技术深度解析
“继承规则却未获得能力”这一核心失效模式，源于当今主流智能体框架的架构局限。大多数先进智能体（如基于LangChain、LlamaIndex或CrewAI构建的系统）运行在规划-检索-执行-反思循环上：LLM规划器分解目标，检索器获取相关上下文（包括规则或历史案例），LLM执行器调用工具，反思步骤可能分析结果。致命缺陷在于，“知识”——即那237条规则——以静态文本形式存在于向量存储中。智能体根据与当前状态的语义相似度检索规则，但除了LLM的下一个词预测外，缺乏验证、推理或适配规则的内部机制。
这创造了理解的拟像。智能体看似“知晓”规则因其能复述，却无法构建连接行动与结果的因果图。当专家智能体的规则#142写明“若API返回错误码429，等待60秒后重试”时，学生智能体会检索并执行此条。然而，若根本问题是身份验证令牌配置错误（导致持续403错误被误报为429），学生将如专家曾经那样无限盲试。它缺乏诊断规则前提条件（瞬时速率限制）是否成立的因果模型。
新兴研究正聚焦填补这一鸿沟。一种路径是整合世界模型与模拟。如Google的SIMA（可扩展指令多世界智能体）项目，通过在多个视频游戏环境中训练智能体来学习可泛化技能而非固定规则。英伟达与加州理工学院的开源项目Voyager采用带技能库的迭代提示系统，其突破点在于《我的世界》中的自动课程机制，使其能发现并修正自身错误。另一前沿是程序合成。不同于将规则存储为文本，如OpenAI的O1（或其前身已停产的Codex）等系统尝试生成体现原则的可执行代码，从而进行逻辑分析与调试。
| 架构范式 | 知识表征 | 规则继承中的失效模式 | 关键局限 |
|---|---|---|---|
| LLM + RAG（当前标准） | 规则作为向量数据库中的嵌入文本 | 逐字检索与应用规则，包括有缺陷的逻辑。缺乏因果理解。 | 静态的关联记忆。无法推理规则适用性或正确性。 |
| 神经符号混合系统 | 规则作为知识图谱中的逻辑谓词 | 能对规则进行逻辑推理，但难以处理模糊的现实情境。 | 神经感知与符号推理间的集成瓶颈。 |
| 世界模型 + 强化学习 | 通过与环境模型交互学习的策略 | 能泛化并避免特定错误状态，但需要大规模模拟。 | 样本效率低；为复杂领域构建精确世界模型难度极高。 |
| 程序合成 | 规则作为生成的可执行代码段 | 原则上能分析代码中的漏洞或边缘情况。 | 代码生成脆弱；生成代码的形式化验证尚未大规模解决。 |
数据启示： 上表演示了从当前脆弱的基于检索的方法，到更稳健但实验尚不成熟的范式光谱。该失败案例是主流LLM+RAG方法的通病，其将知识视为检索问题而非推理问题。
关键参与者与案例研究
解决智能体智能瓶颈的竞赛，正塑造着各大AI实验室与初创公司的战略。OpenAI专注于推理模型（如O1）与结构化输出，押注下一代具备内置“思考”时间的LLM将减少对外部规则检索的依赖。其方法隐含的论点是：解决方案在模型内部，而非其周边架构。
Anthropic的战略体现在Claude 3.5 Sonnet在智能体基准测试中的卓越表现，强调宪法AI与稳健诚实性。其智能体可能更擅长识别自身不确定性或当检索规则与更广泛原则冲突时，有望标记出继承的错误而非盲目执行。
初创公司正攻击基础设施层。Cognition Labs（Devin的创造者）展示的智能体不仅遵循规则，更探索问题空间，使用命令行、代码编辑器和浏览器在真实环境中测试验证其行动。这种交互式验证是纯RAG系统所缺乏的经验性规则测试形式。MultiOn与Adept AI正在构建能从真实软件环境中的人类演示学习的智能体，旨在捕捉行动背后的意图，而不仅是行动序列。
一个关键案例是开源项目AutoGPT。其早期的热度与后续暴露的局限性形成鲜明对比，成为探索智能体自主性边界与当前技术天花板的典型样本。