Agent时代是软件研发智能化变革的分水岭，人机协同的模式从人主导，AI辅助到分工协作转变，同时，在智能体的赋能下，研发人员的能力边界被打破，甚至不具备相关知识的人也可以将想法落地，诞生许多“一个人”的研发团队，而软件研发智能化的最关键指标AI代码生成占比将超过50%，这意味着，在研发产出上，人和AI贡献比例将出现反转。本分享将重点围绕Agent时代下，人与AI如何形成研发同侪，加速软件研发生产力变革。

当前的多重网络化环境给Agent协同带来系列关键难点问题：协同复杂度高、协同规模性大、协同动态性强。针对这些问题，我们突破了其中的核心理论和关键技术，提出了多重网络结构化的混杂多Agent集群协同技术，解决了网络多重性和主体混杂性对群智协同理论模型所带来的挑战，攻克了跨域场景资源调度效能差的理论难题，被众多国际权威学者列为本领域代表性成果。研发了多个群智协同工业软件系统平台，在多个行业的龙头企业进行了成功应用，获得了显著的经济效益和社会效益。

大模型技术正经历快速迭代与突破性发展，在多模态、推理等方面取得显著进展。在行业应用层面，大模型技术已深度融入各个垂直领域。大模型赋能企业智能化转型，通过Agent技术和垂直领域知识注入，实现特定场景下的专业化应用，为各行各业带来显著的效率提升和创新机遇。

首先围绕AI Agent的三个核心能力-任务规划、工具使用和记忆，梳理从依赖提示词和工作流的手工设计，向学习驱动和模型内化实现转变的过程。然后，结合两类典型应用场景, GUI Agent和Deep Research Agent，介绍技术路径和应用发展现状。最后，讨论系统层和模型层之间关系的变化，并展望未来趋势。

传统MARL在解决多智能体间信用分配与高效协同问题上已形成一套成熟的理论与方法，然而，如何将这些经典理论与基于大模型的现代智能体相结合，成为了当前的前沿挑战。本报告将系统性地梳理MARL从经典到大模型时代的技术演进脉络。具体包括：回顾以信用分配为核心的经典MARL框架，解析其如何解决同/异构智能体集群的协同决策难题；随后，报告将重点转向大模型多智能体系统与MARL的融合；并在最后展望这一交叉领域的未来趋势，探讨构建更通用、更强大的多智能体自治系统方面的潜在可能。

本课程旨在介绍如何将大语言模型构建为能够自主感知、规划、行动并学习的通用智能体。课程将围绕“感知-规划-行动-记忆”的核心框架，深入剖析关键技术：包括以ReAct框架为代表的任务规划，通过示范学习、教程学习与探索学习实现的工具学习，以及结合短期、长期和反思机制的记忆系统。我们还将探讨Agentic RL等前沿智能体学习范式。最后，介绍通用计算机控制、自动化科学研究等应用案例，展示大模型智能体的广阔前景与未来方向。