如果只看单篇论文，很容易觉得每篇都在提出新机制、新术语、新范式。
但当论文数量拉到足够多，会出现一些非常稳定的共同结论。
第一条结论是：
工具、规划、记忆、评测、安全、协作这些能力，不再是附加项，而是主结构。
也就是说，研究界已经越来越不把 Agent 看作一个“强 prompt”，而是看作一个结构化系统。
第二条结论是：
模型自由度不是越高越好。
许多成功工作并不是让模型完全放开，而是通过更强的外部结构限制它、支撑它、纠正它。
第三条结论是：
长链任务一定会暴露状态问题。
只要任务足够长、足够真实，状态管理、记忆治理和反馈回流就会成为主问题，而不是边缘问题。
第四条结论是：
多 Agent 的价值来自角色差异，而不是数量。
如果没有明确的角色设计，多 Agent 很容易变成昂贵而混乱的对话。
第五条结论是：
真正高质量的 Agent 评测，一定会越来越接近真实环境。
一旦评测进入真实网页、真实软件仓库、真实临床流程、真实实验流程，很多“看起来很聪明”的系统都会迅速暴露出巨大差距。
这些共同结论合在一起，其实指向同一个方向：
Agent 的成熟，不在于模型越来越自由，而在于系统越来越结构化。但如果真要把 100 多篇论文压缩成几条可以长期成立的判断，就不能只停留在“结构化很重要”这种泛论上。
第 32 章真正要做的，是把大样本观察压成几条跨 benchmark、跨任务、跨方法仍然成立的稳定结论。
第一条，结构始终比裸能力更重要。
这几乎是所有方向共同指向的最强结论。无论是工具调用、规划执行、显式记忆、多 Agent 协作、安全约束，还是 workflow 设计，成功工作大多都不是让模型自由发挥得更多，而是把更多边界外化成结构。换句话说，研究越往后，越不把 Agent 看成“更强一点的 prompt”，而看成“模型嵌在结构里运转的系统”。
因此，第 32 章第一条结论应该是：
从大样本论文看，Agent 成功的决定因素越来越不是模型自由度，而是外部结构质量。第二条，真实环境会持续惩罚表面智能。
这一点在网页、桌面、软件工程、临床和工业 benchmark 中都非常明显。只要任务进入真实环境，模型的脆弱点就会迅速暴露出来：状态会漂，工具会错，约束会漏，长链会断，副作用会累积。很多在静态数据集上表现亮眼的方法，一旦进入可执行环境，成功率就明显下降。
这说明一个很稳定的事实：Agent 能力不是一个抽象推理分数，而是环境交互中的稳定性。
第三条，状态与记忆不是增强项，而是风险项和主控制项。
越往长任务、真实任务走，状态管理就越从边角问题变成中心问题。记忆能带来连续性，但也带来污染、隐私泄露、目标漂移、错误沉淀和恢复困难。很多论文一开始把 memory 当增益模块，后来越来越多工作开始同时研究 memory governance、state drift、memory poisoning 和 state write guards。这说明领域已经逐渐承认：状态不是“能记住更多”的问题，而是“系统是否还能维持同一个世界模型”的问题。
第四条，多 Agent 的价值来自分工质量，不来自数量堆叠。
如果横向看足够多多 Agent 论文，会发现一个很稳定的模式：只有在角色、边界、交接和控制权清晰时，多 Agent 才会带来收益；否则只会带来成本、漂移和协调错误。manager-worker、planner-executor、debate、review、handoff 这些形式之所以有效，不是因为“多几个人说话更聪明”，而是因为它们把不同职责从单一模型里拆开了。反过来，没有清晰角色的多人协作，往往只会制造冗余对话。
第五条，评测正在从结果导向升级为轨迹导向。
大样本论文里最明显的变化之一，就是领域越来越不满足于只看最终成功率。原因也很直接：只看结果会错判幸运成功、漏检隐藏失败、无法归因中间偏移，也看不见恢复能力。于是，trajectory evaluation、process supervision、trace grading、progress rate、side effects、tool correctness 这些指标越来越多地进入 benchmark 与系统设计本身。
这说明研究界已经默认接受一个事实：
对于 Agent，过程质量不是附属解释，而是能力定义的一部分。第六条，安全与治理已经不可逆地进入主结构。
早期很多人还把安全看成上线前加几条规则的事。现在的大样本论文和系统卡几乎都在说明同一件事：一旦 Agent 拥有工具、状态和持续执行能力，prompt injection、memory poisoning、excessive agency、越权执行、长期偏航和自动化错误放大，就会同时成为研究问题、工程问题和治理问题。换句话说，安全不再是研究后处理，而是 Agent 定义本身的一部分。
第七条，研究和工程正在开始说同一种语言。
这一点尤其重要。过去研究常常重方法 novelty，工程更关心稳定性与落地。但当我们把足够多的论文、benchmark 和官方实践放在一起看，会发现双方正在逐渐收敛到同一套对象：schema、tool contract、state、trace、approval、eval、guardrails、role boundary、routing。这意味着 Agent 领域第一次开始出现一种可共享的共同语言。
因此，第 32 章第二条结论应该是：
从100多篇论文中抽出的真正共同结论，不是“大家都在做Agent”，而是“大家正越来越一致地把Agent理解为一个需要状态、工具、评测和治理共同支撑的结构化系统”。把这些结论放在一起看，会发现它们并不是松散并列，而是互相支撑的。
因为结构化，所以可以定义工具与状态； 因为进入真实环境，所以状态问题暴露出来； 因为长链和多角色出现，所以轨迹评测和角色边界变重要； 因为有执行权，所以安全和治理被拉进主结构； 因为这些对象都被显式化，研究和工程才终于开始收敛。
所以，本章最后要留下的判断是：
如果把足够多 Agent 论文压缩成一句话，那么最稳定的共识就是：可靠 Agent 不是“更放开的模型”，而是“被更清晰结构持续约束、支持、评测和治理的模型系统”。