AI Agent智能体/代理主流框架/智能代理的未来与挑战！

为了记录学习过程，最近需要写笔记。先看一组数据：

其他条件都相同，且在zero shot的情况下，GPT-3.5的正确率为48.1%，GPT-4的表现更好，达到67.0%。

然而，加入了Agentic Workflow智能体工作流程之后，GPT-3.5的正确率直接飙到了95.1%，——Agent工作流效果显著，而且GPT-3.5比GPT-4得到的提升更加可观。

PS:Zero-shot模式是机器学习和人工智能中的一个概念，指的是模型在没有接受特定任务训练的情况下，直接对新任务进行推理和执行的能力。

那么AI Agent是什么呢？有什么组成？

AI Agent结构是Agentic Workflow-智能体工作流，是一种利用人工智能代理(AI Agents)来执行任务的迭代和多步骤方法。能让Zero-shot表现优秀，这就要求模型需要具备很强的泛化能力，这通常需要在大规模的数据集上进行训练，才能让模型获得广泛的知识和理解能力，同时也要求通过自然语言来定义任务时更加的明确清晰，通过模型的in-context-learning触发更好的任务表现能力。

那么其有什么组成呢：

Agentic Workflow-智能体工作流由四个部分组成，其中包含

Reflection(反思)：让 Agent 审视和修正自己生成的输出，并提出改进的方法。

Tool Use(工具)：LLM 利用Web搜索、代码执行或任何其他功能的工具，来帮助自己收集信息、采取行动或处理数据。

Planning(规划)：让 Agent 分解复杂任务并按计划执行。比如一篇论文，首先写大纲，然后搜索和研究各部分内容，再写草稿)。

Multiagent Collaboration(多智能体协同)：多个 Agent 扮演不同角色合作完成任务，分工合作，提出比单个智能体更好的解决方案。

关于Reflection(反思)，我们可以这么理解“我们给一些反馈和较正，就比如我们让大模型写一段代码，然后将它输出的代码片段再输入回去，让大模型仔细检查代码的准确性和结构规范性，并给出评论。”

关于Tool Use(工具)，可以这么理解“LLM可以调用给定的函数来利用一些工具收集信息、采取行动或操作数据”

关于Planning(规划)，一种允许AI代理动态决定采取哪些步骤的能力，特别是在那些无法提前指定任务分解为一系列步骤的复杂任务中。这种能力使得AI代理能够自主地决定以未被预期的方式执行任务。简单来说就是使用大语言模型LLM将目标任务分解为更小的子任务，然后自主决定执行的步骤。

关于Multiagent Collaboration(多智能体协同)，你可以让一个大语言模型扮演不同的角色，比如让一个 Agent 扮演公司 CEO、产品经理、设计师、代码工程师或测试人员，这些 Agent 会相互协作，根据需求共同开发一个应用或者复杂程序。

AI的能力会通过代理工作流程(agentic workflows)得到显著扩展

我们需要习惯于将任务委托给AI代理,并耐心等待响应。

快速生成token是重要的。即使是质量较低的语言模型,生成更多token也可以产生好的结果。

如果期待使用GPT-5/Claude 4/Gemini 2.0等先进的大型语言模型,可能需要在早期的模型上利用代理式推理(agentic reasoning)来获得良好的性能。

吴恩达演讲原视频：https://www.youtube.com/watch?v=sal78ACtGTc

欢迎大家讨论