AI Agents系列之AI代理架构体系

1. 引言

智能体架构是定义智能体组件如何组织和交互的蓝图，使智能体能够感知其环境、推理并采取行动。本质上，它就像是智能体的数字大脑——集成了“眼睛”（传感器）、“大脑”（决策逻辑）和“手”（执行器），用于处理信息并采取行动。

选择正确的架构对于构建有效的智能体至关重要。架构决定了智能体在响应速度、处理复杂性、学习适应性和资源需求方面的性能。例如，一个简单的反射式智能体可能在实时反应方面表现出色，但在长期规划方面会失败，而一个决策式智能体可能能够处理复杂的目标，但计算成本更高。了解这些权衡可以让工程师将架构与应用领域相匹配，以实现最佳性能和可靠性。

2. 智能体架构

智能体架构大致可以分为以下几类：

1. 反应式
2. 决策式
3. 混合式
4. 神经符号式
5. 认知式

作者提供的图像

2.1 反应式架构

最简单的智能体设计模式被称为 ReAct。在这种方法中，一个**大型语言模型（LLM）**首先分析情况并确定下一步要采取的行动。然后在环境中执行该行动，生成一个作为反馈的观察结果。LLM 处理这个观察结果，重新评估下一步动作，选择另一个行动，并继续这个循环，直到它认为任务完成为止。

反应式智能体架构的概念图，传感器输入直接触发条件-动作规则，产生即时响应，没有内部状态或规划。

2.1.1 用例

1. 反应式架构非常适合需要瞬间决策且具有可预测、明确定义响应的领域。经典例子包括机器人技术和游戏：一个机器人吸尘器或无人机在传感器检测到障碍物时会立即避开，或者视频游戏中的非玩家角色对玩家动作有脚本化的即时反应（例如，当玩家进入视线时，敌方警卫会发动攻击）。
2. 在工业环境中，简单的监控智能体可能会在传感器超出范围时触发警报或关闭设备。这些智能体在实时控制系统中表现出色，但由于它们缺乏全局规划，因此用于相对简单或严格受限的任务，其中所有情况的规则都可以预先定义。

反应式设计模式可以很容易地用纯代码构建，而无需使用框架来处理简单任务。

首先，我们需要一个大型语言模型作为智能体的大脑：

from dotenv import load_dotenv
from openai import OpenAI

_ = load_dotenv()
client = OpenAI()

然后我们可以构建一个简单的智能体类，用于返回我们的消息：

class Agent:
    def __init__(self, system=""):
        self.system = system
        self.messages = []
        if self.system:
            self.messages.append({
   "role": "system", "content": system})

    def __call__(self, message):
        self.messages.append({
   "role": "user", "content": message})
        result = self.execute()
        self.messages.append({
   "role": "assistant", "content": result})
        return result

    def execute(self):
        completion = client.chat.completions.create(
                        model="gpt-4o",
                        temperature=0,
                        messages=self.messages)
        return completion.choices[0].message.content

然后我们需要一个系统提示，为我们的智能体提供完成任务的指令，使用两个其他工具：一个用于数学计算，另一个用于查找给定犬种的平均体重。

import openai
import re
import httpx
import os

prompt = """
你将在一个循环中运行，循环顺序为：思考、行动、暂停、观察。
在循环结束时，你输出一个答案。
使用“思考”来描述你对所提问题的看法。
使用“行动”来运行可用的行动之一，然后返回“暂停”。
“观察”将是运行这些行动的结果。

你可用的行动有：

计算：
例如：计算：4 * 7 / 3
运行计算并返回数字——使用 Python，因此如有必要，请确保使用浮
点数语法

平均犬种体重&#x