AI Agent 能力分级：从工具到 AGI

两万五千个小时
3 阅读22分钟

AI Agent 能力分级：从工具到 AGI

📍 导航指南

根据你的背景，选择合适的阅读路径：

目录

借鉴汽车分级看 Agent 发展

在构建 AI Agent 的过程中，一个核心挑战是如何定义其“智能程度”。为了更清晰地理解 Agent 的演进，我们希望借鉴汽车的自动驾驶分级（SAE J3016），来看看 Agent 应该如何分阶段发展。

为什么要分级？

没有统一的分级框架，我们很难回答：“我的 Agent 到底有多智能？它和 ChatGPT 插件有什么区别？和 Devin 又差在哪里？”

分级框架的价值在于：

  1. 定位当前能力：知道自己在哪，才能知道差距。
  2. 设定合理预期：L2 的系统不应被要求完成 L4 的任务。
  3. 指明演进方向：从辅助执行到完全自主，需要补充哪些能力？

为什么用自动驾驶来类比？

自动驾驶的分级逻辑（L0-L5）核心在于：“谁在开车？” —— 是人类还是机器？各负责多少？

这与 AI Agent 的核心问题高度同构：“谁在决策？” —— 是人类还是 Agent？

两者都在解决同一件事：随着机器能力的提升，如何逐步、安全地将控制权从人类转移给机器。这种同构性让我们可以直接迁移自动驾驶的分级思维，而不需要从零发明新框架。

类比的核心逻辑

自动驾驶看的是 “动态驾驶任务的退出程度”，而 AI Agent 看的是 “人类干预/指令细度的退出程度”：

等级自动驾驶 (谁在开车)AI Agent (谁在决策)
L0人类全程控制人类逐步操作，机器执行固定指令
L1机器辅助单一方向机器执行预设脚本，人类控制路径
L2机器同时辅助横向和纵向机器完成子任务，人类在关键节点决策
L3特定条件下机器全权，人类待命特定领域内机器全流程自主，边界处求助
L4特定场景内机器完全自主跨领域复杂任务自主，极少需要人类介入
L5任何场景下机器完全自主任何场景下完全自主，具备自我进化能力

💡 核心差异：自动驾驶问的是“方向盘握在谁手里”，Agent 分级问的是“决策权握在谁手里”。两者都在量化“机器替代人类”的程度。

L0-L5 详细解析

L0：纯工具

"执行固定指令的机器"

核心特征
  • 完全由人类手动操作，机器没有任何自主性
  • 只执行单一的、预设的指令，没有记忆，没有上下文理解
  • 输入确定，输出确定，没有任何推理过程
典型例子
# 你输入 ls，它列出目录，做完即止
$ ls -la
total 48
drwxr-xr-x  6 user  staff   192 Mar 19 10:00 .

计算器、Unix 命令行工具、简单的 API 调用——这些都是 L0。它们是工具，不是 Agent。

与自动驾驶的对应
自动驾驶 L0AI Agent L0
无任何自动化，驾驶员全程控制无任何自主性，人类逐步操作
车道偏离预警（被动提示）计算器（被动执行）

小结：L0 是所有 Agent 的起点，也是很多"AI 工具"的真实水平。判断标准很简单：去掉人类的每一步操作，系统还能做什么？ 如果答案是"什么都做不了"，那就是 L0。

L1：工作流助手

"按剧本行事的执行者"

核心特征
  • 基于预定义的脚本或规则，自动完成机械性的重复操作
  • 执行路径完全由人类预先设计，机器只是"播放录制"
  • 减少重复劳动，但无法应对脚本之外的情况
典型例子
# RPA 脚本：每天早上自动登录系统，导出报表，发送邮件
def daily_report_task():
    login(url, username, password)      # 步骤1：登录
    navigate_to_report_page()           # 步骤2：导航
    export_csv(date=today)              # 步骤3：导出
    send_email(to=manager, file=csv)    # 步骤4：发送

Excel 宏、RPA（机器人流程自动化）、简单的定时任务——这些是 L1。

与自动驾驶的对应
自动驾驶 L1AI Agent L1
单一方向辅助（ACC 或 LCC，二选一）单一流程自动化（固定脚本）
驾驶员仍需全程监控人类设计路径，机器执行

小结：L1 的本质是 "把人类的操作录制下来，然后重放"。它能节省时间，但没有理解能力。一旦遇到脚本没有覆盖的情况（网页改版、数据格式变化），就会直接失败。

L2：任务助手

"能完成子任务，但需要你把关"

核心特征
  • 具备单一领域的规划能力，能调用工具完成子任务
  • 在关键节点需要人类确认或决策
  • 有基本的上下文理解，但缺乏长期记忆和复杂推理
  • 人类负责"目标"，Agent 负责"步骤"
典型例子
用户：帮我订一张明天去上海的机票

Agent：我找到以下航班，请选择：
       1. CA1234  08:00-10:15  ¥680
       2. MU5678  10:30-12:45  ¥520
       请问选哪个？（需要你来决策）

早期的智能音箱、简单的客服机器人、能查询单一数据源的 Chatbot——这些是 L2。

与自动驾驶的对应
自动驾驶 L2AI Agent L2
同时辅助横向和纵向（ACC + LCC）同时处理多个子任务
驾驶员仍需时刻监控，随时接管人类在关键节点确认，随时介入

小结：L2 是目前大多数"AI 助手"产品的真实水平。它能帮你做事，但决策权仍在你手里。判断是否是 L2 的关键：Agent 在完成任务的过程中，是否需要多次向你确认？ 如果是，那就是 L2。

L3：垂直领域专家

"特定赛道上的自动驾驶"

核心特征
  • 全流程自主：在特定领域（如编程、数据分析、法律检索）内能自主完成闭环任务。
  • 元认知能力：具备多步骤规划与工具调用能力，且能识别自身能力边界。
  • 主动暂停：遇到超出授权范围或不可逆操作时，主动请求人类介入。
  • 责任转移：在擅长领域内，任务执行的责任主体首次从人类转向 Agent。
典型例子：Claude Code

Claude Code 是目前 L3 最具代表性的产品之一。它的工具链覆盖了编程领域的完整闭环：读取文件、修改代码、执行命令、搜索代码库及运行测试。

用户：帮我修复这个 bug，测试通过后提交 PR

Agent 自主执行流：
  1. 🔍 分析：读取报错信息，定位问题文件
  2. 🧠 规划：分析逻辑，设计修复方案
  3. 🛠️ 执行：修改代码，运行单元测试
  4. 📝 整理：测试通过，自动生成 PR 描述
  5. ⚠️ 暂停："PR 需要人工审核后才能提交，请确认。"
深度解析：L3 的“安全线”

L3 的核心设计哲学是：在能力范围内极致自主，在边界处让人类接管。

Claude Code 设定了一条清晰的“安全线”：

  • ✅ 自主执行：读写文件、运行测试、搜索代码。
  • ⚠️ 暂停确认：删除文件、force push、修改生产环境配置。

关于 bypassPermissions 模式： 这是一个允许 Agent 越过安全线的变体。虽然它能在自动化流水线或 CI 环境中实现无人值守的连续执行，但代价是将“边界判断”完全交给了 Agent。从分级上看，这改变的是安全策略而非能力边界，它依然处于 L3 阶段。

迈向 L3.5：如果通过本地持久化文件（如 claude.md）赋予 Agent 跨 Session 的记忆能力，它将进化为 L3.5——补齐了记忆短板，但在主动性和跨领域协作上仍有提升空间。

与自动驾驶的对应
自动驾驶 L3AI Agent L3
特定场景自主（如高速公路）特定领域自主（如编程/数据）
系统无法处理时要求人类接管遇到边界/高风险操作主动暂停求助
驾驶责任首次由驾驶员转向车辆任务执行责任首次由人类转向 Agent

小结：L3 是当前 Agent 技术的最前沿。它与 L2 的本质区别在于其 “元认知”能力——即能够“知道自己不知道什么”，并能在边界处果断止步而非硬撑或乱猜。

L4：全能管家

"你只需要说目标，其余交给我"

核心特征
  • 具备长期记忆、跨应用协同能力、主动服务意识
  • 能理解模糊的、高层次的指令，并能预判需求
  • 在绝大多数场景下无需人类干预，只有极少数特殊情况才需要帮助
  • 能跨领域协调多个工具和系统
典型例子
用户：帮我策划一场难忘的周年纪念日

Agent 自主完成：
  1. 从记忆中提取：配偶喜欢法餐，不喜欢嘈杂环境
  2. 查询日历：确认当天无其他安排
  3. 搜索餐厅：筛选符合条件的法餐厅，预订座位
  4. 检查天气：发现傍晚有雨，调整户外活动计划
  5. 购买礼物：根据预算和喜好，下单并安排配送
  6. 设置提醒：提前 2 小时提醒你出发
  7. 汇报："已安排完毕，详情如下..."
深度案例：OpenClaw（L4.5）

OpenClaw 是目前最接近 L4 的开源项目，也是 2025-2026 年增长最快的 AI Agent 项目之一（GitHub 180K+ stars）。

它的核心设计和 Claude Code 有一个根本性的不同：OpenClaw 是持续运行的，不是被动等待的。

Claude Code：你发消息 → 它响应 → 结束
OpenClaw：  它一直在线，主动监听，随时行动

OpenClaw 的三个关键能力让它突破了 L3 的天花板：

1. 跨应用统一调度

它不是一个只能操作文件的工具，而是一个可以同时连接你所有数字生活的枢纽：

消息平台：WhatsApp、Telegram、Discord、Slack、iMessage
生产力工具：邮件、日历、文件系统
开发工具：代码执行、终端命令

2. 持久记忆

自托管架构意味着它的记忆不会在对话结束后消失。它记得你上周说的偏好，记得上个月处理过的任务模式，记得你的工作习惯。

3. 主动性

这是 L3 和 L4 最本质的区别。OpenClaw 不需要你每次都发起对话——你可以设定规则，让它在特定条件下自动触发：

"每天早上 9 点，汇总昨天的未读消息"
"收到带附件的邮件时，自动整理到对应文件夹"
"当 GitHub 有新 PR 时，通知我并附上摘要"

4. 动态 Skill 生成

这是 OpenClaw 最接近 L5 的能力——你可以通过自然语言指令，把一段操作封装成可复用的 skill：

用户："把刚才整理邮件的操作保存成一个 skill"
OpenClaw：封装完成，下次直接说"整理邮件"即可触发

这和"开发者预先写好插件"有本质区别——能力边界开始由用户自己决定，而不是开发者。

为什么是 L4.5 而不是 L5？

OpenClaw 的 skill 创建仍然需要人类主动发起指令。L5 的标志是它自己判断"这个操作值得封装成 skill"，然后主动提议：

L4.5（现在）：你说"帮我把这个做成 skill" → 它才封装
L5（目标）：  它观察到你重复做同一件事 → 主动说"要不要我帮你自动化这个？"

此外，它的触发机制仍是规则驱动而非意图推断，记忆管理也依赖插件而非原生代谢机制。

与自动驾驶的对应
自动驾驶 L4AI Agent L4
特定场景（城市道路）内完全自主绝大多数任务场景内完全自主
无需人类接管，但仍有设计运行范围无需人类干预，但仍有能力边界
可以没有方向盘（乘客模式）人类只需设定目标，不参与执行

小结 ：L4 的标志是"目标驱动"而非"指令驱动" ，以及"主动运转"而非"被动响应"。OpenClaw 通过动态 skill 生成已经触碰到 L5 的边界，准确定级是 L4.5——它是目前最接近 L5 的产品，但那最后一步（自主判断何时进化）仍未跨越。

对比：Claude Code 为什么卡在 L3？

同样是当前最强的 coding agent，Claude Code 和 OpenClaw 的差距恰好揭示了 L3→L4 的三道门槛：

维度Claude Code (L3)OpenClaw (L4)
记忆❌ 每次对话从零开始✅ 跨 session 持久记忆
主动性❌ 需要人类发起对话✅ 自主监听，条件触发
跨领域❌ 只能操作代码/文件✅ 消息、邮件、日历、代码统一调度

Claude Code 的设计目标是**"编程领域的极致专家"**，它把所有精力放在把 L3 做到最好——工具链完整、安全边界清晰、代码理解深度强。这是一种有意识的取舍，而不是能力不足。

OpenClaw 的设计目标是**"数字生活的统一入口"**，它牺牲了部分垂直深度，换来了跨领域的广度和持续运转的主动性。

两者并不是竞争关系，而是不同层级的代表：先有 Claude Code 这样的 L3 专家，才有 OpenClaw 这样的 L4 管家。

L5：数字生命体

"不需要你，它也在运转"

核心特征
  • 在任何场景下都能像人类（甚至超越人类）一样处理任何任务
  • 具备自我进化能力：能根据需求创造新工具，扩展自身能力边界
  • 拥有"代谢机制"：在没有任务时进行自我反思、记忆合并、能力优化
  • 不受设计运行范围限制
三个深层挑战

到达 L5 边缘，意味着架构重心已经从"如何让 Agent 完成任务"转向了"如何让 Agent 维持生命感"。

挑战 1：从"任务逻辑"转向"代谢逻辑"

传统 Agent 是反应式的：

用户输入 → 思考 → 执行 → 结束

L5 系统需要一种代谢机制：

低功耗运行：没有任务时，进行自我反思、记忆合并、工具库优化
信息吞吐：主动筛选环境中的高价值信息，转化为内部"激活能力"
持续演化：每次交互后，能力边界都在悄悄扩展

挑战 2：解决"意识的底噪"问题

L5 的系统不能拥有完美记忆，因为完美记忆会导致注意力被噪音淹没。

索引失败 vs. 真正丢失：
  技能不应该是消失了，而是因为长时间不被激活而进入"冷存储"

高质量剪枝：
  只有当 Agent 能识别哪些动作是"脚手架"（用完即拆），
  哪些是"地基"（永久保留），它才能实现真正意义上的长久存活

挑战 3：激活能力的"自我繁衍"

L5 的标志之一是 Agent 能够根据需求制造工具：

如果现有的 Skill 无法解决问题，
它是否具备在沙箱中编写、测试并封装新工具的能力？

这种"思考即激活"的模式，
让 Agent 的能力边界不再是静态的文档，
而是一部动态增长的百科全书。
与自动驾驶的对应
自动驾驶 L5AI Agent L5
任何可行驶条件下完全自主任何场景下完全自主
不受设计运行范围限制不受能力边界限制
表现超越人类驾驶员表现超越人类专家

小结：L5 目前仍是理论目标。它的核心不是"更强的模型"，而是架构层面的根本转变——从"完成任务的工具"变成"持续存在的智能体"。

猜想：OpenClaw 如何演进到 L5？

如果以 OpenClaw 为起点，L4→L5 需要跨越的不是功能堆砌，而是三个架构层面的根本转变。

第一步：从"用户驱动的 Skill 生成"到"自主驱动的 Skill 生成"

OpenClaw 现在已经能通过自然语言指令把操作封装成 skill——但这个封装动作需要用户主动发起。L5 需要它自己判断什么时候该封装：

现在（L4.5）：用户说"把这个操作存成 skill" → 它才封装
L5（目标）：  它观察到你重复执行同一操作 → 主动提议"要不要我帮你自动化这个？"
             → 用户确认后自动封装，下次直接调用
             → 甚至不需要确认，直接封装并告知

这意味着能力边界的扩展从"用户决定"变成"Agent 自己决定"。

第二步：从"被动记忆"到"主动遗忘"

OpenClaw 现在的记忆是累积式的——所有交互都保留。但完美记忆是 L5 的障碍，不是优势。

L5 需要一套"记忆代谢"机制：

热存储：近期高频使用的偏好和模式
温存储：低频但重要的长期知识
冷存储：长时间未激活，压缩归档
主动剪枝：识别"脚手架"（用完即删）vs "地基"（永久保留）

就像人类不会记住每一顿饭吃了什么，但会记住自己不喜欢香菜。

第三步：从"条件触发"到"自主判断触发"

OpenClaw 现在的主动性依赖规则——你设定"每天 9 点汇总消息"，它才执行。L5 需要它自己判断什么时候该主动：

现在：规则触发 → "每天 9 点执行 X"
L5：  意图推断 → "我注意到你最近每天 9 点都在看消息，
                  要不要我帮你自动整理？"
               → 用户确认后，自动建立新的触发规则
               → 下次不再询问，直接执行

这是从"执行规则"到"理解意图、自主建立规则"的跨越。

路径总结

OpenClaw (L4.5)
  + 自主判断何时封装 Skill  → 能力边界自我扩展
  + 记忆代谢机制            → 长期存活不退化
  + 意图推断式触发          → 真正的主动智能
= L5 数字生命体

这三步没有一步是靠"更大的模型"解决的——它们都是架构问题。这也是为什么 L5 的时间表比大多数人预期的要长。

总结对比表

级别自动驾驶 (SAE)AI Agent核心特征人类角色典型产品
L0无自动化纯工具执行固定指令，无上下文操作员计算器、命令行
L1辅助驾驶工作流助手固定脚本自动化操作员RPA、Excel 宏
L2部分自动驾驶任务助手单点任务自主，需节点确认监督者/决策者早期智能音箱
L3有条件自动驾驶垂直领域专家特定领域全流程自主，边界求助后备方案Devin、Claude Code
L3.5—有记忆的专家L3 + 跨 session 记忆，但仍被动触发后备方案Claude Code + bypassPermissions + 本地文件
L4高度自动驾驶全能管家跨领域复杂任务自主，主动运转目标设定者—
L4.5—进化中的管家L4 + 用户指令驱动的动态工具生成目标设定者OpenClaw
L5完全自动驾驶数字生命体通用问题解决，自我进化共存者理论目标

如何定位你的 Agent

用这三个问题快速判断你的系统处于哪个级别：

问题 1：任务中途，Agent 需要向用户确认几次？

多次确认 → L2
偶尔确认（遇到边界）→ L3
几乎不确认 → L4+

问题 2：遇到没有预设处理方案的情况，Agent 会怎么做？

直接失败/报错 → L1
停下来问用户 → L2-L3
自己想办法解决 → L4+

问题 3：Agent 有没有跨任务的记忆？

没有，每次对话从零开始 → L2 及以下
有，但只在特定领域内有效 → L3
有，跨领域、跨时间都有效 → L4+

实践建议：大多数团队当前构建的系统在 L2-L3 之间。不要急于跳到 L4，先把 L3 做扎实——让 Agent 在它擅长的领域内真正可靠，比让它在所有领域都"差不多能用"更有价值。

🗺️ 不同级别的技术栈映射表

知道自己在哪个级别之后，下一步是选对工具。每个级别的核心技术组件、关键挑战和可参考的开源项目：

各级别技术栈

级别核心技术组件关键挑战开源参考项目
L2LLM API + Prompt Template + Search/Tool API工具调用准确率、错误处理LangChain, LlamaIndex
L3ReAct Loop + Tool Definition + Local File Context + 权限控制多步规划成功率、边界识别Claude Code, LangGraph, AutoGPT
L3.5L3 + 跨 Session 持久化文件 / SQLite + bypassPermissions记忆一致性、上下文膨胀Claude Code + MEMORY.md
L4.5Long-term Memory (Vector DB / SQLite) + 跨应用 API 抽象 + 任务队列 + Skill 封装系统记忆检索准确率、跨应用冲突解决OpenClaw, MemGPT
L5元认知模块 + 沙箱环境 + 记忆代谢算法 + Periodic Reflection Agent自主判断何时进化、遗忘机制设计暂无成熟方案

演进路径上的关键跨越

跨越需要新增的技术核心难点
L2 → L3ReAct/CoT 规划模块、工具调用框架、短期记忆管理规划成功率、错误恢复
L3 → L4持久记忆向量库、跨应用 API 抽象、任务队列、主动触发机制记忆检索准确率、冲突解决
L4 → L5元认知模块、沙箱代码执行环境、记忆代谢算法、意图推断引擎自主判断何时进化、遗忘机制

常见问题 FAQ

Q: ChatGPT 是哪个级别？

A: 取决于使用方式。裸用 ChatGPT 对话是 L2；配合 Code Interpreter 做数据分析接近 L3；配合 Memory 和 Actions 在特定场景下可以达到 L3.5——有跨 session 记忆，但仍缺乏主动性和跨领域协调。

Q: 哪个跨越最难？

A: L4→L5。L3→L4 有清晰的工程路径（加记忆、加主动触发、加跨应用集成），OpenClaw 已经证明可行。但 L4→L5 需要的"自主进化"和"意图推断触发"目前没有成熟的架构方案，是真正的未知领域。

Q: 分级是固定的吗？同一个 Agent 能在不同场景下处于不同级别？

A: 是的。一个 Agent 在它擅长的领域可能是 L3，在陌生领域可能退化到 L2。这正是为什么"垂直领域专家"是 L3 的典型形态——它在特定赛道上是 L3，但不是全能的。

Q: 提升 Agent 级别，主要靠更好的模型还是更好的架构？

A: 主要靠架构，模型是基础但不是瓶颈：

  • L2 → L3：架构（工具调用、规划循环、错误恢复）
  • L3 → L4：架构（持久记忆、跨应用集成、主动触发机制）
  • L4 → L5：架构（元认知、记忆代谢、意图推断）——目前没有清晰路径

OpenClaw 从 L4 到 L4.5 的跨越，靠的是 Skill 封装系统这个架构创新，而不是换了更强的模型。

Q: 这个分级和 Anthropic、OpenAI 的 Agent 分级有什么关系？

A: 各家公司有自己的内部分级框架，但核心逻辑相似——都在衡量"自主性程度"。本文的框架借鉴自动驾驶标准，增加了 L3.5 和 L4.5 两个中间级别，更贴近当前产品的实际状态。

🔬 三款产品横向对比

工具级别记忆主动性跨领域动态工具生成
Claude CodeL3❌❌❌❌
Claude Code + bypassPermissions + 本地文件L3.5✅❌❌❌
OpenClawL4.5✅✅✅✅（用户驱动）

L3→L4 的三道门槛是记忆、主动性、跨领域；L4→L5 的关键一跳是自主进化——从"用户告诉它进化"到"它自己决定进化"。

📝 结语

自动驾驶用了 20 年从 L0 走到 L3 的商业落地，AI Agent 的演进速度可能更快，但面临的挑战并不更少。

分级框架的价值不在于给系统贴标签，而在于帮你看清楚当前在哪、下一步需要什么。

L0-L1：工具层  → 解决"能不能自动化"的问题
L2-L3：助手层  → 解决"能不能理解意图"的问题
L4-L5：自主层  → 解决"能不能独立存在"的问题

大多数团队现在处于 L2-L3 的过渡地带。这里有足够多的工程挑战值得深耕，也有足够清晰的路径可以前进。

参考资源：

avatar
文章
阅读
粉丝