一、开篇：当Agent的“作品”登上领奖台

2023年，一则看似普通的新闻震动了知识产权界与科技圈：日本一支由LLM驱动、自主完成选题、调研、设计、绘图的漫画创作AI Agent团队“MangaGenius 001”，凭借一部短篇科幻漫画《星尘快递员的最后一单》，获得了第27届“未来新星国际漫画节·自主创意单元”的金奖提名。虽然最终该单元因评审团内部对“Agent是否是合格创作者”的争议，暂缓了金奖的颁发，但这件事却像一根投入静湖的巨石，在全球范围内掀起了对AI Agent版权与知识产权（以下简称“IP”）问题的热烈讨论——从2022年美国版权局拒绝Thaler自主生成的AI画作《天堂入口》的版权申请，到2024年OpenAI GPT-5 Preview自主完成的学术论文摘要被《Nature》子刊初审通过，生成式AI的IP边界已经从“人类操作的工具输出”，逐渐滑向了“具备一定自主决策、自主学习、自主执行能力的智能体创造物”。

二、问题陈述：从“工具使用”到“主体协作”的IP真空

与传统生成式AI（如MidJourney、ChatGPT Standard版）不同，AI Agent并非简单的“指令接收器→输出执行器”的线性工具链，而是一种能够感知环境、制定目标、规划路径、执行任务、优化迭代的闭环自主或半自主智能系统。这种从“被动响应”到“主动创造”的属性跃迁，使得原本仅针对“人类创作者→固定工具→确定作品”设计的全球IP法律体系，出现了至少三重难以弥合的真空：

1. 主体身份真空：现行《保护文学和艺术作品伯尔尼公约》（以下简称《伯尔尼公约》）、《世界知识产权组织版权条约》（WCT）以及各国国内版权法，均明确将“人类自然人”作为版权法意义上的唯一“作者”（部分国家承认法人为“职务作品作者”或“委托作品拟制作者”，但本质仍是自然人意志的延伸）——那么，当AI Agent自主完成了90%以上的创作、决策、执行环节时，谁才是真正的“作者”？
2. 客体定性真空：现行IP法体系对“作品”的定义普遍包含“独创性”（Originality）和“可复制性”（Fixation）两大核心要件——“可复制性”对AI Agent的输出物来说不成问题，但“独创性”的标准却在Agent场景下完全失效：传统的“额头出汗原则”（Sweat of the Brow Doctrine）早已被多数国家摒弃，而“创造性判断标准”（Creativity Criterion）则依赖于“人类的个性表达或智力选择”——那么，Agent基于训练数据的统计预测+自主优化迭代产生的输出，是否具备“独创性”？如果具备，如何量化？
3. 权利分配真空：假设未来某国法律承认AI Agent的输出为“作品”，或者承认“拟制作者”制度适用于Agent场景，那么版权及相关权利（如署名权、修改权、复制权、发行权、表演权、改编权、信息网络传播权等）应该如何在以下多方主体之间分配？
   • Agent的开发者/所有者（如OpenAI、Google DeepMind、某科技公司研发团队）
   • Agent的训练数据提供者/权利人（如图书馆、新闻机构、独立创作者、数据标注公司）
   • Agent的使用者/指令发起者（如购买了MangaGenius的漫画工作室、订阅了GPT-4o Mini Agent的普通用户）
   • 甚至，Agent本身？

三、核心价值：填补认知盲区，为从业者与决策者提供参考

本文的核心目标，不是简单地罗列当前AI Agent IP问题的争议案例，而是要从技术本质出发，结合IP法的核心法理，构建一套适用于不同类型AI Agent的IP分析框架，并为不同身份的读者（包括AI Agent开发者、使用者、训练数据提供者、IP律师、政策制定者）提供具体的行动建议。具体来说，读者将从本文中学到：

1. AI Agent的技术本质与分类：了解AI Agent与传统生成式AI的核心区别，掌握基于“自主决策程度”和“交互协作模式”的Agent分类方法——这是后续分析IP问题的基础。
2. 全球现行IP法体系对Agent的适用性评估：梳理《伯尔尼公约》、WCT、美国《版权法》（Title 17 U.S.C.）、欧盟《数字单一市场版权指令》（DSM Directive）、中国《著作权法》等核心法律法规对“作者”“作品”“权利分配”的定义，评估其在Agent场景下的局限性。
3. AI Agent IP问题的前沿争议与典型案例：分析Thaler案、MangaGenius案、OpenAI GPT-5 Preview论文案、Adobe Firefly for Enterprise Agent案等全球最具代表性的Agent IP争议案例，总结各方的观点与法院/版权局的裁决逻辑。
4. 适用于不同类型Agent的IP分析框架：基于技术分类与法理评估，构建一套从“主体识别→客体定性→权利分配→侵权认定→纠纷解决”的全流程分析框架。
5. 不同身份读者的**实践建议：为AI Agent开发者、使用者、训练数据提供者、IP律师、政策制定者分别提供具体的、可操作的行动建议。
6. AI Agent IP问题的未来发展趋势：从技术、法律、社会三个维度，预测AI Agent IP问题的未来走向，包括“拟制作者制度的完善”“集体管理组织的新角色”“去中心化IP确权技术（如NFT、区块链）的应用”等。

四、文章概述：从技术到法律，从理论到实践

本文将按照以下结构展开：

1. 正文第一部分：AI Agent的技术本质与分类：从强化学习（RL）、大语言模型（LLM）、多模态融合、工具调用（Tool Calling）等核心技术出发，定义AI Agent，梳理AI Agent的发展历史，并提出基于“自主决策程度”和“交互协作模式”的二维分类方法——这部分内容是后续所有IP分析的技术基础，需要读者认真理解。
2. 正文第二部分：全球现行IP法体系的核心要素与局限性：梳理《伯尔尼公约》、WCT、美国、欧盟、中国等核心国家和地区的IP法体系对“作者”“作品”“权利分配”“侵权认定”的定义，重点分析其在Agent场景下的局限性——这部分内容是后续法理分析的法律基础。
3. 正文第三部分：AI Agent IP问题的前沿争议与典型案例：从“作者身份认定”“作品独创性判断”“权利分配”“侵权认定”四个维度，分析全球最具代表性的Agent IP争议案例，总结各方的观点与裁决逻辑——这部分内容将帮助读者直观地理解当前的IP困境。
4. 正文第四部分：适用于不同类型Agent的全流程IP分析框架：基于技术分类与法理评估，构建一套从“主体识别→客体定性→权利分配→侵权认定→纠纷解决”的全流程分析框架，并通过具体的例子（如“工具型Agent生成的广告文案”“协作型Agent与人类共同创作的长篇小说”“完全自主型Agent生成的科幻电影剧本”）来演示如何使用该框架——这是本文的核心创新部分。
5. 正文第五部分：不同身份读者的**实践建议：为AI Agent开发者、使用者、训练数据提供者、IP律师、政策制定者分别提供具体的、可操作的行动建议，如“开发者应制定清晰的Agent服务条款与知识产权声明”“使用者应保留完整的Agent交互记录与指令发起凭证”“训练数据提供者应采用数据授权协议（如CC0、CC BY、Data Commons）”等——这部分内容是本文的实践落地部分。
6. 正文第六部分：AI Agent IP问题的未来发展趋势：从技术（如AGI的发展）、法律（如《伯尔尼公约》的修订）、社会（如公众对AI创作的接受度）三个维度，预测AI Agent IP问题的未来走向，并探讨去中心化IP确权技术（如NFT、区块链）、集体管理组织的新角色、AI伦理准则的法律化等潜在解决方案——这部分内容将帮助读者拓宽视野，提前布局。
7. 结论：总结本文的核心观点，重申构建适用于AI Agent的IP法体系的重要性，提出一个开放性问题以引发讨论，并邀请读者在评论区分享他们的想法或问题。
8. 附加部分：提供参考文献/延伸阅读、作者简介。

1.1 核心概念：什么是AI Agent？

1.1.1 从AI到Agent的概念演变

要理解AI Agent的技术本质，我们首先需要回顾从“传统AI”（Classical AI）到“智能体”（Agent）的概念演变：

• 传统AI（1950s-1980s）：以“符号主义”（Symbolism）和“专家系统”（Expert Systems）为代表，核心目标是“让机器模拟人类的逻辑推理能力”，解决特定的、结构化的问题（如国际象棋、医疗诊断）——这类系统是“被动的”“封闭的”“非学习的”，只能执行人类预先编写好的规则，无法适应动态变化的环境。
• 弱人工智能/狭义AI（Narrow AI，1990s-2020s初）：以“连接主义”（Connectionism）和“机器学习”（Machine Learning，ML）、“深度学习”（Deep Learning，DL）为代表，核心目标是“让机器在特定任务上达到或超过人类的水平”——这类系统包括图像识别（如ResNet、YOLO）、语音识别（如Whisper、Alexa）、机器翻译（如Google Translate、DeepL）、传统生成式AI（如MidJourney v1-v5、ChatGPT Standard v3.5-v4）等，它们是“被动响应的”“半开放的”“学习型的”，但仍然是“指令接收器→输出执行器”的线性工具链，无法自主制定目标、规划路径、优化迭代。
• AI Agent（2020s中期至今）：以“大语言模型（LLM）+强化学习（RL）+多模态融合+工具调用（Tool Calling）+记忆模块（Memory Module）”为核心技术栈，核心目标是“让机器模拟人类的自主决策能力和协作能力，在动态、开放、非结构化的环境中完成复杂的、多步骤的任务”——这类系统是“主动的”“完全开放的”“持续学习型的”“协作型的”，具备感知环境（Perception）、制定目标（Goal Setting）、规划路径（Path Planning）、执行任务（Task Execution）、优化迭代（Optimization）的闭环能力。

1.1.2 AI Agent的权威定义

目前，全球计算机科学界对AI Agent的定义尚未完全统一，但以下几个权威定义得到了广泛的认可：

1. Russell & Norvig（《人工智能：一种现代的方法》作者）的定义：“Agent是一个能够通过传感器（Sensors）感知环境，并通过执行器（Actuators）作用于环境的实体。一个理性的Agent（Rational Agent）会选择能够最大化其期望效用（Expected Utility）的行动。”——这是计算机科学界对Agent的经典定义，强调了“感知-行动”闭环和“理性决策”。
2. OpenAI在2023年发布的《GPT-4 Technical Report》补充材料《Agents: Building Interactive Systems with Large Language Models》中的定义：“LLM Agent是一个以LLM为核心控制器（Controller），结合感知模块、记忆模块、工具调用模块、规划模块、优化模块的智能系统，能够自主完成多步骤的、开放的任务。”——这个定义专门针对基于LLM的Agent，强调了LLM的核心控制器地位。
3. Google DeepMind在2024年发布的《Gemini 1.5 Pro Technical Report》中的定义：“多模态Agent是一个能够处理文本、图像、音频、视频等多种模态信息，能够与环境（包括物理环境和数字环境）交互，能够与其他Agent或人类协作，能够持续学习的智能系统。”——这个定义强调了“多模态融合”和“协作能力”。

综合以上三个权威定义，我们可以将本文讨论的AI Agent（为了避免概念混淆，以下简称“Agent”）定义为：

AI Agent：一种以大语言模型（LLM）或多模态大模型（MLLM）为核心控制器，结合感知模块、记忆模块、工具调用模块、规划模块、优化模块，具备感知环境、制定目标、规划路径、执行任务、优化迭代的闭环能力，能够自主或半自主地在动态、开放、非结构化的环境中完成复杂的、多步骤的任务，并且能够与其他Agent或人类协作的智能系统。

1.1.3 AI Agent与传统生成式AI的核心区别

为了进一步明确Agent的技术本质，我们需要将其与传统生成式AI（如MidJourney v5、ChatGPT Standard v4）进行对比，下表列出了两者的核心区别：

从表中可以看出，Agent与传统生成式AI的核心区别在于“自主决策能力”和“闭环协作能力”——这也是导致Agent IP问题与传统生成式AI IP问题完全不同的根本原因。

1.2 问题背景：AI Agent的快速发展与应用普及

1.2.1 AI Agent的发展历史

虽然AI Agent的概念在2020s中期才开始广泛普及，但它的发展历史可以追溯到20世纪50年代，以下是AI Agent发展历史的关键节点：

1. 1950s-1980s：概念萌芽期：
   • 1956年，在达特茅斯会议（Dartmouth Conference）上，“人工智能”的概念被正式提出，同时也有学者开始讨论“能够自主行动的智能体”。
   • 1960s-1970s，符号主义和专家系统得到了快速发展，虽然这些系统不是真正的Agent，但它们为Agent的“感知-行动”闭环和“理性决策”提供了理论基础。
   • 1980s，“多智能体系统”（Multi-Agent Systems，MAS）的概念被正式提出，核心目标是“让多个智能体通过协作完成复杂的任务”——这为Agent的“协作能力”提供了理论基础。
2. 1990s-2010s：技术积累期：
   • 1990s，强化学习（RL）得到了快速发展，尤其是Q-Learning算法的提出，为Agent的“优化迭代”提供了核心技术支撑。
   • 2000s，深度学习（DL）开始兴起，尤其是卷积神经网络（CNN）和循环神经网络（RNN）的提出，为Agent的“感知模块”（如图像识别、语音识别）提供了核心技术支撑。
   • 2010s，生成对抗网络（GAN）、Transformer架构、大语言模型（LLM）的提出，为Agent的“核心控制器”和“输出执行器”提供了核心技术支撑——2017年Google DeepMind发布的AlphaGo Zero（完全自主学习围棋的Agent）是这一时期的代表性成果。
3. 2020s中期至今：爆发式发展期：
   • 2022年11月，OpenAI发布ChatGPT Standard v3.5，随后在2023年3月发布GPT-4，为Agent的“核心控制器”提供了强大的能力支撑。
   • 2023年3月，OpenAI发布Plugin Store，允许ChatGPT调用外部工具（如搜索引擎、计算器、天气API、电商API等）——这标志着“工具调用模块”的正式成熟，Agent的概念开始广泛普及。
   • 2023年5月，Google发布PaLM 2和Bard（后改名为Gemini），并开放了工具调用API；同年6月，Anthropic发布Claude 2，并开放了工具调用API；同年9月，Meta发布Llama 2，并开源了工具调用模块——这些事件进一步推动了Agent的爆发式发展。
   • 2023年下半年至今，出现了大量的Agent产品和应用，如：

 
    
    
      
 
       
通用Agent：AutoGPT（完全自主的通用Agent）、BabyAGI（简化版的完全自主通用Agent）、LangChain Agent（基于LangChain框架的可定制Agent）、Microsoft 365 Copilot（半自主的办公协作Agent）、Google Workspace Duet AI（半自主的办公协作Agent）。
 
       
垂直领域Agent：GitHub Copilot X（半自主的编程协作Agent）、Salesforce Einstein GPT Agent（半自主的CRM协作Agent）、Adobe Firefly for Enterprise Agent（半自主的设计协作Agent）、MangaGenius 001（半自主的漫画创作Agent）、GPT-5 Preview（半自主的科研协作Agent）。
 
       
多智能体系统：MetaGPT（由多个角色扮演Agent组成的软件开发团队Agent系统）、AutoGPT Team（由多个专业Agent组成的通用团队Agent系统）、Character.AI Group Chat（由多个虚拟角色Agent组成的聊天协作系统）。
 
      
 

1.2.2 AI Agent的应用场景与市场规模

AI Agent的应用场景非常广泛，几乎覆盖了所有的行业和领域，以下是一些典型的应用场景：

1. 办公协作：自动完成日程安排、邮件撰写、文档编辑、数据处理、项目管理等任务。
2. 软件开发：自动完成需求分析、架构设计、代码编写、代码测试、代码部署、代码维护等任务。
3. 内容创作：自动完成选题、调研、写作、编辑、绘图、配音、剪辑等任务（如新闻、小说、漫画、电影剧本、短视频、广告文案等）。
4. 科研教育：自动完成文献检索、文献综述、实验设计、实验数据分析、论文写作、作业批改、个性化教学等任务。
5. 医疗健康：自动完成疾病诊断、治疗方案制定、药物研发、健康咨询、康复训练等任务。
6. 金融服务：自动完成风险评估、投资决策、客户服务、 fraud detection（欺诈检测）、合规审查等任务。
7. 电商零售：自动完成商品推荐、客户服务、订单处理、库存管理、营销策划等任务。
8. 物流交通：自动完成路线规划、车辆调度、包裹分拣、 delivery tracking（配送跟踪）、自动驾驶辅助等任务。
9. 智能家居：自动完成设备控制、环境调节、安全监控、生活服务等任务。
10. 社交娱乐：自动完成虚拟角色聊天、游戏NPC（非玩家角色）控制、游戏攻略生成、内容推荐等任务。

随着AI Agent技术的快速发展和应用普及，其市场规模也在呈现爆发式增长的趋势，以下是一些权威机构的预测：

• Grand View Research：2023年全球AI Agent市场规模为17.8亿美元，预计到2030年将达到2,857.6亿美元，年复合增长率（CAGR）为109.7%。
• IDC：2023年全球AI Agent市场规模为21.3亿美元，预计到2028年将达到1,155.2亿美元，年复合增长率（CAGR）为123.5%。
• Gartner：到2025年，80%的企业将部署至少一个AI Agent，到2030年，AI Agent将承担60%的企业日常工作。

1.3 概念结构与核心要素组成

1.3.1 AI Agent的概念结构

根据Russell & Norvig的经典定义和OpenAI、Google DeepMind的最新研究，我们可以将AI Agent的概念结构分为外部环境和内部系统两大部分，其中内部系统又可以分为核心控制器和五个功能模块，具体的概念结构如下图所示：

1.3.2 AI Agent的核心要素组成

从概念结构中可以看出，AI Agent的核心要素组成包括外部环境和内部系统两大部分，其中内部系统的五个功能模块和核心控制器是最关键的部分，以下是对每个核心要素的详细介绍：

1.3.2.1 外部环境（External Environment）

外部环境是Agent感知和作用的对象，它可以分为物理环境、数字环境、人类用户/协作对象、其他AI Agent四类：

• 物理环境：指Agent所处的现实世界环境，如温度、湿度、光照、位置、障碍物等，Agent可以通过传感器（如温度传感器、湿度传感器、光照传感器、GPS、摄像头、麦克风、激光雷达等）感知物理环境，并通过执行器（如电机、舵机、扬声器、显示屏等）作用于物理环境。
• 数字环境：指Agent所处的虚拟世界环境，如互联网、数据库、API、软件系统、文件系统等，Agent可以通过网络接口、API接口、文件接口等感知数字环境，并通过网络请求、API调用、文件读写等作用于数字环境。
• 人类用户/协作对象：指与Agent交互的人类，如Agent的使用者、Agent的协作伙伴、Agent的服务对象等，Agent可以通过文本、图像、音频、视频等方式与人类交互。
• 其他AI Agent：指与当前Agent交互的其他智能体，如多智能体系统中的其他Agent，Agent可以通过专门的Agent通信协议（如FIPA ACL、KQML）或通用的通信方式（如文本、API调用）与其他Agent交互。

外部环境的动态性、开放性、非结构化程度、不确定性是影响Agent自主决策程度和任务复杂度的关键因素——外部环境越动态、越开放、越非结构化、越不确定，Agent需要的自主决策程度和能力就越高。

1.3.2.2 内部系统（Internal System）

内部系统是Agent的核心，它由核心控制器和五个功能模块组成，以下是对每个部分的详细介绍：

（1）核心控制器（Core Controller）

核心控制器是Agent的“大脑”，它负责处理感知模块传递过来的信息，调用记忆模块中的信息，制定或调整目标，生成或调整规划，控制工具调用模块的执行，接收优化模块的反馈并调整自身的参数——目前，绝大多数Agent的核心控制器都是大语言模型（LLM）或多模态大模型（MLLM），如GPT-4、GPT-4o、Gemini 1.5 Pro、Claude 3 Opus、Llama 3 70B等。

核心控制器的能力水平（如语言理解能力、逻辑推理能力、多模态融合能力、工具调用能力、规划能力）是影响Agent整体能力的最关键因素——核心控制器的能力水平越高，Agent的自主决策程度和任务完成质量就越高。

（2）感知模块（Perception Module）

感知模块是Agent的“眼睛、耳朵、鼻子、皮肤”，它负责感知外部环境的信息，并将这些信息转换为核心控制器能够理解的格式（如文本、向量）——感知模块可以分为单模态感知模块和多模态感知模块两类：

• 单模态感知模块：只能感知单一模态的信息，如文本感知模块（处理自然语言文本）、图像感知模块（处理图像、视频帧）、音频感知模块（处理音频、语音）、传感器数据感知模块（处理物理传感器的数据）。
• 多模态感知模块：可以同时感知多种模态的信息，并将这些信息融合在一起，如GPT-4o的多模态感知模块可以同时处理文本、图像、音频、视频。

感知模块的感知精度、感知速度、多模态融合能力是影响Agent对外部环境理解程度的关键因素——感知模块的能力越高，Agent对外部环境的理解就越准确、越快速。

（3）记忆模块（Memory Module）

记忆模块是Agent的“大脑海马体和大脑皮层”，它负责存储Agent的感知信息、交互信息、规划信息、执行信息、优化信息等，以便核心控制器在需要时调用——记忆模块可以分为短期记忆（Short-Term Memory，STM）、长期记忆（Long-Term Memory，LTM）、情境记忆（Episodic Memory）三类：

• 短期记忆：也称为“工作记忆”（Working Memory），负责存储Agent当前正在处理的信息，容量有限（一般为几千到几万个token），存储时间较短（一般为几分钟到几小时）——目前，绝大多数Agent的短期记忆都是通过核心控制器的上下文窗口（Context Window）实现的，如GPT-4o的上下文窗口为128K token，Gemini 1.5 Pro的上下文窗口为1M token。
• 长期记忆：负责存储Agent的历史交互信息、训练信息、优化信息等，容量无限（可以存储几百万、几千万甚至几亿个token），存储时间较长（可以存储几天、几个月甚至几年）——目前，绝大多数Agent的长期记忆都是通过向量数据库（Vector Database）实现的，如Pinecone、Chroma、Weaviate、Milvus等，核心控制器可以通过语义检索（Semantic Search）从向量数据库中检索相关的信息。
• 情境记忆：负责存储Agent的特定情境下的交互信息，如“在2024年5月1日与用户A讨论的关于AI Agent IP问题的内容”，存储时间较长，检索精度较高——情境记忆通常是在长期记忆的基础上，通过添加时间戳、用户ID、情境标签等元数据实现的。

记忆模块的存储容量、存储速度、检索精度、检索速度是影响Agent持续学习能力和任务连贯性的关键因素——记忆模块的能力越高，Agent的持续学习能力就越强，任务完成的连贯性就越好。

（4）规划模块（Planning Module）

规划模块是Agent的“参谋长”，它负责根据核心控制器制定的目标，结合感知模块传递过来的当前环境信息和记忆模块中存储的历史信息，生成一个可行的、最优的多步骤任务规划——规划模块可以分为分层规划模块（Hierarchical Planning）、因果规划模块（Causal Planning）、强化学习规划模块（RL-Based Planning）三类：

• 分层规划模块：将一个复杂的目标分解为几个中等复杂度的子目标，再将每个中等复杂度的子目标分解为几个简单的子任务，直到子任务可以直接通过工具调用模块执行为止——这是目前绝大多数Agent使用的规划方法，如AutoGPT、BabyAGI、LangChain Agent。
• 因果规划模块：基于因果推理（Causal Inference）生成任务规划，能够更好地处理不确定性和反事实问题（Counterfactual Reasoning）——这种规划方法目前还处于研究阶段，尚未广泛应用于商业Agent产品中。
• 强化学习规划模块：基于强化学习算法（如PPO、DQN）生成任务规划，能够通过与环境的交互持续优化规划——这种规划方法通常用于需要与物理环境交互的Agent（如机器人Agent），如Google DeepMind的Boston Dynamics Spot Robot Agent。

规划模块的规划精度、规划速度、处理不确定性的能力、优化能力是影响Agent任务完成效率和质量的关键因素——规划模块的能力越高，Agent的任务完成效率就越高，质量就越好。

（5）工具调用模块（Tool Calling Module）

工具调用模块是Agent的“手和脚”，它负责根据规划模块生成的任务规划，调用外部工具（包括物理工具和数字工具）执行任务——工具调用模块可以分为预定义工具调用模块和自动工具生成模块两类：

• 预定义工具调用模块：只能调用开发者预先定义好的工具，如搜索引擎、计算器、天气API、电商API、数据库、软件系统等——这是目前绝大多数Agent使用的工具调用方法，如OpenAI Plugin Store、Google Bard Tools、Anthropic Claude Tools。
• 自动工具生成模块：可以根据任务的需要，自动生成新的工具（如Python脚本、API接口、软件插件等）——这种工具调用方法目前还处于研究阶段，尚未广泛应用于商业Agent产品中，但OpenAI的GPT-4o Preview和Google的Gemini 1.5 Pro Preview已经具备了初步的自动工具生成能力。

工具调用模块的工具数量、工具质量、工具调用精度、工具调用速度是影响Agent任务完成范围和效率的关键因素——工具调用模块的能力越高，Agent的任务完成范围就越广，效率就越高。

（6）优化模块（Optimization Module）

优化模块是Agent的“教练”，它负责根据外部环境的反馈、人类用户的反馈、其他Agent的反馈，评估Agent的任务完成质量，并调整核心控制器、规划模块、工具调用模块的参数，以便Agent在未来的任务中能够取得更好的成绩——优化模块可以分为人类反馈强化学习优化模块（RLHF-Based Optimization）、自动反馈强化学习优化模块（RLAIF-Based Optimization）、元学习优化模块（Meta-Learning-Based Optimization）三类：

• 人类反馈强化学习优化模块：基于人类用户的反馈调整Agent的参数，这是目前绝大多数商业Agent产品使用的优化方法，如GPT-4、Gemini 1.5 Pro、Claude 3 Opus——这种优化方法的优点是能够让Agent的输出符合人类的价值观和偏好，缺点是成本较高、效率较低。
• 自动反馈强化学习优化模块：基于外部环境的自动反馈（如任务完成率、错误率、效率指标）调整Agent的参数，这种优化方法目前正在快速发展，如OpenAI的GPT-4o Preview和Google的Gemini 1.5 Pro Preview已经具备了初步的自动反馈强化学习能力——这种优化方法的优点是成本较低、效率较高，缺点是可能会让Agent的输出不符合人类的价值观和偏好。
• 元学习优化模块：基于元学习算法（如MAML、Reptile）调整Agent的参数，能够让Agent在少量样本的情况下快速适应新的任务——这种优化方法目前还处于研究阶段，尚未广泛应用于商业Agent产品中。

优化模块的优化精度、优化速度、处理小样本的能力、符合人类价值观的能力是影响Agent持续学习能力和任务完成质量的关键因素——优化模块的能力越高，Agent的持续学习能力就越强，任务完成质量就越好。

1.4 概念之间的关系：基于自主决策程度和交互协作模式的二维分类

为了更好地分析不同类型Agent的IP问题，我们需要对Agent进行合理的分类——目前，全球计算机科学界对Agent的分类方法有很多种，如基于“理性程度”的分类（理性Agent、有限理性Agent、非理性Agent）、基于“环境类型”的分类（完全可观察环境Agent、部分可观察环境Agent、确定性环境Agent、不确定性环境Agent、静态环境Agent、动态环境Agent、离散环境Agent、连续环境Agent）、基于“任务类型”的分类（单一任务Agent、多任务Agent、通用任务Agent）等，但这些分类方法都不太适合用于IP问题的分析，因为IP问题主要关注的是Agent的自主决策程度（谁是作品的主要贡献者）和Agent的交互协作模式（是否有人类或其他Agent参与创作）。

因此，本文提出了一种基于自主决策程度和交互协作模式的二维分类方法，将Agent分为以下六类：

1.4.1 工具型Agent（Tool Agent）

• 自主决策程度：10%-30%——核心控制器仅负责理解人类的简单指令，调用预定义的工具执行简单的任务，没有自主制定目标、生成复杂规划、优化迭代的能力。
• 交互协作模式：单主体交互——仅与人类交互，没有与其他Agent交互的能力。
• 典型例子：早期的ChatGPT Plugin Agent（仅能调用1-2个预定义工具）、Google Bard Early Access Tools Agent、早期的GitHub Copilot（仅能根据当前代码上下文生成1-2行代码）。
• 任务复杂度：只能完成单一或少量步骤的、结构化或半结构化的任务，如“搜索今天北京的天气”“计算12345×67890”“生成一段100字的产品描述”。

1.4.2 辅助型Agent（Assistant Agent）

• 自主决策程度：30%-70%——核心控制器能够理解人类的复杂指令，自主生成中等复杂度的多步骤任务规划，调用多个预定义的工具执行任务，能够根据人类的反馈调整规划和输出，但没有自主制定目标、持续优化迭代的能力。
• 交互协作模式：单主体交互——仅与人类交互，没有与其他Agent交互的能力。
• 典型例子：Microsoft 365 Copilot、Google Workspace Duet AI、GitHub Copilot X、Adobe Firefly for Enterprise Agent、当前的ChatGPT Plugin Agent（能调用多个预定义工具，能生成中等复杂度的多步骤任务规划）。
• 任务复杂度：能够完成中等复杂度的多步骤任务，如“根据上个月的销售数据生成一份10页的PPT报告，包括图表、分析、建议”“根据当前的代码库自动生成单元测试，覆盖80%以上的代码”“根据用户的需求生成一份产品设计方案，包括原型图、功能列表、技术架构”。

1.4.3 完全自主型Agent（Fully Autonomous Agent）

• 自主决策程度：70%-90%——核心控制器能够自主感知环境、自主制定目标、自主生成复杂的多步骤任务规划、自主调用预定义的工具或自动生成新的工具执行任务、自主接收外部环境的反馈并持续优化迭代，人类仅能在初始阶段设定一些约束条件（如“创作一部关于环保的科幻漫画，不要有暴力内容”），无法干预Agent的具体决策和执行过程。
• 交互协作模式：单主体交互——仅与人类在初始阶段交互，后续的决策和执行过程完全自主，没有与其他Agent交互的能力。
• 典型例子：AutoGPT（完全自主的通用Agent）、BabyAGI（简化版的完全自主通用Agent）、GPT-5 Preview（半自主的科研协作Agent，但在某些场景下可以完全自主）、MangaGenius 001（半自主的漫画创作Agent，但在某些场景下可以完全自主）。
• 任务复杂度：能够完成复杂的、开放的、多步骤的任务，如“自主完成一篇关于AI Agent IP问题的10000字学术论文，包括选题、调研、文献综述、理论分析、实证研究、结论、参考文献”“自主设计并开发一个简单的AI聊天机器人，包括需求分析、架构设计、代码编写、测试、部署”“自主创作一部200页的科幻漫画，包括选题、剧本、分镜、绘图、上色、排版”。

1.4.4 工具型多智能体系统（Tool-Based Multi-Agent System）

• 自主决策程度：10%-30%——每个Agent都是工具型Agent，仅能理解人类的简单指令，调用预定义的工具执行简单的任务，没有自主制定目标、生成复杂规划、优化迭代的能力；多智能体系统的协调完全由人类负责，人类需要为每个Agent分配任务、监控任务执行、调整任务分配。
• 交互协作模式：多主体交互——与人类交互，同时Agent之间也会通过人类间接交互，但没有直接的Agent-Agent交互能力。
• 典型例子：由多个早期的ChatGPT Plugin Agent组成的团队（如一个负责搜索天气、一个负责搜索航班、一个负责搜索酒店，人类负责协调它们的任务）。
• 任务复杂度：只能完成中等复杂度的多步骤任务，但效率比单个工具型Agent高。

1.4.5 协作型Agent/多智能体系统（Collaborative Agent/Multi-Agent System）

• 自主决策程度：30%-70%——每个Agent都是辅助型Agent，能够理解人类的复杂指令，自主生成中等复杂度的多步骤任务规划，调用多个预定义的工具执行任务，能够根据人类的反馈和其他Agent的反馈调整规划和输出；多智能体系统的协调由核心控制器（可能是一个专门的协调Agent，也可能是人类）负责，核心控制器会根据每个Agent的能力分配任务、监控任务执行、调整任务分配。
• 交互协作模式：多主体交互——与人类交互，同时Agent之间也会通过专门的Agent通信协议直接交互。
• 典型例子：MetaGPT（由多个角色扮演Agent组成的软件开发团队Agent系统，包括产品经理Agent、架构师Agent、工程师Agent、测试工程师Agent、项目经理Agent，协调Agent负责分配任务、监控任务执行）、AutoGPT Team（由多个专业Agent组成的通用团队Agent系统）、Character.AI Group Chat（由多个虚拟角色Agent组成的聊天协作系统）。
• 任务复杂度：能够完成复杂的、开放的、多步骤的任务，如“自主设计并开发一个复杂的电商网站，包括需求分析、架构设计、前端开发、后端开发、数据库设计、测试、部署、营销策划”“自主创作一部10集的科幻电视剧本，包括选题、总编剧Agent写总剧本、分集编剧Agent写分集剧本、角色设计Agent设计角色、场景设计Agent设计场景”。

1.4.6 完全自主型多智能体系统（Fully Autonomous Multi-Agent System）

• 自主决策程度：70%-90%——每个Agent都是完全自主型Agent，能够自主感知环境、自主制定子目标、自主生成复杂的多步骤子任务规划、自主调用预定义的工具或自动生成新的工具执行任务、自主接收外部环境的反馈和其他Agent的反馈并持续优化迭代；多智能体系统的协调完全由Agent之间的交互完成，没有人类的干预，人类仅能在初始阶段设定一些约束条件（如“设计并开发一个环保主题的游戏，不要有暴力内容，目标用户是10-15岁的青少年”）。
• 交互协作模式：多主体交互——仅与人类在初始阶段交互，后续的协调、决策、执行过程完全由Agent之间的直接交互完成。
• 典型例子：目前还没有完全成熟的商业产品，但Google DeepMind的一些研究项目（如Multi-Agent Reinforcement Learning for Complex Tasks）和OpenAI的一些研究项目（如Multi-Agent Collaboration with GPT-4）已经具备了初步的完全自主型多智能体系统的能力。
• 任务复杂度：能够完成非常复杂的、开放的、多步骤的任务，甚至是人类目前无法完成的任务，如“自主设计并开发一个通用的AGI系统”“自主解决全球气候变化问题”“自主探索外太空并建立人类殖民地”