【AI Agent】一文讲透Agent！！

🔥Agent是什么？ Agent一词起源于拉丁语中的Agere，意思是“to do”。在LLM语境下，Agent可以理解为在某种能自主理解、规划决策、执行复杂任务的智能体‼️

👸Agent并非ChatGPT升级版，它不仅告诉你“如何做”，更会帮你去做。如果Copilot是副驾驶，那么Agent就是主驾驶🚗

👉自主Agent是由人工智能驱动的程序，当给定目标时，它们能够自己创建任务、完成任务、创建新任务、重新确定任务列表的优先级、完成新的顶级任务，并循环直到达到目标。

🔥最直观的公式

Agent = LLM+Planning+Feedback+Tool use

🔥Agent决策流程

👉感知（Perception）→ 规划（Planning）→ 行动（Action）

• 感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力👸

• 规划（Planning）是指Agent为了某一目标而作出的决策过程。

• 行动（Action）是指基于环境和规划做出的动作🚗

💪Agent通过感知从环境中收集信息并提取相关知识。然后通过规划为了达到某个目标做出决策。最后，通过行动基于环境和规划做出具体的动作💪Policy是Agent做出行动的核心决策，而行动又为进一步感知提供了观察的前提和基础，形成了一个自主的闭环学习过程。

🔥Agent 大爆发❤️

• 3月21日，Camel发布。

• 3月30日，AutoGPT发布。

• 4月3日，BabyAGI发布👸

• 4月7日，西部世界小镇发布。

• 5月27日，英伟达AI智能体Voyager接入GPT-4后，直接完胜了AutoGPT。通过自主写代码，它完全独霸了《我的世界》，可以在游戏中进行全场景的终身学习，根本无需人类插手‼️

• 就在同一时间，商汤、清华等共同提出了通才AI智能体 Ghost in the Minecraft (GITM)，它同样能够通过自主学习解决任务💪表现优异。这些表现优异的AI智能体，简直让人看到了AGI+智能体的雏形。

👸Agent 是让 LLM 具备目标实现的能力，并通过自我激励循环来实现这个目标🚗

它可以是并行的（同时使用多个提示，试图解决同一个目标）和单向的（无需人类参与对话）❤️

💪为Agent创建一个目标或主任务后，主要分为以下三个步骤：

1. 获取第一个未完成的任务

2. 收集中间结果并储存到向量数据库中

3. 创建新的任务，并重新设置任务列表的优先级

🔥人是如何做事的？

在工作中，我们通常会用到PDCA思维模型。基于PDCA模型，我们可以将完成一项任务进行拆解👸按照作出计划、计划实施、检查实施效果🚗然后将成功的纳入标准，不成功的留待下一循环去解决。目前，这是人们高效完成一项任务非常成功的经验总结‼️

🔥如何让LLM替代人去做事?

要让LLM替代人去做事，我们可以基于PDCA模型进行 规划、执行、评估和反思❤️

👉规划能力（Plan）-> 分解任务：Agent大脑把大的任务拆解为更小的，可管理的子任务，这对有效的、可控的处理好大的复杂的任务效果很好🚗

👉执行能力（Done）-> 使用工具：Agent能学习到在模型内部知识不够时（比如：在pre-train时不存在，且之后没法改变的模型weights）去调用外部API，比如：获取实时的信息、执行代码的能力、访问专有的信息知识库等等💪这是一个典型的平台+工具的场景，我们要有生态意识‼️即我们构建平台以及一些必要的工具，然后大力吸引其他厂商提供更多的组件工具，形成生态。

👉评估能力（Check）-> 确认执行结果：Agent要能在任务正常执行后判断产出物是否符合目标，在发生异常时要能对异常进行分类（危害等级）👸对异常进行定位（哪个子任务产生的错误）💪对异常进行原因分析（什么导致的异常）。这个能力是通用大模型不具备的，需要针对不同场景训练独有的小模型🚗

👉反思能力（Action）-> 基于评估结果重新规划：Agent要能在产出物符合目标时及时结束任务，是整个流程最核心的部分‼️同时，进行归因分析总结导致成果的主要因素❤️另外，Agent要能在发生异常或产出物不符合目标时给出应对措施，并重新进行规划开启再循环过程。

🌿LLM作为一种智能代理，引发了人们对人工智能与人类工作的关系和未来发展的思考。它让我们思考人类如何与智能代理合作‼️从而实现更高效的工作方式。而这种合作方式也让我们反思人类自身的价值和特长所在。

🔥架构

🔥记忆（Memory）

• 短期记忆：在上下文中学习。它是短暂且有限的，因为它受到Transformer的上下文窗口长度的限制。

• 长期记忆：代理在查询时可以注意到的外部向量存储，可以通过快速检索访问。

🔥反思（Reflection）

反思是由代理生成的更高级别🚗更抽象的思考。因为反思也是一种记忆，所以在检索时👸它们会与其他观察结果一起被包含在内。

反思是周期性生成的‼️当代理感知到的最新事件的重要性评分之和超过一定阈值时🌿就会生成反思。

• 让代理确定要反思什么💪

• 生成的问题作为检索的查询

🔥计划（Plan）

计划是为了做更长时间的规划。像反思一样，计划也被储存在记忆流中（第三种记忆），并被包含在检索过程中💪这使得代理能够在决定如何行动时🌿同时考虑观察、反思和计划。如果需要，代理可能在中途改变他们的计划（即响应，reacting）。

🔥类 LangChain 中的各种概念

• Models：也就是我们熟悉的调用大模型API。

• Prompt Templates：在提示词中引入变量以适应用户输入的提示模版‼️

• Chains：对模型的链式调用👸以上一个输出为下一个输入的一部分。

• Agent：能自主执行链式调用🚗以及访问外部工具。

• Multi-Agent：多个Agent共享一部分记忆，自主分工相互协作。

🔥Agent落地的瓶颈

Agent本身用到两部分能力，一部分是由LLM作为其“智商”或“大脑”的部分，另一部分是基于LLM，其外部需要有一个控制器，由它去完成各种Prompt，如通过检索增强Memory，从环境获得Feedback，怎样做Reflection等。

Agent既需要大脑，也要外部支撑。

• LLM本身的问题：自身的“智商”不够💪可进行LLM升级为GPT-5；Prompt的方式不对，问题要无歧义。

• 外部工具：系统化程度不够，需要调用外部的工具系统，这是一个长期待解决的问题🚗

现阶段Agent的落地，除了LLM本身足够通用之外，也需要实现一个通用的外部逻辑框架。不只是“智商”问题，还需要如何借助外部工具

❤️从专用抵达通用——而这是更重要的问题。

🌿解决特定场景的特定问题——将LLM作为一个通用大脑‼️通过Prompt设计为不同的角色，以完成专用的任务💪而非普适性的应用。关键问题，即Feedback将成为Agent落地实现的一大制约因素，对于复杂的Tools应用，成功概率会很低👸

🔥Agent从专用到通用的实现路径

假设Agent最终将落地于100种不同的环境，在目前连最简单的外部应用都难以实现的前提下，最终能否抽象出一个框架模型来解决所有外部通用性问题？

先将某一场景下的Agent做到极致——足够稳定且鲁棒，再逐步将它变成通用框架，也许这是实现通用Agent的路径之一。

🔥多模态在Agent的发展

• 多模态只能解决Agent感知上的问题，而无法解决认知的问题。

• 多模态是必然趋势，未来的大模型必然是多模态的大模型，未来的Agent也一定是多模态世界中的Agent。

🔥Agent新的共识正在逐渐形成

• Agent需要调用外部工具

• 调用工具的方式就是输出代码

🌿由LLM大脑输出一种可执行的代码，像是一个语义分析器‼️由它理解每句话的含义，然后将其转换成一种机器指令🚗再去调用外部的工具来执行或生成答案。尽管现在的 Function Call 形式还有待改进💪但是这种调用工具的方式是非常必要的，是解决幻觉问题的最彻底的手段。

🔥出门问问：希望做通用的Agent

在中国的市场环境下👸如果做一个与企业深度结合的Agent，最终将成为“外包”‼️因为它需要私有化部署，集成到企业工作流里🌿很多公司都会去争抢保险公司、银行、汽车领域的大客户。这将与上一代AI公司的结局非常相似，边际成本很难降低，且没有通用性。

🌿出门问问目前的魔音工坊🚗奇妙文等AIGC产品都属于面向内容创作者的、介于深度和浅度之间的应用，既不完全属于consumer，也不完全属于enterprise，同时还有面向企业用户的CoPilot，其定位也是在企业里找到具体的「场景」‼️做相对通用的场景应用。

🔥HF：Transformers Agents 发布

通过自然语言控制超过十多万个HF模型👸

🌿Transformers Agents，并加入到了 Transformers 4.29 之后的版本中。它在 Transformers 的基础上提供了一个自然语言 API，来 “让 Transformers 可以做任何事情”❤️

💪这其中有两个概念：一个是 Agent (代理)，另一个是 Tools (工具)，我们定义了一系列默认的工具，让代理去理解自然语言并使用这些工具‼️

• 代理：这里指的是大语言模型 (LLM)，你可以选择使用 OpenAI 的模型 (需要提供密钥)，或者开源的 StarCoder 和 OpenAssistant 的模型，我们会提示让代理去访问一组特定的工具🚗

• 工具：指的是一个个单一的功能👸我们定义了一系列工具，然后使用这些工具的描述来提示代理，并展示它将如何利用工具来执行查询中请求的内容‼️

💪我们在 Transformers 工具集包括：文档问答、文本问答、图片配文、图片问答、图像分割、语音转文本、文本转语音❤️零样本文本分类、文本摘要、翻译等‼️不过你也可以扩展这些一些与 transformers 无关的工具，比如从网络读取文本等，查看如何开发自定义工具🚗

👸未来是Agent的世界🌿在今天的Agent进程下，依然重复昨天AI的故事，私有化部署将面临挑战。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓