解构AI Agent智能体范式：单体推理、多模型智能体和RAG中心化三种核心架构

最近陆陆续续的发布了很多的智能体，有拿Agent做唯一产品的Manus这样的明星产品，还有@夕小瑶团队开发的Teamo；以及本身就是大模型产品基于自己模型开发的Agent，比如Kimi的Kimi-researcher，以及MiniMax最近开源周放出来的MiniMax Agent。

但如果仔细观察的话，这些公司的产品中有一个大类是共通的，那就是去解决一个问题：「怎么去写好一份报告？」

这几个产品，包括古早就出现的OpenAI和Gemini都有的Deep Research功能，其实也是在做类似的事情，而这件事情想要做好，想要依靠单独的某个模型，在现在的技术体系下绝无可能，从问题到结果，最少需要三个能力。

联网搜索：大模型的记忆大多停留在2024年，这是因为大模型的固有训练逻辑，从训练好，到微调，再到最终发布，几个月到半年起，所以你问他现在的事情，必须通过联网搜索获取。

推理思考：资料搜集是一方面，而搜索大多依赖于关键字，很多关键字对应的信息其实是有冲突的，信息冲突只是其中一方面，而碰到冲突就需要大模型得具备推理和思考的能力，像人一样的去做判断。

访问信息：搜集到的信息可能有很多种类型，最普通的就是网页上的文字，但如果碰到的是图片上的文字，视频信息甚至一些质量很差但是唯一信源的声音信息，起码的广泛的信息访问技术是必要的。

你会发现，不可能有任何一个单一的大模型可以完成「怎么去写好一份报告这件事」，不管怎么样，都需要给现有的大模型加一些插件才行，而这个过程，其实跟“人类和动物的最大区别是对于工具的使用”异曲同工。

AI Agent并没有本质上提升某个模型的智力，只不过是学会了如何使用工具而已。

而如何使用工具，使用说明工具以及多大程度的依靠工具，就产生了现有的实现AI Agent智能体的三种方法：

单体推理模型：典型如OpenAI，这种架构的核心思想是依赖一个单一、巨大且能力全面的大语言模型来统一处理任务的各个方面，包括理解查询、规划步骤、执行工具（如搜索）以及综合信息生成最终答案。

多模型智能体模型：Teamo非常典型，这种架构将一个复杂的任务分解成多个子任务，并为每个子任务分配一个专门的、角色清晰的AI智能体。这些智能体在一个“主管”或协调者的管理下协同工作，共同完成最终目标。并且根据不同任务的特性使用不同的模型，比如写代码用Claude，论文写作用Gemini，讲究的是借力。

RAG中心化智能体：Perplexity是代表，这种架构的设计哲学将事实准确性置于最高优先级。其核心是检索增强生成（Retrieval-Augmented Generation, RAG）。整个工作流程围绕“先检索，后生成”展开：首先，系统实时从可信的外部来源（如互联网）检索与查询相关的信息；然后，利用大语言模型将这些检索到的、有事实依据的信息进行综合、提炼和组织，最终生成答案。

单体推理模型

对于单体推理模型来说，最常见的就是大模型公司，比如OpenAI的Deep Research，MiniMax，以及Kimi的Researcher，他们的Agent就是基于自身大模型的产品，所以于情于理也不可能用别家的，这是大模型公司做应用的执念，即使只是暂时的。

下图从左到右，从上到下分别是OpenAI的Deep Research，MiniMaX Agent，Kimi Researcher，Gemini的Deep Research。

这4个例子的背后公司肯定会有一个主打的模型，比如OpenAI的o系列，Kimi的k系列，以及MiniMax最近刚刚出的M1模型，Gemini的Gemini-2.5系列，都是在大模型领域非常能打的存在。也依靠他们的明星产品拥有不少的忠实用户，这是他们能做单体推理模型的底气。

优势

强大的通用推理与灵活性：由于所有任务都在一个统一的“思维空间”内完成，单体模型可能发展出更强的通用问题解决能力。它不受限于预设的、僵化的角色分工，因此在面对从未见过或结构模糊的复杂任务时，可能表现出更高的灵活性和适应性。

整体性理解：模型能够对任务形成一个连贯、整体的理解，因为从输入到输出的所有中间步骤和思考过程都是内在关联的，而不是在不同模块间传递。

劣势

更高的“幻觉”风险：这是该架构最主要的弱点。强大的生成能力意味着模型在信息不足或推理出错时，更容易“编造”事实，即产生幻觉。OpenAI也明确指出，其Deep Research智能体虽然比普通模型出错率低，但仍会偶尔产生幻觉，并且在区分权威信息和网络谣言方面存在困难。 

不透明的“黑箱”问题：推理过程是模型内部的复杂神经活动，外界难以精确地审视其决策逻辑。当模型给出一个答案时，我们很难完全理解它是如何一步步推导出来的，这在需要高可靠性和可解释性的关键应用中是一个重大障碍。

巨大的计算成本：训练和运行一个能处理所有任务的、最前沿的单一模型，需要极其庞大的计算资源和资金投入。

总的来说，单体推理模型需要一个非常强的AI大模型，不然智力程度完全不够，但这也需要前提投入大量的资金先去做模型，然后再基于此作应用。再加上在做应用的时候只用自家模型，所以模型的缺点肯定也会带到Agent上。

多模型智能体模型

多模型智能体模型，往往存在于主营业务甚至就智能体这一个业务，他们要实现的就是极致的效果和性能，所以他们会针对于不同的任务采用不同的模型，选择的多样性和灵活度要远高于单体推理模型。

比如Teamo，非常的经典多模型智能体，下图就是Teamo设置不同Agent，主要分为几个组，比如搜索组、写作组、咨询组和一些未上线的组别，并且每个组都有组长和组员不同角色。

细看的话，搜索组的搜索员就只有两个模型可以用，Claude-4-sonnet和Opus，这么说吧，这俩模型在大模型领域的定价算是非常贵的那种了，如果不是在实践中发现这俩模型的性能最好，或者说只有这俩模型的性能才能满足需求，那断然不会只用这俩的。

通用深度写作员就是一个例子，你可以看到它可用的模型有很多，Gemini-2.5-Pro，DeepSeek-V3，GPT，Claude，甚至不常见的Grok3都有。

这几个之间的价格差别还是比较明显的，像DeepSeek这种开源模型价格要远低于闭源模型，但是实践中发现这些模型之间的实际表现估计差别不明显。

Manus也一样，据其中一个创始人，Manus主要用的两家模型，Claude和Qwen，估计也是考虑到了性能和价格之间的平衡，只用Claude的确要贵不少。

优势

流程透明且可控：由于任务被明确地分解到不同的专业智能体，整个工作流程变得清晰可见。例如，可以看到“生成”智能体提出了哪些假设，“反思”智能体又如何对其进行评估。这种模块化设计使得调试、监督和干预变得更加容易。 

专业分工带来的高质量：每个智能体都可以被专门优化以精通其特定任务。就像人类团队一样，让“创意专家”负责头脑风暴，让“批判专家”负责评估，理论上可以在每个环节都达到更高的质量水平。 

任务并行处理：不同的子任务可以由多个智能体同时执行，从而可能提高整体的效率和速度。

劣势

通信与协调开销：智能体之间需要高效地沟通和传递信息，这会引入额外的计算开销和系统复杂性。如果协调机制设计不当，可能会导致效率瓶颈。

管理复杂性高：设计和管理“主管”智能体与各个专业智能体之间的复杂互动是一项挑战。整个系统的最终表现高度依赖于这种协调与管理机制的优劣。

创业公司青睐这种方式，毕竟不需要自己做模型，只需要用现成的，还可以什么好用就用什么，不好用立马下线，但缺点也很明显，就是被复制的概率非常大，因为核心技术依赖于大模型，而次核心的工程技术容易被大公司用人海战术迅速追上甚至反超。

RAG中心化智能体

这种智能体其实不算多，因为它的设计哲学偏向于「索引」，这就意味着「检索」的优先级最高，简单来说就是收集更多的信息，然后交给大模型去整理。而这里面资料的储存和利用就用了RAG这个技术，它的全名叫检索增强生成（Retrieval-Augmented Generation）。

可以根据下面的图来理解，比如我们问2025年6月22日人民币和美元的汇率是多少，那么没有联网的大模型绝对不可能知道，因为它的固有缺陷（训练数据滞后于模型发布时间）。所以这个时候就需要先去联网获取外部资料，然后大模型去根据外部资料去做回答。

这里面的典型模型其实就有知乎直答、秘塔AI搜索和Perplexity AI，都是先做大量的检索，然后根据检索资料进行汇总和分析。

这里面的区别就是检索信息来源的不同，每家平台会采用不同的信源，像知乎就用的自己平台回答多一些，微博和腾讯元宝也有类似的功能，都是优先采用自己的信源。

这种用的模型一般都是自研或者开源模型，因为它的核心在于信息的“可溯源”，而这一点儿只需要大模型照章办事即可。

优势

极高的事实准确性与可追溯性：这是该架构最突出的优点。由于所有答案都牢固地植根于检索到的真实世界信息，并且总是附带来源引用，用户可以轻松验证信息的真伪。其核心原则是“不生成任何未检索到的信息”。 

幻觉风险极低：大语言模型在这里的主要角色是“组织者”和“转述者”，而非“创作者”。因为它不依赖其内部记忆来生成事实性内容，所以产生幻觉的风险被降到了最低。 

来源透明：用户能清晰地看到每一条信息来自何处，这在学术研究、新闻调查等需要严肃事实核查的场景中至关重要。 

劣势

能力受限于可检索的信息：系统的能力上限被其信息检索系统所束缚。如果一个问题的答案无法通过现有渠道检索到，那么该系统也无法凭空创造出来。 

纯粹抽象推理和创造力受限：对于那些需要超越现有数据、进行纯粹逻辑推演或提出全新原创概念的任务，这种方法表现不佳。它擅长综合已知，而非探索未知。

它的优劣势很明显，信息可溯源就是最大的优势，但同样限制了大模型的能力，就是严重受限于检索到的数据质量，同时它也不太可能突破现有信息的限制，去创造新的知识。

这三种当下的Agent范式都有各自的优缺点，特别是在实现上其实重合的地方很多，不过各自的侧重点是能让各自都能在领域里面脱颖而出的主要原因。这个新兴市场的未来演进路径正逐渐清晰。

当前一代的研究智能体，主要专注于自动化现有的「人类资料密集型工作」流程，例如文献综述、事实查找、行动规划等。不过未来不管是AI还是AI Agent，都不可能止步于总结现有人类的知识或者经验，而是更多的将精力投入到「发现或者发明」新的知识上。