自主agent路线错了！华人学者提出LLM-HAS：从“自主能力”转向“协作智能”

构建无所不能、无需人类、完全自主行动的 AI agent，是当前大模型行业的热门研究方向。

主流观点认为，更高的自主性代表了更好的系统——减少人类介入本身就具有内在价值，而完全的独立性则应成为最终目标。

然而，华人学者Philip S. Yu（伊利诺伊大学芝加哥分校杰出教授、ACM Fellow、IEEE Fellow）、李东远（东京大学助理教授）团队却有着不一样的看法：

应当将进步的评判标准从“自主智能”转向“协作智能”，即发展以人机合作为核心的LLM-HAS（基于 LLM 的人-agent 系统）。

在这种范式下，AI 不再是孤立运作的“操作员”，而是人类的积极协作伙伴；在增强人类能力的同时，也保留了关键的人类判断与监管职责。

相关研究论文以“

A Call for Collaborative Intelligence: Why Human-Agent Systems Should Precede AI Autonomy

论文链接：

https://arxiv.org/pdf/2506.09420

在他们看来，AI 的进步不应以系统独立程度来衡量，而应以它们与人类协作的有效性来评判；AI最值得期待的未来，不在于取代人类角色的系统，而在于通过有意义的合作来提升人类能力的系统。

他们呼吁，业界和学界应从当前对完全自主 agent 的追逐，根本性地转向以人机协作为核心的 LLM-HAS。

为什么完全自主agent“不行”？

基于 LLM 的自主 agent 是一种能够在开放、真实世界环境中独立运行的系统，通过“感知-推理-行动”的循环完成任务，且无需人为干预。

与 Human-in-the-loop 系统不同，基于 LLM 的自主 agent 能够独立地解析目标、规划行为、调用工具，并通过基于语言的推理和记忆进行适应。

例如，在软件工程领域，GitHub Copilot 可以自主生成、测试并重构代码，几乎不需要开发者干预，加速了常规开发流程；在客户支持领域，AutoGLM、Manus 和 Genspark 等系统能够在无需人工干预的情况下，完成复杂的行程规划、自动预订以及解决服务问题，在动态环境中展现出优秀的感知-动作循环能力。

然而，当前基于 LLM 的自主 agent 在真实世界的部署仍面临以下三方面挑战：

1.缺乏可靠性、信任与安全

LLM 容易生成看似可信但实则虚假的“幻觉”内容。幻觉问题的普遍存在，直接削弱了人们对完全自主系统的信任。如果系统无法持续且可靠地提供准确的信息，它在高风险场景下（如医疗诊断、金融决策或关键基础设施控制）将极为危险。

2.处理复杂与模糊任务的能力不足

这类 agent 在需要深度推理的任务中表现不佳，尤其当目标本身含糊不清时更是如此。人类的指令往往并不明确；缺乏常识背景的 LLM 可能会误解任务，进而采取错误行为。因此，在如科学研究等目标开放、动态调整的复杂领域，它们并不可靠。

3.法规与法律责任问题

尽管这类系统具备“行动能力”，但在现有法律体系下，它们并不具备正式的法律责任主体资格。这就导致了责任与透明度之间存在巨大鸿沟：当系统造成伤害或做出错误决策时，很难厘清责任应由谁承担——是开发者、部署者，还是算法本身？随着 agent 能力的增强，这种“能力”与“责任”之间的法律鸿沟只会愈加严重。

LLM-HAS：以人机合作为核心的

与基于 LLM 的完全自主 agent 不同，LLM-HAS 是一种协作框架，其中人类与由 LLM 驱动的 agent 协同工作，共同完成任务。

LLM-HAS 在运行过程中始终保持人类参与，以提供关键信息和澄清说明，通过评估输出结果并指导调整来提供反馈，并在高风险或敏感场景中接管控制权。这种人类参与，确保了 LLM-HAS 在性能、可靠性、安全性和明确的责任归属方面的提升，尤其是在人类判断仍不可或缺的领域。

推动 LLM-HAS 的根本动因，在于它具备解决自主 agent 系统所面临关键局限和风险的潜力。

1.增强的信任与可靠性

LLM-HAS 的交互性特征，使人类能够实时提供反馈、纠正潜在幻觉输出、验证信息，并引导 agent 产生更准确、可靠的结果。这种协同验证机制是建立信任的关键，尤其在高错误代价场景下至关重要。

2.更好地处理复杂性与模糊性

相较于在面对模糊指令时容易迷失方向的自主 agent，LLM-HAS 借助人类持续的澄清能力而表现出色。人类提供关键的上下文、领域知识，并能逐步细化目标——这是处理复杂任务所不可或缺的能力。当目标表达不明确时，系统可以请求澄清，而不是在错误假设下继续操作。特别适用于目标动态演变的开放式研究或创造性工作。

3.更明确的责任归属

由于人在决策流程中持续参与，特别是在监督或干预环节，更容易建立明确的责任边界。在这种模式下，通常可以明确指定某个人类操作员或监督者为责任主体，从而在法律与监管上更具可解释性，远比一个完全自主的系统在出错后追责要清晰得多。

研究团队表示，LLM-HAS 的迭代式沟通机制有助于 agent 行为更好地对齐人类意图，从而实现比传统的基于规则或端到端系统更灵活、透明且高效的协作，从而广泛地应用于高度依赖人类输入、情境推理与实时互动的各类场景，涉及具身智能、自动驾驶、软件开发、对话系统以及游戏、金融、医疗等。

在上述领域中，LLM-HAS 将人类与 AI 的交互重新定义为基于语言的协作过程，该过程受反馈塑造并由适应性推理驱动。

五大挑战与潜在解决方案

尽管 LLM-HAS 展现出广阔的应用前景，但要成功落地，还必须在开发全周期中审慎应对其固有挑战。主要涉及初始设置、人类数据、模型工程、后期部署和评估。

1.初始设置：仍聚焦于 agent 本身

目前关于 LLM-HAS 的大部分研究采用以 agent 为中心的视角，其中人类主要评估 agent 的输出并提供纠正反馈，这种单向交互主导了现有范式，重新塑造这种动态关系存在巨大潜力。

若使 agent 能够主动监控人类表现、识别低效环节并及时提供建议，将使 agent 的智能得到有效利用并减轻人类工作负荷。当 agent 转变为指导性角色，提出替代策略、指出潜在风险并实时强化最佳实践时，人类与 agent 的性能均会提升。研究团队认为，转向更以人为本或更平衡的 LLM-HAS 设计，是实现真正人-agent 协作的关键。

2.人类数据：人类反馈的差异性

人类在 LLM-HAS 中的反馈在角色、时机和表达方式上差异巨大。由于人类具有主观性，受个性等因素影响，同一系统在不同人手中可能产生完全不同的结果。

另外，很多实验中使用 LLM 模拟“伪人类”反馈。这类模拟数据往往无法真实反映人类行为差异，从而造成性能失真，削弱比较的有效性。

高质量人类数据的获取、处理与使用，是构建对齐良好、协作高效的 LLM-HAS 的基础。人类生成数据能够帮助 agent 获得更细致的理解，提升其协作能力，并确保其行为符合人类的偏好与价值观。

3.模型工程：缺乏适应性与持续学习能力

在 LLM-HAS 的开发中，打造真正“适应性强、可持续学习”的 AI 合作者仍是核心难题。

目前主流方法将 LLM 视为静态的预训练工具，导致“未能有效吸收人类洞见”、“缺乏持续学习与知识保持能力”和“缺乏实时优化机制”等问题，

要充分释放 LLM-HAS 的潜力，必须通过“人类反馈融合、终身学习机制和动态优化策略”的整合方式，突破上述瓶颈。

4.后期部署：尚未解决的安全脆弱性

部署后的 LLM-HAS 仍在安全性、鲁棒性和责任归属方面面临挑战。目前业界往往更关注性能指标，然而在人机交互中的可靠性、隐私与安全等问题尚未得到充分研究。确保可靠的人机协作需要持续监控、严格监督以及整合负责任的人工智能实践。

5.评估：评估方法不充分

当前针对 LLM-HAS 的评估体系存在根本缺陷。它们通常偏重 agent 的准确性与静态测试，往往完全忽略人类协作者所承担的真实负担。

因此，我们迫切需要一套新的评估体系，从（1）任务效果与效率、（2）人机交互质量、（3）信任、透明度与可解释性、（4）伦理对齐与安全性、（5）用户体验与认知负荷，多维度综合量化人类与 agent 在协作中的“贡献”与“成本”，从而真正实现高效、可靠且负责任的人-agent 协作。

更多内容，详见论文。

整理：学术君

如需转载或投稿，请直接在公众号内留言