Workflow or 自主智能体？网易CoreAgent如何打造企业级智能体平台新范式
从 2023 年起，AI Agent 成为大模型应用发展的核心关键词。不同于传统的大模型应用，Agent 所承载的不仅是“生成能力”，更是“执行能力”——理解目标、拆解流程、调用工具、自主执行。在企业面临业务流程复杂化、任务链动态化的新阶段，构建具备“行动力”的智能体，正在成为AI落地的新解法。
在SECon 2025全球软件工程技术大会上，网易CodeWave技术专家赵忠杰带来主题为《从Workflow到Agent：构建自己的自主智能体》的重磅分享，围绕当下最前沿的AI Agent技术趋势与企业落地实践，系统解析了自主智能体的关键特性与技术演进路径。
01 AI智能体是什么？
人工智能智能体（AI Agent），指的是一种具备感知能力、决策能力、执行能力与反馈能力的自主运行系统。它不仅能够接收外部信息，还能够在内部进行处理判断，并基于预设目标主动采取行动，甚至在执行过程中根据环境变化进行自我修正。
早在23年初OpenAI官方就发布了一篇关于自主智能体综述的文章：https://lilianweng.github.io/posts/2023-06-23-agent。文章中将agent(也就是自主智能体) 定义为大模型LLM、记忆Memory、任务规划Planning以及工具使用Tool use的集合。
- 规划planning：主要包括子目标分解、反思与改进。将大型任务分解为较小可管理的子目标处理复杂任务，而反思与改进则可以对过去的行动进行自我批评与反思，从错误中学习并改进未来的步骤，从而提高最终结果的质量。
- 记忆memory：分为短期记忆与长期记忆。长期记忆通常需要借助于外部的存储设施如向量数据库。
- 工具tools：通过学会调用外部不同类型工具/API来获取模型中缺少的额外信息。如获取此刻的天气。
- 动作action：大模型结合问句query、上下文context、规划plan以及工具tools，最终大模型决策出需要执行的动作是什么。
模型本身并不会真正执行action，模型只会以文本的形式来告诉智能体如何执行action，进而由智能体真正执行action。智能体执行action后会感知环境的变化并接收反馈，再将反馈输送给LLM，从而LLM决定下一步要执行的action，形成自主运行闭环。
02 智能体发展路径与平台实践
随着AutoGPT、BabyAGI为代表的Agent框架相继问世，标志着AI开始从“问答工具”向“自主执行体”跃迁。而Manus等产品的爆火，也进一步验证了Agent技术在实际工作流自动化中的潜力。在这一趋势驱动下，企业对 AI 的角色预期也在发生结构性变化。过去，企业引入 AI 的主要目标在于辅助知识工作、提升交互效率，而现在，越来越多的业务团队开始期待构建一类真正具备自主行为能力的“数字员工”或“业务角色型 Agent”。
为应对这一趋势，CoreAgent作为面向企业级应用场景打造的智能体平台应运而生。CoreAgent 聚焦智能体的构建、运行与持续进化，提供任务调度、知识支撑、工具调用与安全托管等核心能力。平台内置沙箱机制保障运行可控，搭载插件化知识库支撑业务语境理解，配合记忆与反思机制，帮助企业构建真正可用、可控、可演化的智能体系统。
目前，CoreAgent 已在业务流程中落地应用并展现出稳定的工程化效果。以“智能产品设计助手PMKiller”为例，该智能体能够在用户仅提供一句产品需求的前提下，自动生成设计蓝图、撰写 PRD、搭建原型页面，并根据后续用户修改意见动态更新任务执行路径，完整体现了智能体在理解、规划、执行、调整等多环节中所展现的自主性与系统性。
PM Killer应用演示
03 从流程编排到自主智能：AI Agent的能力跃迁
传统的AI系统多依赖“Workflow智能体”完成任务，其本质是由人预设固定的调用流程，大模型在既定轨道中逐步执行任务。这类模式优势在于结构清晰、结果可控，适用于流程稳定、标准化程度高的业务场景，如客服问答、表单填报、流程审批等。但面对动态环境、模糊目标或复杂任务链条时，这类僵化结构往往难以应对。
Workflow智能体
相比之下，“自主智能体”具备更高维度的感知、决策与适应能力。它不仅能接收输入，还能基于任务目标主动规划执行路径，动态调用外部工具，与环境进行交互，并在过程中进行自我修正。这种能力范式的转变，让AI不再只是被动响应的“流程执行者”，而成为具备目标感、策略感与反馈能力的“主动行动者”。
自主智能体
当前主要围绕两种能力范式构建智能体系统：一种是 ReAct 机制，它融合了Reason（推理）和Act（行动）两个关键环节，与LLMs结合的通用范式，支持AI在执行任务前生成明确的思考逻辑，并根据逻辑调用外部工具或数据资源，形成“边思考边行动”的闭环机制。另一类是“Plan & Execute”模式，则进一步强调AI事前制定全局计划，并按步骤执行，每步都具备可回顾与纠偏的能力，适用于复杂、多步骤的任务处理。
例如，在复杂的产品设计流程中，自主智能体可以基于一句需求，自动生成蓝图、拆解子任务、调用代码生成器完成原型构建，并在执行中不断修正方向，实现从0到1的自动推进。这类任务的最大特点，就是流程不固定、目标不唯一、自主判断不可或缺。
CoreAgent平台兼容并融合这两种机制，一方面保障智能体有足够的自主性应对复杂任务，另一方面也通过规划器与执行器协同，提升执行的连贯性与准确率。
除了对任务本身的规划与执行能力，自主智能体还应具备“反思”和“记忆”能力。CoreAgent引入了反思式执行机制，即智能体在任务结束后会自我评估并归纳经验，构建“长期记忆”用于未来任务的快速优化。
在连接现实世界的能力上，平台采用了MCP协议，标准化了大模型与外部工具间的数据交换格式与执行流程，使得工具调用更加高效、灵活、安全。无论是接口服务、数据库检索，还是调用插件工具，Agent都具备更强的执行自由度。
这意味着，自主智能体正在摆脱“工具属性”，成为具备主观行为链的系统角色。它不再是大模型的附属，而是一种全新的AI运行形态——能够感知、能够决策、能够行动，也能够反思。CoreAgent正是围绕这一目标，为企业提供了完整的技术基础。
04 网易 CoreAgent 平台构建：打造企业级智能研发底座
在实际工程层面，为了支撑一个具备真实行为能力、自主任务管理能力以及持续学习能力的智能体系统，CoreAgent 平台围绕自主配置、任务执行、感知反馈、安全托管、知识支撑与系统闭环等几大核心能力模块，系统性地搭建出了一个支持智能体全生命周期运行的技术体系。
灵活可控的智能体配置系统
在开发侧，CoreAgent 提供了高度模块化的智能体配置能力，企业可以根据业务目标灵活设定每一个 Agent 的基本能力结构，包括角色定义、提示词注入方式、调用的大模型基座、关联的私有知识库、预装工具插件、资源使用配额、运行超时设定、安全审查策略以及前端用户交互行为（如开场白、推荐问题、多轮追问等）。这一配置体系使得 Agent 的构建不再是底层代码能力堆叠，而是具备业务可控性与可视化定制能力的角色建模过程。
Planner + Executor 协同执行引擎
在任务执行结构方面，CoreAgent 构建了“Planner + Executor”的协同执行架构：Planner 模块负责接收用户输入、识别任务目标、生成结构化的任务规划路径；Executor 模块则根据任务规划逐步推进执行过程，包括调用模型能力、接入工具系统、处理异常反馈、调整任务节奏、管理执行状态，并在执行过程中实现多轮自反馈。两者构成闭环式运行模式，支持复杂任务的稳定推进与动态纠偏，从而让智能体不仅能够“理解任务”，更能够“推动任务完成”。
多层环境感知机制
为了让智能体具备在复杂环境下动态适应的能力，CoreAgent 在系统中引入了多层感知机制，能够实时捕捉包括用户输入变化、可用工具变动、知识库更新、任务失败反馈、上下文切换、历史行为结果等在内的外部与内部信号变化，并基于感知结果自动调整执行路径与策略调用，确保智能体在运行过程中具备响应外部变化的能力，而非局限于“静态任务执行器”的单一行为逻辑。
任务反思与双层记忆体系
在任务执行闭环之外，CoreAgent 还为每一个 Agent 构建了具备“记忆”和“反思”能力的知识沉淀系统。通过短期记忆机制，智能体可以维持当前任务链的上下文状态与用户意图连续性；通过长期记忆机制，平台可以将成功路径、最佳执行步骤、失败经验等内容进行结构化记录，并在后续任务中以策略模版形式调用，从而在每次任务执行中积累经验，实现从“能执行”向“执行得更好”的认知演进。
平台中的反思机制则进一步增强了这一能力，Agent 在任务完成后将自动发起过程复盘，对路径选择进行评估，对策略选择进行优化建议，实现自我总结、自我改进。
安全可控的沙箱运行机制
在平台运行环境方面，CoreAgent 为每一个 Agent 配置了隔离运行的沙箱容器，具备权限控制、资源限制、故障隔离、行为审计、日志记录等完整功能，确保智能体在运行过程中的行为可控、过程可回溯、数据可审计，并满足企业在数据安全与模型治理方面的合规要求。
沙箱系统支持模板化构建与多环境调度，能够根据智能体执行需求进行弹性扩展，同时提供系统监控接口与运行日志快照服务，支撑任务行为与资源状态的全链路可视化追踪。
MCP 工具生态与调度市场
为了解决智能体“连接世界”的问题，CoreAgent 构建了基于 MCP协议的统一工具调度体系。企业可以通过 MCP Market 将内部接口、自动化脚本、调用工具等模块以标准插件形式注册入平台生态，Agent 在任务执行过程中可按需调用这些能力插件，并通过标准化参数格式、安全校验机制与调用权限控制，完成从模型决策到系统执行的闭环联动。该机制确保了智能体在任务过程中不仅“能做出决策”，也真正“具备行动能力”。
插件化私有知识体系与检索增强机制
在知识支撑层面，CoreAgent 平台基于插件化 RAG 架构搭建了企业私有知识库系统，支持结构化文档管理、问答对齐、策略配置、检索方式灵活组合，并引入大模型裁判打分机制对知识问答效果进行评估与调优，保障智能体在调用知识时不仅高效，还能准确覆盖业务上下文。此外，平台还支持知识编排流程可视化管理，使知识库不仅是一个静态信息堆，而是可构建、可组合、可评估、可演化的知识系统。
系统架构全景与运行闭环
平台整体架构由 Agent 生命周期管理器、MCP 市场管理器、沙箱环境控制器、Agent Server 运行协调模块、日志快照服务、知识组件引擎、NASL脚本调度语言等核心模块构成，形成了一个覆盖智能体从开发、部署、运行、调优、反馈到进化的完整闭环，使企业可以真正构建起“可用、可控、可生长”的 Agent 系统基础设施。
05 从工具到伙伴，智能体能力持续进化
未来，AI Agent 将不再只是一个工具，而是企业数字化体系中的核心角色。从具备自主感知、计划、执行，到实现自我反思与持续学习，智能体正逐步具备接近“人”的协作能力。
CoreAgent 智能体应用平台也将持续打磨，围绕运行性能、智能体能力和平台生态三个方向不断优化：在性能上，将进一步提升智能体运行效率与稳定性；在能力上，将增强环境感知、记忆、反思、多模态处理等核心能力，并引入更多专业化智能体，支持更复杂的任务；在生态上，则将持续拓展工具与知识插件体系，构建多智能体协作机制。同时，平台也将服务更多企业客户，在真实场景中落地更多智能化方案，不断吸收反馈、反哺产品演进，构建真正可落地、可持续演进的智能体系统。