样被完成。
2023 年，斯坦福大学与 Google Research 的研究者发表了论文《生成式智能体：人类行为的交互式模拟》。他们构建了一个虚拟小镇，让 25 个智能体在里面生活。这些智能体会记住遇到的人，反思发生过的事，安排第二天的行程，还会因为一个开派对的念头，自主传播邀请、约定时间并一起到场。论文把这类系统描述为能够模拟可信人类行为的计算软件智能体。
今天企业语境里的生成式智能体，范围更宽。它通常指能围绕业务目标拆解任务、读取企业知识、调用工具并完成多步流程的 AI Agent。两者共用记忆、反思和规划这套机制，差别在目标。一个偏向模拟行为，一个偏向完成工作。要判断它和普通 AI Agent 的差别，可以先看它是否保留任务状态，是否会根据执行结果调整下一步。
生成式智能体是什么
把定义拆开，会更容易理解。
英文里的 generative agent 什么意思？直译就是生成式智能体。在部分资料里，它也被写作生成式 AI 智能体，指向的是同一类系统。这里的生成，指行为由模型根据当前目标、记忆和环境生成。规则系统通常只能走固定分支，生成式智能体可以读取历史工单、判断问题类型、选择回复策略，再决定是否转交人工。
智能体，指它不只输出内容，还会感知环境、做出决策并采取行动。Deloitte 在 2024 年 11 月的技术预测中，把这类系统描述为能够在极少或无人监督下完成复杂任务、达成目标的软件方案。目标由人设定，怎样完成由系统决定。
记忆与规划，让行为能跨时间保持一致。没有记忆，每一步都是孤立的问答。有了记忆，智能体知道自己做过什么、哪些方法失败过、下一步该查什么。
一个实用的判断标准是看五件事。有没有明确目标，能不能保留任务记忆，会不会拆解步骤，能不能调用外部工具，能不能根据结果调整或交还给人。只完成一问一答的，仍是聊天助手。能围绕目标把多步任务做完的，才接近生成式智能体。
生成式智能体如何生成行为
它的运行方式是一个持续循环。一次问答只覆盖其中一步。论文给出的智能体架构包含三个核心部件，记忆流、反思和规划。
记忆流
记忆流用自然语言记录智能体经历过的事，包括自己做了什么、看到了什么、和别人说过什么。每条记录带有时间、内容和重要程度。
当智能体需要行动时，系统会从记忆流里检索相关记录。论文使用的检索依据有三项，最近发生的事、与当前情境相关的事、被认为重要的事。三者共同决定哪些记忆进入当前的判断上下文。这样做的原因很实际。完整记忆远超模型一次能处理的长度，全部塞进去反而会稀释重点。
反思
只有零散记录还不够。智能体会定期把记忆合成为更高层的判断，再把判断写回记忆。比如连续几次看到用户在深夜提交工单，可能形成“这类用户更在意响应速度”的判断。下一次遇到类似情况，它会优先检查服务时效。
反思让智能体从记得发生过什么，走到能据此形成看法。论文的实验也发现，去掉反思能力后，智能体在回答和行动上的可信度会明显下降。
规划与反应
规划把当前目标和环境转成行动序列。智能体先形成一天或一个任务的粗略计划，再逐层拆成更具体的步骤。执行过程中，新观察会进入记忆流，触发它判断是否继续原计划，还是调整路线。
这三个部件连起来，就是一个持续运行的循环。观察进入记忆，记忆支持反思，反思参与规划，规划产生行动，行动又带来新的观察。计划本身也会被写回记忆，成为后续判断的材料。
图：生成式智能体的行为循环。观察进入记忆，记忆支持反思，反思参与规划，规划产生行动，行动带来新的观察。
放到企业任务里看
假设某款产品的次日留存下降。生成式智能体接到“查清原因并给出方案”的目标后，可以先确认留存指标的口径，再按渠道、版本和新老用户拆分，发现某个买量渠道的新用户留存异常。它会去查这个渠道近期的投放变化，结合历史活动记录提出几个可能原因，然后调用实验平台配置小流量验证。涉及预算或正式投放的动作，交给负责人审批。
这个例子里，价值来自把查数、对比、归因、配置实验串成一条链，并在每一步留下依据。评价这类任务，要看它能否把链路跑完并留下依据，单次回答的流畅度参考价值有限。
生成式智能体、生成式 AI 和 AI Agent 有什么区别
三个词经常混用，可以用一张表看清各自的重心。
| 概念 | 主要做什么 | 典型输出 | 常见形态 |
|---|---|---|---|
| 生成式 AI | 用模型生成文本、图像、代码等内容 | 内容 | 写作助手、绘图工具、代码补全 |
| 聊天机器人 | 围绕对话给出回答 | 回答 | 客服问答、知识问答 |
| AI Agent | 围绕目标规划并执行多步任务 | 任务结果 | 数据分析 Agent、运营 Agent |
| 生成式智能体 | 用记忆、反思和规划生成持续行为 | 行为与任务结果 | 虚拟角色、企业任务 Agent |
关系可以这样理解。生成式 AI 是模型能力，聊天机器人是一种交互形态，AI Agent 是一类能规划并执行任务的系统，生成式智能体强调行为由生成模型驱动。Agentic AI 则更强调自主程度，关注系统能否自己决定行动路径。
判断一个产品是不是智能体，容易只看它会不会调用接口。更可靠的依据是四件事。它是否自己拆步骤，是否保留任务状态，是否能读取工具返回的结果，是否在失败时换路径或交还给人。四项都具备，才值得按智能体来评估。
企业里哪些任务适合交给生成式智能体
适合的任务通常有三个共同点，步骤多、规则可以描述、结果可以验证。下面三类场景比较典型。
多步分析
从“为什么下降”到“哪里下降、为什么、接下来做什么”，分析任务天然包含多步。生成式智能体可以读取指标定义，调用查询工具，按维度拆分，结合历史事件提出假设，再把结论和依据一起输出。前提是指标口径统一，否则它会沿着错误的口径一路推理。
知识密集的服务
客服、内部支持、方案咨询这类工作，难点在于找到正确资料并判断适用条件。生成式智能体可以检索产品文档、历史工单和政策版本，给出带来源的回答，遇到权限外或高风险问题转交人工。知识可追溯是这里的必要条件，答案要能回到具体文档和版本。
跨系统执行
运营场景里，圈选人群、生成策略、配置触达、做 A/B 实验、复盘结果，往往跨多个系统。生成式智能体可以在授权范围内调用这些系统，把一条运营链路跑完，并在关键节点等待审批。它能做的是执行和协同，策略目标仍由业务负责人设定。
反过来，目标模糊、数据口径混乱、错误不可逆的任务，不适合直接交给它。更稳妥的做法是先拆小，保留人工确认点，再逐步扩大授权范围。
企业落地前要补的三块基础
数据与知识
智能体答得对不对，很大程度取决于它拿到的数据口径和业务知识是否统一。指标定义、用户分群规则、产品文档、历史策略，都需要整理成可检索、可版本化的知识。指标口径不统一时，先补语义层，再谈 Agent 自动化。
权限与审计
企业任务一旦涉及真实数据和系统操作，权限控制就不能靠提示词。最小授权、操作日志、敏感数据保护、高风险动作审批，都要做在平台层。这样出了问题时，才能回溯它看了什么、调用了什么、改了什么。
评估与回退
上线前要定义可量化的验收标准，比如任务成功率、引用准确率、平均耗时、单次成本、人工接管率。上线后要能按同一口径复核，失败时能回退到上一个稳定版本。没有这套机制，智能体很容易停在演示阶段。
以 ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 为例，平台把知识、权限、审计和执行轨迹放在同一套底座上，支持私有化部署和多 Agent 协作。ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款。这类底座的价值，在于让不同场景的 Agent 共享企业知识和治理规则，不必每个场景各建一套。
生成式智能体现在还不能做什么
第一，长链路任务的稳定性仍然有限。论文作者在评估中发现，最常见的错误包括没有检索到相关记忆、对记忆做了虚构补充、继承了语言模型过于正式的说话方式。单步看起来问题不大，步骤一多就会累积。
第二，高风险决策不能交给它拍板。预算审批、人事决定、对外承诺，这些动作的后果不可逆，适合让智能体准备依据、整理选项，最终由人决定。
第三，目标本身模糊时，它很难给出可靠结果。智能体放大的是明确目标下的执行力。要做什么、做到什么程度、哪些不能做，仍需要人先定义清楚。
在企业场景里，生成式智能体的能力边界由记忆质量、工具权限和评估机制共同决定。 把这三样补齐，它才可能从演示走进日常业务。
FAQ
生成式智能体和 ChatGPT 有什么区别？
ChatGPT 这类产品以对话和内容生成为主，生成式智能体则多了记忆、规划、工具调用和行动循环。模型可以是它的推理引擎，但智能体是一套能持续完成任务的系统。判断时看它能不能围绕目标把多步任务做完，不只看回答是否流畅。
生成式智能体会自己学习、自己进化吗？
不一定。它可以在任务中积累记忆、形成反思，但这不等于重新训练模型。记忆能改善连续性，也可能把错误一起保留下来。企业需要定期清理记忆、复核知识来源，并用评估结果决定哪些经验可以复用。
企业应该自建还是采购？
看数据敏感度、工程能力和上线时间。自建能控制数据和流程，但要承担平台、权限、评估和运维的长期工作。采购上线更快，但需要确认能否接入现有数据、系统和管理机制。先从一个高价值、可验证的场景做起，比一开始铺开更稳妥。相关判断可以参考企业 AI Agent 建设模式对比。
怎么判断一个产品是不是生成式智能体？
问四个问题。它能不能围绕目标自己拆步骤？能不能保留任务状态和上下文？能不能调用工具并读取返回结果？失败时能不能调整路径或交给人？如果只能一问一答，它更接近聊天助手。四项都能给出具体证据，才值得进一步评估。
参考资料
- Park 等，Generative Agents: Interactive Simulacra of Human Behavior，arXiv 2304.03442，2023 年，https://arxiv.org/abs/2304.03442
- Deloitte，TMT Predictions 2025: Autonomous generative AI agents，2024 年 11 月，https://www.deloitte.com/us/en/insights/industry/technology/technology-media-and-telecom-predictions/2025/autonomous-generative-ai-agents-still-under-development.html
