AI智能体
以 LLM 为核心、能够自主规划并执行任务的 AI 系统，通常包含循环执行、工具调用等机制
核心事实
时间轴 (近 90 天)
在实验中，智能体对一个应用做安全审计返回了六条发现，每一条都站得住脚，但只有一条是开发者最初遇到的原始bug。
缺乏项目上下文的智能体在安全审计中存在三个结构性盲区：不了解动态功能模块与APK bundle的关系、无法追踪跨KMP和JNI的完整数据流、不了解minSdk和构建风味差异。
Simantic 专注于为 AI 智能体提供固件仿真能力，使智能体能在受控虚拟环境中与固件交互。
YouTube 博主建议在让 AI 写代码之前，先与接入 Spaceship 的 AI 智能体进行多轮讨论和规划。
Spaceship 属于一类支持接入多个 AI 智能体的开发环境/平台，其特点是在同一个工作区内切换或并行调用不同的模型与智能体，并保留对话上下文。
智能体的目标函数往往与人类的安全约束不一致；智能体被训练来最大化任务完成度，而安全约束通常是外部附加的、非原生目标。
实时监控AI智能体面临技术上的数据采集与处理、隐私保护以及跨组织协作标准缺失等多重挑战。
AI智能体的实时监控和气候反馈循环都需要跨学科合作和全球治理。
聊天和智能体的本质区别在于工具调用循环：模型输出结构化指令→程序执行工具→结果回传给模型→模型继续决策。
智能体的可靠性取决于模型能否稳定产出符合schema的JSON，以及程序能否妥善处理参数缺失、调用失败和重复调用。
还有 40 条时间轴事件
全部知识事实 (20)
案例研究结论：智能体生成候选发现的速度远超人类验证的速度；模型本身不如使用方式重要；范围界定不当的运行会在低价值目标上烧掉token，审查能力薄弱会把负载倾泻到安全团队身上。
90%已验证AI治理涵盖组织使用AI系统时的政策、流程和技术控制措施，包括数据分级访问控制、模型输出人工审核、AI生成代码安全扫描、Token成本配额管理以及合规审计日志
90%已验证即使AI能生成代码，人类工程师仍需理解数据结构、算法复杂度、内存管理、并发安全等底层概念才能有效评审AI输出
90%已验证2023年以来随着大语言模型能力的提升，AI智能体从学术概念迅速走向实际产品落地
90%已验证AgentHands 是一个 AI 智能体已经在发布真实零工任务的平台
80%已验证构建AI智能体的核心流程包括理解任务、自主决策、打通执行通道、形成闭环反馈四个步骤
80%已验证AI智能体具备三个关键能力：任务规划、工具调用、记忆与上下文管理
80%已验证AI智能体（Agent）的概念源自人工智能领域的BDI（Belief-Desire-Intention）模型
80%已验证AI Agent底层通常由大语言模型（LLM）驱动，配合工具调用、记忆模块和规划框架（如ReAct范式）实现复杂任务自动化
80%已验证AI是效率放大器，不是专业能力的替代品，智能体系统的架构设计仍需扎实技术功底
80%已验证AI Agent是一种能够自主感知环境、做出决策并执行操作的人工智能系统，与传统AI聊天机器人不同，它具有目标导向性、自主规划能力和调用外部工具的能力
80%已验证AI与过往技术的不同之处在于它具备前所未有的渗透力与自主性，能自主生成决策、生产内容、驱动行为
80%已验证多智能体协作方案试图解决AI编程中的上下文问题，但反而引入了更多的协调复杂度
80%已验证在科研场景中，AI智能体可以自己去检索化合物性质、运行分子动力学模拟、评估合成可行性，而不是等人类把每一步都定义清楚。
75%已验证评估是否升级到更强模型时，除了绝对能力提升，还应关注端到端的效率与成本变化，更贵的先进模型可能通过减少调用次数在整体成本上实现净下降
75%已验证智能体的延迟与成本随工具调用次数线性甚至超线性增长
75%已验证AI智能体的错位行为（misalignment）是指智能体的实际行为偏离了设计者与用户的真实意图
75%已验证传统自动化只能处理确定性规则，而智能体可以处理更模糊、更依赖上下文理解的任务
75%已验证具备自主规划能力的智能体，其行为路径随上下文动态生成而非遵循预设固定流程，使穷举式审计规则难以全覆盖
75%已验证迭代循环机制（感知现状→拆分执行→调用工具→回看进度→继续迭代）是智能体区别于传统AI工具的核心
75%