AI Agent的理解分析

#AI Agent#

最近不少人聊到AI Agent，算是沟通或项目框架构建中的一个热门词汇，不论什么场景，似乎都愿意引入这个词，那么到底该如何理解AI Agent，个人分析如下，也希望AI Agent能在2025年大放异彩，也祝愿各位2025年顺顺利利，心想事成。

单纯的理解AI Agent，是一种能够感知环境、自主理解、决策和执行动作的智能实体。简单说，似乎就是一种基于大语言模型，能够通过独立思考、调用工具来逐步完成既定目标的计算机程序。

但他们的出现又不的独立存在，少不了LLM和RAG。

为啥呢？因为LLM的知识是提早训练好的内容，存在时效性的问题，加上用于训练的知识一般来源于公域的标准化知识，导致局限性的存在，所以为了解决LLM知识有限的问题，故需要将外部的知识提供给LLM进行学习，让它理解之后能自然的进行表达，而外部知识的出现这时候就需要用到RAG，其通过加入外部数据（如本地知识库、实时数据等）来增强 AI 模型的检索和生成能力，以便提高信息查询和生成质量。可见，无需过多解读RAG，它就是一种技术，作用于LLM，目的是增加输出结果的准确性。

这个时候如果把AI Agent理解为一个智能实体的话，那么LLM则充当着智能体的“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，分别调用 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。

---

本来想画图描述的，算了~~~后面找机会再补了。

---

当然，如果说LLM充当着智能体的大脑，且并不能完全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AI Agent的基础架构，这个内容即通俗的规划、记忆、工具、行动，这些都比较通俗，不做过多的重复描述了。

对于规划而言，我理解即可通过Prompt，为智能体赋予对应的思维模式，引导LLM对复杂的任务进行拆解，和进一步的思考和解决，从而使输出的结果更加准确。而记忆无非就是大脑存储、保留和回忆信息的存储能力。工具可以理解为感知调用和执行能力，可以是软件系统不同应用模块的API，也可以是外部的插件工具。最终，智能体基于规划和记忆来执行具体的行动，通过与外部世界互动，或者通过工具的调用来完成，具体来说无非就是一个Input和Output。

随着AI Agent自主性的进一步加强，将会逐渐替代越来越多的重复性工作。但从To B软件的角度来看，AI最终解决的核心问题仍然不变--降本增效。而对多数产品经理而言，在提升自己对AI理解能力的同时，还要持续提高自己对于产品所在行业的业务理解能力，毕竟在没有找到核心场景前，就算配套再先进的工具也带来不了任何价值。