25年AI Agent综述和论文创新点

从论文速览到技术深潜：补齐 Agent 领域认知缺口

很多同学在了解 AI Agent 时，容易陷入两个极端：要么只看概念性综述，知道“它能自主完成任务”却说不清机制；要么一头扎进具体论文，看懂了单点技术（如 RL 微调、视觉推理），却拼不出全景图。这门课程正是为了解决这个断裂而设计的。它不只是一份论文清单，而是通过“综述+代表性工作+细分场景”的结构，带你把 Agent 领域的脉络理清楚。内容覆盖从基于大语言模型的通用 Agent 架构，到 GUI/UI Agent 这一当前最活跃的落地场景，再到自动驾驶、具身智能带来的跨领域启示。你将在其中看到 Insight-V 如何解决视觉长链条推理，ATLaS 和 DigiQVEM 如何用不同路径提升泛化性，以及 Mobile-Agent-V3、MONDAY 等最新框架如何构建多智能体协作与数据合成。

适合谁？先读哪几块？

如果你正准备面试 Agent 相关岗位，或在做技术选型时缺乏理论支撑，这门课能帮你快速建立判断力。建议的学习顺序如下：先看「基于大语言模型的 AI Agents」三部分内容，这是地基，帮你理解规划、记忆、工具调用等核心组件如何组合；接着进入 GUI Agent 综述（2025），建立领域整体认知；然后挑选你感兴趣的子方向深挖，比如对交互智能感兴趣，可重点读 UI-TARS 的长期记忆与反思机制、OS-Genesis 的数据合成思路；若关注端到端能力，则看 InfiGUI-R1 的推理式决策演进。不要试图一次性消化所有论文，而是带着问题去读：这篇解决了什么现有方法的缺陷？它在 Agent 系统里对应哪个模块？

学完能做什么？资料如何配合练习

完成学习后，你应该能够独立回答以下问题：当前主流 GUI Agent 的技术路线有哪些？它们在训练效率、泛化能力、推理深度上各有什么取舍？如何为一个复杂任务设计包含感知、规划、执行的 Agent 系统？此外，你还能针对某个细分方向（如视觉推理或多智能体协作）写出有观点的综述或技术博客。配合练习方面，建议边读边整理对比表格，记录每篇论文的核心方法、实验设置和局限性；对于提到的数据集（如 MONDAY 自动构建的轨迹数据），可尝试复现其构建逻辑，哪怕是用小规模示例验证。资料包中的综述部分提供框架，论文分享提供细节，两者互为印证，避免只见树木不见森林。