如果把过去几年关于 Agent 的研究放在一起看，会发现一个非常有意思的现象。
表面上，论文主题五花八门：
- 工具调用
- 规划
- 记忆
- 多 Agent
- benchmark
- 安全
- 领域落地
但如果往深一层看，这些工作其实都在围绕同一个核心问题打转：
如何让语言模型不只是生成语言，而是进入任务过程，并在过程中保持可控。这也是 Agent 研究真正重要的地方。
它不是简单把模型变成“更会聊天”的系统，而是在尝试解决这样一个更难的问题：
模型如何在不确定环境中持续推进任务，而不失去稳定性。
从研究演化看，大致可以看到三段变化。
第一段，是“能力解锁”。
研究者开始证明模型不仅能回答，还能推理、规划、调用工具、分解任务。
第二段，是“结构外化”。
大家发现仅靠 prompt 不够，开始把工具、记忆、规划、反思、多 Agent 这些能力显式地做成外部结构。
第三段，是“真实环境验证”。
研究逐渐从静态 QA 转向真实网页、真实软件工程任务、真实实验、真实临床流程和真实多步环境。
如果把这三段压成一句话：
Agent 研究的主线，是模型从“会回答”走向“会在结构中行动”。但如果只停在这句话上，仍然还不够。
第 31 章真正想回答的，是：过去几年这么多论文、benchmark、系统卡和落地案例，究竟共同证明了什么，哪些幻想被证伪了，哪些方向开始变得可信。
从结果上看，它们至少证明了五件事。
第一，语言模型确实可以进入任务过程，而不只是停留在语言表面。
早期很多人怀疑，模型只能“看起来像会做事”，本质上仍然只是概率续写。但从 ReAct、Toolformer、Reflexion、MRKL 到后续大量工具调用、规划执行、反思纠错工作，一个核心事实已经被反复证明：只要给出合适的外部接口与反馈回路，模型不仅能生成语言，还能把语言转化为任务推进中的中间控制信号。
这意味着研究已经越过了一个早期门槛：
模型并非只能做回答器，它确实可以成为任务系统中的决策体。第二，单靠模型自由发挥，并不足以稳定完成复杂任务。
这大概是过去几年研究中最重要、也最容易被忽略的一条结论。
如果只看少数惊艳案例，会误以为模型只要再强一点，就能自动解决规划、工具、记忆、长期执行、协作和恢复这些问题。但大量研究恰恰反过来证明：任务越长、环境越真实、外部工具越多，纯 prompt 式自由发挥越容易崩。于是，规划器、工具接口、显式记忆、外部状态、角色划分、反思回路、审批与评测开始不断被外化为结构。
所以，过去几年研究真正证明的不是“万能 Agent 快来了”，而是：
模型能力要想转化为任务能力，必须借助结构。第三，真实环境会系统性揭穿静态智能幻觉。
这是 benchmark 革命带来的重要变化。WebShop、Mind2Web、WebArena、AgentBench、AgentBoard、OSWorld、SWE-bench 等工作之所以重要，不只是因为它们提供了更多测试集，而是因为它们把 Agent 拉进了真实网页、真实仓库、真实桌面和真实多步环境里。
一旦进入这些环境，很多原本在静态问答里表现不错的方法就会迅速暴露问题：
- 工具会选错
- 页面会跳转
- 状态会丢
- 长链会漂移
- 环境噪声会累积
- 成功条件不再由自然语言裁判，而由执行结果裁判
于是，研究界被迫承认一个更严厉的现实：Agent 不是语言表现问题，而是环境中的任务控制问题。
第四，可控性、安全和评测已经从附属主题变成主结构。
早期 Agent 研究更像“能力解锁”竞赛：能不能用工具、能不能多步推理、能不能多 Agent 协作。后来研究越来越发现，真正困难的不是把系统做得更主动，而是把主动性放进可评测、可监督、可限制的边界里。系统卡、agent safety benchmark、trace grading、trajectory evaluation、process reward model、workflow eval 等方向的兴起，都说明领域正在从“能不能做”转向“做成什么样才可接受”。
因此，第 31 章第一条结论应该是：
过去几年 Agent 研究真正证明的，不是模型会越来越像人，而是模型必须被放进可执行、可评测、可约束的系统结构里，才能稳定地像系统一样工作。第五，研究对象正在从“通用方法”走向“任务系统”。
这一点在领域落地里尤为明显。coding agent 不再只是写一段代码，而是要在真实仓库中检索、修改、测试、提交；science agent 不再只是生成研究想法，而是要进入实验、写作、审稿和工具链；medical agent 不再只是回答医学问题，而是进入临床工作流、电子病历环境和决策链；operations 与 industrial agent 也开始进入 SOP、优化、仿真和流程控制。
这说明研究关注点正在变化。
过去更像在问：“有没有一种通用方法让模型像 agent 一样行动？” 现在越来越像在问：“在这个具体任务系统里，模型、工具、状态、验证和治理该如何共同组织？”
这也是为什么今天真正高质量的 Agent 研究，看上去越来越不像一个算法点子，而像一套任务系统设计。
换句话说，过去几年研究还证明了一件很现实的事：Agent 不是一个单独模块，而是一类新的系统构造方式。
这就能解释为什么研究主题看似很多，实际上却在持续收敛。工具调用证明了模型可以接外部能力，规划与反思证明了模型可以在回路中纠偏，benchmark 证明了真实环境会暴露系统缺陷，多 Agent 证明了协作需要角色与边界，安全与评测证明了自治必须接受治理。所有这些方向并列起来，最终都指向同一个研究命题：
如何让一个基于语言模型的系统，在复杂环境中完成多步任务，同时仍然保持边界清晰、轨迹可查和行为可控。因此，第 31 章最后要留下的判断是：
Agent 研究过去几年并没有证明“模型足够强就能自动成为万能执行者”；它真正证明的是，模型只有在结构、环境、评测和治理共同成立时，才可能成为可靠的任务执行系统。