OpenClaw、Claude Code爆火背后:伯恩斯坦揭秘AI智能体底层机制——LLM从“聊天”到“干活”还差这三大件

伯恩斯坦3月25日发布了最新研报，标题是《生成式AI 401：智能体（底层机制解析）——从LLM到Agentic AI，技术栈正在重构，软件应用层迎来新范式》。

核心观点：

1、智能体是什么？——在LLM外面“搭脚手架”

AI智能体并非全新的基础模型，而是构建在LLM之上的应用层组件。它通过给LLM配备记忆、外部知识库、工具调用接口和规则约束，弥补了基础LLM“记不住、信息旧、不能干活、爱胡说”的缺陷。

简单说，以前你问LLM一个问题，它只能凭训练数据回答；现在智能体可以记住对话历史、查询最新企业数据、调用第三方软件（如查天气、填报销单），并按既定流程执行多步骤任务。

2、三大核心组件：记忆、工具、规则

1）记忆：分短期记忆（保留对话上下文）和长期记忆（通过RAG或Agent检索访问专有知识库）。但上下文窗口有限，模型长文本性能会衰减，因此需要用总结LLM压缩信息。

2）工具与MCP：工具让LLM能“动手干活”。为了让LLM理解如何调用工具，开发者编写“工具schema”（JSON格式的说明书）。MCP（模型上下文协议）则是一个标准化协议，让不同智能体都能以统一方式访问第三方应用（如GitHub、CRM），避免重复开发。

3）规则/工作流/技能：通过预定义的流程、规则和技能文件，约束LLM的随机性，提高任务执行的准确性和一致性。工作流把LLM嵌入固定流程（如客服机器人先分类意图再查订单）；技能则给LLM一份任务指南（如“如何写一份盈利更新报告”），保留一定灵活性。

3、从通用到专用，发展节奏可能慢于预期

与大模型预训练时代“堆算力就变强”的通用路线不同，智能体需要针对每个场景精心设计上下文、工具和规则。这意味着智能体开发更像工程定制，而非一键部署。伯恩斯坦认为，短期内不会出现“万能自主智能体”，企业需要投入大量前置工程工作，甚至组建“前场部署工程师”团队，才能让智能体真正落地。

4、计算资源新需求

更多CPU消耗：纯LLM的训练和推理主要依赖GPU，而智能体的许多步骤（数据库检索、API调用、逻辑判断）将在CPU上执行。随着智能体普及，CPU使用量将增加，这对超大规模云厂商（如微软、甲骨文）是额外利好，既能带来增量收入，又能提高AI工作负载的毛利率。

5、数据基础设施迎来升级需求

智能体要访问企业数据，必须先有高质量、结构化的知识库。许多企业的数据分散、格式混乱、缺乏索引。因此，软件厂商纷纷推出“数据云”类产品，帮助客户准备数据。数据库厂商（微软、甲骨文、MongoDB、Snowflake）将受益于智能体带来的增量数据访问。

6、投资启示

应用软件公司具备优势，但落地需要时间：拥有客户数据和行业知识的应用软件公司（如Adobe、Salesforce、Workday等）在构建智能体方面具备天然优势。但伯恩斯坦提醒，构建真正好用的企业级智能体远比想象中复杂，需要大量工程和咨询投入，普及时间可能比市场预期更长。

⚠️ 免责声明：本文仅为报告学习分享，不构成任何投资建议。市场有风险，投资需谨慎。

👇 由于文件大小限制，无法在文章内直接分享PDF源文件。我已将这份完整的报告整理好，在公众号回复“研报”即可领取。