LLM 智能体环境工程综述：八属性八领域
中科院自动化所综述把 LLM 智能体的交互环境按八条属性轴和八个领域归类，再串起建模、合成、评测、协同进化整条流水线。最锋利的判断：现有环境几乎都撑不起多智能体场景。
快速答案
这是中科院自动化所（CASIA）的一篇综述，第一次把 LLM 智能体的”环境”当成一条完整的工程流水线来梳理：建模、合成、评测、应用。值得看的是它那套分类法。它用八条属性轴（比如符号 vs 神经、在线 vs 离线、单智能体 vs 多智能体）加八个领域（GUI、深度研究、具身、游戏、Web/工具、代码、特定领域、跨领域），把大约 145 个有名有姓的环境按规模、模态、可观测性排进对照表。如果你在训练或搭建智能体，看它的”地图”，别指望新的跑分。综述不做实验，没有自己的指标。
最值得引用的一句判断：现有环境基本撑不起多智能体场景，而符号系统的可靠性和神经系统的开放扩展性，至今没人干净地结合起来。这两个缺口才是它的真正贡献，其余是有条理的归档。
八条属性轴和八个领域
建模那一节是整篇的骨架。它没有给一张平铺的清单，而是把环境放在八条成对的轴上：
- 符号 vs 神经（手写规则和 API，还是 LLM 生成的世界）
- 开环 vs 闭环（环境会不会对动作做出反应）
- 在线 vs 离线（实时交互，还是回放静态轨迹）
- MDP vs POMDP（状态全可观测还是部分可观测）
- 确定 vs 非确定的状态转移
- 离散 vs 连续的动作与状态空间
- 单模态 vs 多模态（纯文本，还是带图像和视频）
- 单智能体 vs 多智能体
这些轴有用，是因为它们决定一个环境能训出什么。一个确定、离散、单智能体的网页任务，搭起来便宜、验证容易，但教不了谈判，也教不了部分可观测下的推理。综述接着把环境分进八个领域，每个都列出规模、支持模态（文本/图像/视频）、可观测性、是否支持多智能体、连续性、是否在线，还直接给了 GitHub 或 Hugging Face 链接。熟悉的系统各就各位：WebArena、WebShop、Mind2Web 在 Web/GUI，SWE-bench、SWE-Gym 在代码，ALFWorld、ScienceWorld 在具身，Voyager、Crafter 在游戏。
符号合成 vs 神经合成
合成那一节回答的是搭建者真正会碰到的问题：怎么造出更多环境，又不用一个个手写？综述把自动合成分成两条路。
符号合成靠显式结构来造环境。一类是把已有静态任务套上标准接口；一类是把真实平台（网页、GUI、数据库、游戏）映射成可交互的外壳；还有一类是从逻辑、工具、代码里凑出全新任务。好处是可验证：正确性能确定性地判，这正是强化学习训练需要的。
神经合成用 LLM 或世界模型来生成场景、状态转移，甚至奖励信号。它能扩得更远，覆盖更杂、更开放的情况，但也继承了模型的幻觉，验证起来很难。综述把这个开放问题摆得很直白：符号系统可靠但有边界，神经系统能扩但不忠实，没人把两者干净地拼到一起。它还给合成出来的环境列了四条评价标准：正确性、多样性、复杂度、保真度。
智能体与环境的协同进化
应用那一节是综述态度最明确的地方。它主张环境和智能体是一起变强的，并把智能体的进化拆成四条路径：
- 记忆驱动：智能体攒经验、反复复用（经验进化）。
- 编排驱动：在多次运行里改进工作流和工具调用模式。
- 轨迹驱动：从采集到的交互日志里做离线学习。
- 探索驱动：在活的环境里靠在线探索改进。
环境这一侧也有三条进化路径：神经驱动（世界模型生成更难或更丰富的状态）、难度驱动（随智能体变强而抬高任务难度的课程式设计）、规模驱动（场景级和环境级的扩展，把广度铺开）。展望部分点了三个方向：环境即服务（Environment-as-a-Service）、多智能体环境，以及把符号可验证性和神经生成性融到一起的神经符号环境。
关键结果
这是综述，所以”结果”是分类法和领域级判断，不是指标：
- 范围：建模、合成、评测、应用四个阶段统一进一个框架；八条属性轴加八个领域。
- 目录规模：约 145 个环境条目进了对照表，标注规模、模态、可观测性、多智能体支持、连续性、是否在线，每条都链到对应的 GitHub 或 Hugging Face 仓库。
- 合成分法：两条范式（符号、神经），符号下有三个子类（任务驱动、真实世界驱动、从零合成），加四条评价标准（正确性、多样性、复杂度、保真度）。
- 协同进化结构：四条智能体进化路径加三条环境进化路径。
- 最锋利的判断：现有环境撑不起多智能体场景，符号可靠性和神经扩展性之间的取舍仍未解决。
局限与存疑
这篇综述是一张快照，缺口也写在表里。被收录的环境大多是单智能体、确定、离散的，因为这类最好搭、最好验，所以分类法可能把这个领域显得比实际更宽。同样的选择偏差砸在多智能体那一列上：它薄，不是因为综述漏了工作，是因为这领域本身没产出多少。于是”撑不起多智能体”这个标题，一半是发现，一半是现状的副产品。
第二个缺口是实证。综述断言符号环境可靠、神经环境可扩，但它两边都没量。没有一个共享基准，把同一个任务的符号版和神经版放在正确性或迁移上对比，所以核心取舍始终停在定性论证。保真度这条尤其明显：它被点名了，却没被操作化，到底怎么打分一个神经合成的环境忠不忠实于它模仿的世界？
最后，分类法只有能预测点什么才有用。这领域能做、而综述做不了的最强检验是：在某条属性轴高端训练的智能体，迁移到真实部署时，是不是真的比在每条轴便宜可验证那一端训练的更好。在这个证据出现之前，这八条轴是一套干净的归档系统，还不是一套被验证过的”什么样的环境能训出好智能体”的理论。
常见问题
智能体环境工程综述到底讲了什么？
它把 LLM 智能体的环境组织成一条工程流水线：建模（八条属性轴、八个领域）、自动合成（符号与神经）、评测、应用（智能体与环境的协同进化）。它把约 145 个环境（如 WebArena、SWE-bench、ALFWorld、Voyager）按属性和仓库链接编入对照表。
这篇综述用哪八条属性来分类智能体环境，方法是什么？
八条成对的轴是：符号 vs 神经、开环 vs 闭环、在线 vs 离线、MDP vs POMDP、确定 vs 非确定、离散 vs 连续、单模态 vs 多模态、单智能体 vs 多智能体。每条轴决定环境能训什么，确定的单智能体文本任务便宜又好验，却教不了部分可观测推理或谈判。
这篇智能体环境综述里符号合成和神经合成有什么区别？
符号合成靠显式结构造环境（套静态任务、映射真实平台、或从逻辑和代码凑任务），正确性能确定性地判。神经合成用 LLM 或世界模型生成场景和奖励，能扩到开放情况，但带着幻觉、难验证。综述把两者结合称为开放问题。
这篇综述的局限在哪，为什么说现有环境撑不起多智能体场景？
大多数被收录的环境是单智能体的，因为更好搭、更好做确定性验证。综述表里多智能体那一列很薄，所以它把多智能体环境和环境即服务列为优先方向。这个结论一半是真缺口，一半是这领域目前产出的副产品。
一句话：这篇 CASIA 综述是当前 LLM 智能体环境最干净的一张地图，强在分类法和找缺口（多智能体、神经符号融合），弱在它点了一堆取舍却一个都没量。读原始论文（arXiv）。