从 Manus 到 DeepSearcher，2025年最值得关注的十大 Agent 智能体架构设计 原创 精华

2025年无疑是 Agent 智能体的元年。

这一判断从 Deep Research 带来搜索新范式，到 Manus 一夜爆火，再到 MCP 成为新的接口标准，已经被多次证实。

与普通 AI 工具相比，Agent 具有以下优势：

• 更强的推理能力：基于多种推理模型，Agent 不仅执行指令，还会深入思考问题。
• 丰富的工具运用能力：Agent 能够帮助用户连接 API 或控制硬件设备。
• 更强的信息检索能力：通过与 LLM、向量数据库以及 Embedding 模型等工具集成，Agent 能够轻松处理海量数据集。
• 更完整的环境感知能力：Agent 能够更充分地理解对话语境或物理世界中的情境。

Agent 的成熟，标志着 AI 从简单给出答案到交付完整任务结果的进化。那么，2025 年有哪些值得关注的 Agent 呢？

在这篇文章中，我们将详细介绍2025年值得关注的10个 Agent 智能体。

1、Deep Research 与 DeepSearcher：专业级报告生成

不久前，OpenAI 推出了深度内容生成工具“DeepResearch”，用户只需提出类似“特斯拉的合理市值是多少”这样的问题，DeepResearch 就能生成一份涵盖企业财务、业务增长分析以及市值推演的专业报告。这无疑为搜索 AGI 的发展方向指明了道路。

在这样的背景下，如何基于“DeepResearch”理念进行定制化改造，成为了一个热门话题。而 Zilliz 在这一领域也取得了显著进展，推出了 DeepSearcher 开源项目，仅一个月时间，该项目在 GitHub 上的 Star 数量就接近 5000。

DeepSearcher 基于 DeepResearch 的大模型、超级搜索和研究助理的三合一架构，通过 Milvus 向量数据库引入本地数据，并支持用户自由更换底层模型（如 DeepSeek-R1），为用户带来了更符合企业级场景的全新 RAG 范式。

从架构上看，DeepSearcher 主要分为两大模块：

• 数据接入模块：通过 Milvus 向量数据库接入各种第三方私有知识。这是 DeepSearcher 相比 OpenAI 原版 DeepResearch 的一大重大升级，使其更适合拥有独家数据的企业级场景。
• 在线推理查询模块：包括各种 Agent 策略和 RAG 的实现部分，负责为用户提供准确且有深度的回答。该模块引入了动态循环迭代机制：每次完成向量数据库中的数据查询后，系统会启动一个反馈（Reflection）流程。在每轮迭代结束时，Agent 会对查询到的知识进行评估，判断其是否足以解答初始问题。如果存在知识缺口，则触发下一轮迭代查询；如果知识足够，则生成最终报告。

2、Manus：一夜爆火的全能 Agent

Manus 是由创业公司 Monica 推出的一款 AI Agent，它被定位为全球首款通用 AI Agent。今年3月初一经发布，便立刻引发了全网的热议。根据官方展示的案例，Manus 能够自主完成包括简历筛选、房产研究、股票分析等多种类型的复杂任务。它具备自主思考、规划和执行复杂任务的能力，并且能够直接交付完整的成果。

官方披露的数据表明，Manus 在 GAIA 基准测试中取得了 SOTA（State-of-the-Art）的成绩，超越了 OpenAI 等同层次的大模型。

Manus 的架构设计可以表示为：Manus = LLM + Tools + Memory + Computer Use +Artifacts + 虚拟机

Manus 最核心的是 Computer User 技术，这个技术的架构设计如下所示：

3、Google Astra：重新定义日常生活中的 AI 助手

Google Astra 是由 DeepMind 开发的一款 AI Agent，旨在通过多模态功能无缝融入日常生活。该 Agent 由 Gemini 2.0 驱动，能够处理并响应多种输入信息，包括文本、图像、视频和音频。

Astra 的主要特点包括：

• 实时记忆功能，能够理解上下文;
• 先进的工具使用能力，例如谷歌搜索、谷歌地图和谷歌智能镜头;
• 协助完成诸如识别物体或提供推荐等任务。

例如，用户可以将手机对准书架，让 Astra 识别评分最高的书籍，从而将数字世界和物理世界相连接。未来，谷歌计划将其部分功能集成到旗下其他产品中，Astra 有望在 2025 年重新定义个人 AI 助手。

4、微软的 Copilot：简化工作流程并提高生产力

微软的 Copilot 是一款集成在诸多微软办公平台(例如 Office 365 和 Dynamics 365)中的 AI Agent，其目标是简化日常任务与工作流程。以 Word 为例，Copilot 能够协助用户撰写报告或优化已有文本;在 Excel 中，它可根据自然语言指令生成公式并创建可视化图表;在 Teams 里，Copilot 可以总结会议要点、突出关键信息并提出后续行动建议，从而提升协作效率。

对于开发者来说，Copilot 的功能远不止于终端用户的任务。它还提供与 Azure 的集成，助力实现工作流程自动化和业务流程管理。通过将 AI 融入人们日常使用的工具，微软的 Copilot 让重复性工作变得简单，使团队能够将精力集中在更具挑战性和创造性的任务上。

Copilot 的架构设计如下图所示：

5、ChatGPT Plugins 与 Operator：将 GPT 的能力拓展到现实世界任务中

ChatGPT 插件为 OpenAI 的 GPT 模型赋予了强大的交互能力，使其能够与外部系统进行沟通，从而执行一系列现实世界中的任务，而不仅仅局限于文本生成。通过与 Expedia、Wolfram Alpha 和 Zapier 等第三方服务的集成，这些插件让 ChatGPT 能够获取实时数据并实现工作流程的自动化，使其更接近于成为个人和企业的动态 AI 助手。例如，用户可以利用 ChatGPT 来预订航班或计算复杂的方程式。

尽管 ChatGPT 插件并非完全自主的 Agent，但它们通过动态响应提示并利用外部工具来完成任务，实现了类似 Agent 的行为。对于开发者而言，这意味着可以以更低的成本构建自己的工作流程。

除了 ChatGPT 插件，OpenAI 还发布了首款 AI 智能体工具 Operator(意为操作员)。Operator 能够代理用户执行基于网页的操作，简单来说，它能够像人类一样使用网页浏览器。

6、AutoGPT：自主任务执行领域的先驱

AutoGPT 是一个实验性的开源项目，它将 GPT 模型转化为能够在极少人工干预的情况下执行复杂、多步骤任务的自主 Agent。借助 GPT-4 的强大能力，AutoGPT 能够将复杂目标拆解为更小的、可执行的任务，依次执行这些任务，并根据结果进行迭代，以达成预期目标。这使得 AutoGPT 成为最早被开发者广泛采用的自主 AI Agent 示例之一。

尽管仍处于早期阶段，AutoGPT 通过展示自主 Agent 的潜力，激发了 AI 社区的想象力。开发者们可以借鉴它的思路，构建复杂的应用程序，例如研究助手、自动化工作流程管理器等。AutoGPT 突显了 AI Agent 不断增长的趋势：它们不仅提供答案，还能采取行动，为未来更复杂的自主系统铺平了道路。

AutoGPT 的架构设计主要围绕以下几个核心功能展开：

https://hub.baai.ac.cn/view/27039

• 任务分解

AutoGPT 能够将复杂的目标分解为更小的、可执行的任务，依次执行这些任务，并根据结果进行迭代，以达成预期目标。

• 自主决策

AutoGPT 利用 GPT-4 的强大能力，能够自主决策并执行任务，无需过多人工干预。

• 多步骤任务执行

AutoGPT 支持多步骤任务的执行，能够根据任务的复杂性动态调整执行路径。

• 迭代优化

AutoGPT 根据任务执行的结果进行迭代优化，逐步改进任务执行的效率和准确性。

7、BabyAGI：用于可扩展解决方案的轻量级任务自动化工具

BabyAGI 是一款轻量级的开源自主 Agent，专注于以迭代和智能的方式执行任务，由 GPT-4 驱动。它在任务管理和执行方面表现出色，是面向任务的 AI 解决方案中的佼佼者。其模块化设计允许开发者根据需求自定义工作流程，与各种数据库集成，并构建特定的解决方案。

与仅响应孤立查询的普通大语言模型不同，BabyAGI 能够根据总体目标创建任务队列，对任务进行优先级排序，并逐步完成它们。例如，面对“研究一个主题并总结研究结果”这样的复杂指令时，BabyAGI 会自主地将其分解为子任务，如收集资源、分析内容和起草连贯的总结。

BabyAGI 的独特之处在于其轻量级和可扩展的设计。它在不需要大量资源的情况下，就能提供核心 AI 功能，为预算有限的企业提供了一个易于使用的工具。此外，其自适应学习系统会随着用户需求的变化而发展，确保随着时间的推移提供越来越个性化和高效的帮助。最近的更新还引入了增强的协作功能，使 BabyAGI 成为小型团队处理共享项目的优秀工具。

8、甲骨文 Miracle Agent：面向企业数据驱动决策 AI 工具

Oracle 的 Miracle Agent 是一套由 50 多个专门的 AI Agent 组成的工具集，专为企业环境设计，专注于数据库管理。通过深度集成到 Oracle 的云生态系统中，Miracle Agent 实现了数据处理和可视化的自动化，使公司能够在极少人工干预的情况下获得洞察。

例如，Shift Scheduling 助手可以帮助创建和管理员工的轮班时间表，同时考虑个人偏好和合规规定。Employee Hiring Advisor 可以协助寻找候选人并简化招聘流程，缩短招聘时间。在供应链管理方面，Customer Sales Representative Guide 可以提供个性化的洞察，以增强客户互动。

9、MultiOn Agent API：为开发者简化网页自动化

MultiOn Agent API 是为开发者构建的专业级集成平台，支持将 AI Agent 无缝部署至多样化应用场景与终端设备。该平台通过先进的网页自动化能力，显著提升任务执行效率并优化终端用户体验。自2024年4月公测发布以来，开发者已可利用其构建具备复杂网页操作能力的AI代理，包括但不限于：

• 动态网站导航与交互
• 多源数据智能提取
• 全流程在线交易自动化

平台提供 Python/JavaScript 双语言 SDK ，并与主流大语言模型框架(如LangChain、LlamaIndex)实现深度兼容。这种开箱即用的集成特性使开发者能够快速构建高阶应用，包括：

• 自适应网页浏览器
• 智能数据采集系统
• 网页内容管理自动化解决方案

图片

10、亚马逊 Bedrock Agents：企业工作流程智能自动化工具

AWS Bedrock Agents 是亚马逊云科技推出的创新AI代理服务，旨在将AWS强大的基础模型与企业工具及数据无缝集成，为开发者提供构建智能应用的完整解决方案。

第一、灵活多变的 AI Agent 能力

Bedrock Agents 以其卓越的灵活性著称，适用于多种 AI 驱动场景：

智能客服：打造自然交互的客户支持聊天机器人

流程自动化：优化后端业务流程，提升运营效率

个性化推荐：构建精准的推荐系统，增强用户体验

此外，Bedrock Agents 内置丰富的 AP I支持，可轻松与企业现有技术栈集成。基于 Serverless 架构，该服务天然具备弹性扩展能力，无需额外管理基础设施。

第二、向量数据库：AI Agent 的智能记忆核心

现代 AI Agent(如AutoGPT、Google Astra等)不仅能够处理数据，更能像人类一样进行推理与决策。而实现这一能力的关键在于长期记忆系统——这正是向量数据库的核心价值所在。

第三、为什么向量数据库至关重要?

采用高维向量存储技术，精准捕捉文本、图像、音频等非结构化数据的语义信息

支持高效的相似性搜索与上下文检索，使 Agent 能够快速调用历史知识

行业领先解决方案(如Milvus、Zilliz Cloud)为AI Agent提供高速、可扩展的记忆管理

第四、实际应用示例

当 Agent 遇到新问题时，可实时查询向量数据库，检索过往相似案例或相关知识，从而做出更精准的决策。缺乏这种记忆能力的 Agent，将难以实现持续学习和复杂推理，极大限制其智能化水平。

Bedrock Agents 结合向量数据库技术，为企业提供了构建下一代 AI 应用的强大基石。

本文中介绍的这些 AI Agent 仅仅是 2025 年代表性产品中的一小部分，其他有前景的 Agent，如 Anthropic Claude Agents、Hugging Face Transformers Agents 以及 Llamaindex 的 Llama Agents，同样值得关注。

如果这些 Agent 都不能满足您的需求，我们可以利用向量数据库、大语言模型轻松构建自己的 AI Agent。

本文转载自公众号玄姐聊AGI  作者：玄姐

原文链接：​​https://mp.weixin.qq.com/s/jpqdMVhjoKOwq4h_bTuTdw​​