智能体agent的简单了解

智能体agent的简单了解

一 智能体agent定义

• 智能体（Agent）是指能够感知环境并采取行动以实现特定目标的代理体。它可以是软件、硬件或一个系统，具备自主性、适应性和交互能力。智能体通过感知环境中的变化（如通过传感器或数据输入），根据自身学习到的知识和算法进行判断和决策，进而执行动作以影响环境或达到预定的目标。智能体在人工智能领域广泛应用，常见于自动化系统、机器人、虚拟助手和游戏角色等，其核心在于能够自主学习和持续进化，以更好地完成任务和适应复杂环境。
• AI Agent，即人工智能体，是一种能够感知环境、进行自主理解、决策和执行动作的智能实体。
• 智能体是一种基于大语言模型的，具备规划思考能力、记忆能力、使用工具函数的能力，能自主完成给定任务的计算机程序。
• 如果把AI Agent理解为一个智能实体的话，LLM充当着智能体的“大脑”角色。AI Agent 会利用 LLM 的推理能力，把问题进行拆解，形成一个一个的小问题，并定义好这些小问题之间的前后关系，先处理哪个，再处理哪个。然后按照顺序，调用LLM、RAG或者外部工具，来解决每一个小问题，直至解决最初的问题。
  

二 AI Agent的基础架构

• 虽然LLM充当着智能体的大脑，但仅仅有“大脑”并不能完成复杂任务的执行。作为智能体，还需要如“神经感官系统”以及“肢体”的参与，这时候引入AIAgent的基础架构。
• Agent由4个关键部分组成，分别是：规划（Planning）、记忆（Memory）、工具（Tools）、行动（Action）。
  

1. 规划（Planning）——为了某一目标而作出的决策过程

“规划”充当着智能体的“思维模式”。如果用人类来类比，当接到一个任务时，思维模式可能会像下面这样：

• 首先会思考怎样完成这个任务。
• 然后会把任务拆解成多个子任务分步进行。
• 接着评估现有工具能够帮助我们高效达成目的。
• 在执行任务的时候，我们会对执行过程进行反思和完善，以持续调整策略。
• 执行过程中思考任务何时可以终止。

因此，可以通过 LLM 提示工程（Prompt），为智能体赋予这样的思维模式。比如：在编写提示的时候运用ReAct、CoT等推理模式，引导LLM对复杂的任务进行拆解，拆分为多个步骤，一步步思考和解决，从而使输出的结果更加准确。

2. 记忆（Memory）——收集信息并从中提取相关知识的能力

记忆是大脑存储、保留和回忆信息的能力。

仿照人类的记忆机制，智能体分为了两种记忆机制：

• 短期记忆，如：单次会话的上下文记忆会被短暂的储存，以用于多轮会话，在任务完结后被清空。
• 长期记忆，长时间被保留的信息，如：用户的特征信息、业务信息，通常用向量数据库来存储和快速检索。

3. 工具（Tools）

智能体具备感知环境与决策执行的能力，这离不开“神经感官系统”的帮助，“工具”便充当着这个角色。智能体通过工具从周边环境获取到信息（感知），经过LLM处理后再使用工具完成任务（执行）。

所以我们需要为智能体配备各种工具以及赋予它使用工具的能力。比如：

• 通过调用软件系统不同应用模块的API，获取到指定的业务信息，以及执行业务的操作权限。
• 通过调用外部的插件工具，来获取原本LLM并不具备的能力，

4. 行动（Action）基于环境和规划做出的动作

智能体基于规划和记忆来执行具体的行动，这可能包括与外部世界互动，或者通过工具的调用来完成一个动作，具体来说就是一个输入（Input）任务的最终输出（Output）。

如：实体AI机器人完成一个“鼓掌”动作的任务。

三 AI Agent示例

假设您需要与朋友在附近吃饭，需要AI Agent帮你预订餐厅。Agent会先对您提出的任务进行拆解，如：

第1步（获取当前所在方位）：

• 推理1：当前知识不足以回答这个问题，需要知道当前所在方位以及附近的餐厅
• 行动1：使用地图工具（Tools）获取当前所在方位
• 结果1：得出附近餐厅列表

第2步（确定匹配餐厅）：

• 推理2：确定预订的餐厅，需要知道您的饮食偏好以及其余细节(如:吃饭时间,人数)
• 行动2：从记忆（Memory）中获取您的饮食偏好、人数、时间等信息
• 结果2：确定最匹配的餐厅

第3步（预订餐厅）：

• 推理3：基于结果2，评估当前所拥有的工具能否完成餐厅预订
• 行动3：使用相关插件工具，进行餐厅预订（Aciton）
• 结果3：任务完成