如何對一個網(wǎng)站進(jìn)行seo,企業(yè)做網(wǎng)站大概需要多少錢,平面設(shè)計手繪網(wǎng)站,網(wǎng)站建設(shè)前期準(zhǔn)備工作本文系統(tǒng)介紹了智能體的定義、類型及運行原理#xff0c;詳細(xì)闡述了從傳統(tǒng)智能體到大語言模型驅(qū)動智能體的演進(jìn)過程。通過PEAS模型和智能體循環(huán)解析了智能體的工作機(jī)制#xff0c;并以智能旅行助手為例展示了實踐方法。文章還探討了智能體作為開發(fā)工具和自主協(xié)作者的兩種應(yīng)用…本文系統(tǒng)介紹了智能體的定義、類型及運行原理詳細(xì)闡述了從傳統(tǒng)智能體到大語言模型驅(qū)動智能體的演進(jìn)過程。通過PEAS模型和智能體循環(huán)解析了智能體的工作機(jī)制并以智能旅行助手為例展示了實踐方法。文章還探討了智能體作為開發(fā)工具和自主協(xié)作者的兩種應(yīng)用模式以及與Workflow的區(qū)別強(qiáng)調(diào)了智能體的自主決策能力為讀者構(gòu)建了完整的智能體知識框架。前排提示文末有大模型AGI-CSDN獨家資料包哦來源Datawhale 本文約15000字建議閱讀10分鐘 希望通過這些討論希望能為你未來的學(xué)習(xí)和探索打下堅實的基礎(chǔ)。第一章初識智能體歡迎來到智能體的世界在人工智能浪潮席卷全球的今天**智能體Agent**已成為驅(qū)動技術(shù)變革與應(yīng)用創(chuàng)新的核心概念之一。無論你的志向是成為AI領(lǐng)域的研究者、工程師還是希望深刻理解技術(shù)前沿的觀察者掌握智能體的本質(zhì)都將是你知識體系中不可或缺的一環(huán)。因此在本章讓我們回到原點一起探討幾個問題智能體是什么它有哪些主要的類型它又是如何與我們所處的世界進(jìn)行交互的通過這些討論希望能為你未來的學(xué)習(xí)和探索打下堅實的基礎(chǔ)。圖 1.1 智能體與環(huán)境的基本交互循環(huán)開源地址https://github.com/datawhalechina/Hello-Agents1.1 什么是智能體在探索任何一個復(fù)雜概念時我們最好從一個簡潔的定義開始。在人工智能領(lǐng)域智能體被定義為任何能夠通過傳感器Sensors感知其所處環(huán)境Environment并自主地通過**執(zhí)行器Actuators采取行動Action**以達(dá)成特定目標(biāo)的實體。這個定義包含了智能體存在的四個基本要素。環(huán)境是智能體所處的外部世界。對于自動駕駛汽車環(huán)境是動態(tài)變化的道路交通對于一個交易算法環(huán)境則是瞬息萬變的金融市場。智能體并非與環(huán)境隔離它通過其傳感器持續(xù)地感知環(huán)境狀態(tài)。攝像頭、麥克風(fēng)、雷達(dá)或各類**應(yīng)用程序編程接口Application Programming Interface, API**返回的數(shù)據(jù)流都是其感知能力的延伸。獲取信息后智能體需要采取行動來對環(huán)境施加影響它通過執(zhí)行器來改變環(huán)境的狀態(tài)。執(zhí)行器可以是物理設(shè)備如機(jī)械臂、方向盤或虛擬工具如執(zhí)行一段代碼、調(diào)用一個服務(wù)。然而真正賦予智能體智能的是其自主性Autonomy。智能體并非只是被動響應(yīng)外部刺激或嚴(yán)格執(zhí)行預(yù)設(shè)指令的程序它能夠基于其感知和內(nèi)部狀態(tài)進(jìn)行獨立決策以達(dá)成其設(shè)計目標(biāo)。這種從感知到行動的閉環(huán)構(gòu)成了所有智能體行為的基礎(chǔ)如圖1.1所示。1.1.1 傳統(tǒng)視角下的智能體在當(dāng)前**大語言模型Large Language Model, LLM**的熱潮出現(xiàn)之前人工智能的先驅(qū)們已經(jīng)對“智能體”這一概念進(jìn)行了數(shù)十年的探索與構(gòu)建。這些如今我們稱之為“傳統(tǒng)智能體”的范式并非單一的靜態(tài)概念而是經(jīng)歷了一條從簡單到復(fù)雜、從被動反應(yīng)到主動學(xué)習(xí)的清晰演進(jìn)路線。這個演進(jìn)的起點是那些結(jié)構(gòu)最簡單的反射智能體Simple Reflex Agent。它們的決策核心由工程師明確設(shè)計的“條件-動作”規(guī)則構(gòu)成如圖1.2所示。經(jīng)典的自動恒溫器便是如此若傳感器感知的室溫高于設(shè)定值則啟動制冷系統(tǒng)。這種智能體完全依賴于當(dāng)前的感知輸入不具備記憶或預(yù)測能力。它像一種數(shù)字化的本能可靠且高效但也因此無法應(yīng)對需要理解上下文的復(fù)雜任務(wù)。它的局限性引出了一個關(guān)鍵問題如果環(huán)境的當(dāng)前狀態(tài)不足以作為決策的全部依據(jù)智能體該怎么辦圖 1.2 簡單反射智能體的決策邏輯示意圖為了回答這個問題研究者們引入了“狀態(tài)”的概念發(fā)展出基于模型的反射智能體Model-Based Reflex Agent。這類智能體擁有一個內(nèi)部的世界模型World Model用于追蹤和理解環(huán)境中那些無法被直接感知的方面。它試圖回答“世界現(xiàn)在是什么樣子的”。例如一輛在隧道中行駛的自動駕駛汽車即便攝像頭暫時無法感知到前方的車輛它的內(nèi)部模型依然會維持對那輛車存在、速度和預(yù)估位置的判斷。這個內(nèi)部模型讓智能體擁有了初級的“記憶”使其決策不再僅僅依賴于瞬時感知而是基于一個更連貫、更完整的世界狀態(tài)理解。然而僅僅理解世界還不夠智能體需要有明確的目標(biāo)。這促進(jìn)了**基于目標(biāo)的智能體Goal-Based Agent**的發(fā)展。與前兩者不同它的行為不再是被動地對環(huán)境做出反應(yīng)而是主動地、有預(yù)見性地選擇能夠?qū)蚰硞€特定未來狀態(tài)的行動。這類智能體需要回答的問題是“我應(yīng)該做什么才能達(dá)成目標(biāo)”。經(jīng)典的例子是GPS導(dǎo)航系統(tǒng)你的目標(biāo)是到達(dá)公司智能體會基于地圖數(shù)據(jù)世界模型通過搜索算法如A*算法來規(guī)劃Planning出一條最優(yōu)路徑。這類智能體的核心能力體現(xiàn)在了對未來的考量與規(guī)劃上。更進(jìn)一步現(xiàn)實世界的目標(biāo)往往不是單一的。我們不僅希望到達(dá)公司還希望時間最短、路程最省油并且避開擁堵。當(dāng)多個目標(biāo)需要權(quán)衡時**基于效用的智能體Utility-Based Agent**便隨之出現(xiàn)。它為每一個可能的世界狀態(tài)都賦予一個效用值這個值代表了滿意度的高低。智能體的核心目標(biāo)不再是簡單地達(dá)成某個特定狀態(tài)而是最大化期望效用。它需要回答一個更復(fù)雜的問題“哪種行為能為我?guī)碜顫M意的結(jié)果”。這種架構(gòu)讓智能體學(xué)會在相互沖突的目標(biāo)之間進(jìn)行權(quán)衡使其決策更接近人類的理性選擇。至此我們討論的智能體雖然功能日益復(fù)雜但其核心決策邏輯無論是規(guī)則、模型還是效用函數(shù)依然依賴于人類設(shè)計師的先驗知識。如果智能體能不依賴預(yù)設(shè)而是通過與環(huán)境的互動自主學(xué)習(xí)呢這便是**學(xué)習(xí)型智能體Learning Agent的核心思想而強(qiáng)化學(xué)習(xí)Reinforcement Learning, RL**是實現(xiàn)這一思想最具代表性的路徑。一個學(xué)習(xí)型智能體包含一個性能元件即我們前面討論的各類智能體和一個學(xué)習(xí)元件。學(xué)習(xí)元件通過觀察性能元件在環(huán)境中的行動所帶來的結(jié)果來不斷修正性能元件的決策策略。想象一個學(xué)習(xí)下棋的AI。它開始時可能只是隨機(jī)落子當(dāng)它最終贏下一局時系統(tǒng)會給予它一個正向的獎勵。通過大量的自我對弈學(xué)習(xí)元件會逐漸發(fā)現(xiàn)哪些棋路更有可能導(dǎo)向最終的勝利。AlphaGo是這一理念的一個里程碑式的成就。它在圍棋這一復(fù)雜博弈中通過強(qiáng)化學(xué)習(xí)發(fā)現(xiàn)了許多超越人類既有知識的有效策略。從簡單的恒溫器到擁有內(nèi)部模型的汽車再到能夠規(guī)劃路線的導(dǎo)航、懂得權(quán)衡利弊的決策者最終到可以通過經(jīng)驗自我進(jìn)化的學(xué)習(xí)者。這條演進(jìn)之路展示了傳統(tǒng)人工智能在構(gòu)建機(jī)器智能的道路上所經(jīng)歷的發(fā)展脈絡(luò)。它們?yōu)槲覀兘裉炖斫飧把氐闹悄荏w范式打下了堅實而必要的基礎(chǔ)。1.1.2 大語言模型驅(qū)動的新范式以**GPTGenerative Pre-trained Transformer**為代表的大語言模型的出現(xiàn)正在顯著改變智能體的構(gòu)建方法與能力邊界。由大語言模型驅(qū)動的LLM智能體其核心決策機(jī)制與傳統(tǒng)智能體存在本質(zhì)區(qū)別從而賦予了其一系列全新的特性。這種轉(zhuǎn)變可以從兩者在核心引擎、知識來源、交互方式等多個維度的對比中清晰地看出如表1.1所示。簡而言之傳統(tǒng)智能體的能力源于工程師的顯式編程與知識構(gòu)建其行為模式是確定且有邊界的而LLM智能體則通過在海量數(shù)據(jù)上的預(yù)訓(xùn)練獲得了隱式的世界模型與強(qiáng)大的涌現(xiàn)能力使其能夠以更靈活、更通用的方式應(yīng)對復(fù)雜任務(wù)。表 1.1 傳統(tǒng)智能體與LLM驅(qū)動智能體的核心對比這種差異使得LLM智能體可以直接處理高層級、模糊且充滿上下文信息的自然語言指令。讓我們以一個“智能旅行助手”為例來說明。在LLM智能體出現(xiàn)之前規(guī)劃旅行通常意味著用戶需要在多個專用應(yīng)用如天氣、地圖、預(yù)訂網(wǎng)站之間手動切換并由用戶自己扮演信息整合與決策的角色。而一個LLM智能體則能將這個流程整合起來。當(dāng)接收到“規(guī)劃一次廈門之旅”這樣的模糊指令時它的工作方式體現(xiàn)了以下幾點規(guī)劃與推理智能體首先會將這個高層級目標(biāo)分解為一系列邏輯子任務(wù)例如[確認(rèn)出行偏好] - [查詢目的地信息] - [制定行程草案] - [預(yù)訂票務(wù)住宿]。這是一個內(nèi)在的、由模型驅(qū)動的規(guī)劃過程。工具使用在執(zhí)行規(guī)劃時智能體識別到信息缺口會主動調(diào)用外部工具來補(bǔ)全。例如它會調(diào)用天氣查詢接口獲取實時天氣并基于“預(yù)報有雨”這一信息在后續(xù)規(guī)劃中傾向于推薦室內(nèi)活動。動態(tài)修正在交互過程中智能體會將用戶的反饋如“這家酒店超出預(yù)算”視為新的約束并據(jù)此調(diào)整后續(xù)的行動重新搜索并推薦符合新要求的選項。整個“查天氣 → 調(diào)行程 → 訂酒店”的流程展現(xiàn)了其根據(jù)上下文動態(tài)修正自身行為的能力。總而言之我們正從開發(fā)專用自動化工具轉(zhuǎn)向構(gòu)建能自主解決問題的系統(tǒng)。核心不再是編寫代碼而是引導(dǎo)一個通用的“大腦”去規(guī)劃、行動和學(xué)習(xí)。1.1.3 智能體的類型繼上文回顧智能體的演進(jìn)后本節(jié)將從三個互補(bǔ)的維度對智能體進(jìn)行分類。1基于內(nèi)部決策架構(gòu)的分類第一種分類維度是依據(jù)智能體內(nèi)部決策架構(gòu)的復(fù)雜程度這個視角在《Artificial Intelligence: A Modern Approach》中系統(tǒng)性地提出[1]。正如 1.1.1 節(jié)所述傳統(tǒng)智能體的演進(jìn)路徑本身就構(gòu)成了最經(jīng)典的分類階梯它涵蓋了從簡單的反應(yīng)式智能體到引入內(nèi)部模型的模型式智能體再到更具前瞻性的基于目標(biāo)和基于效用的智能體。此外學(xué)習(xí)能力則是一種可賦予上述所有類型的元能力使其能通過經(jīng)驗自我改進(jìn)。2基于時間與反應(yīng)性的分類除了內(nèi)部架構(gòu)的復(fù)雜性還可以從智能體處理決策的時間維度進(jìn)行分類。這個視角關(guān)注智能體是在接收到信息后立即行動還是會經(jīng)過深思熟慮的規(guī)劃再行動。這揭示了智能體設(shè)計中一個核心權(quán)衡追求速度的**反應(yīng)性Reactivity與追求最優(yōu)解的規(guī)劃性Deliberation**之間的平衡如圖1.3所示。圖 1.3 智能體決策時間與質(zhì)量關(guān)系圖反應(yīng)式智能體 (Reactive Agents)這類智能體對環(huán)境刺激做出近乎即時的響應(yīng)決策延遲極低。它們通常遵循從感知到行動的直接映射不進(jìn)行或只進(jìn)行極少的未來規(guī)劃。上文的簡單反應(yīng)式和基于模型的智能體都屬于此類別。其核心優(yōu)勢在于速度快、計算開銷低這在需要快速決策的動態(tài)環(huán)境中至關(guān)重要。例如車輛的安全氣囊系統(tǒng)必須在碰撞發(fā)生的毫秒內(nèi)做出反應(yīng)任何延遲都可能導(dǎo)致嚴(yán)重后果同樣高頻交易機(jī)器人也必須依賴反應(yīng)式?jīng)Q策來捕捉稍縱即逝的市場機(jī)會。然而這種速度的代價是“短視”由于缺乏長遠(yuǎn)規(guī)劃反應(yīng)式智能體容易陷入局部最優(yōu)難以完成需要多步驟協(xié)調(diào)的復(fù)雜任務(wù)。規(guī)劃式智能體(Deliberative Agents)與反應(yīng)式智能體相對規(guī)劃式或稱審議式智能體在行動前會進(jìn)行復(fù)雜的思考和規(guī)劃。它們不會立即對感知做出反應(yīng)而是會先利用其內(nèi)部的世界模型系統(tǒng)地探索未來的各種可能性評估不同行動序列的后果以期找到一條能夠達(dá)成目標(biāo)的最佳路徑 ?；谀繕?biāo)和基于效用的智能體是典型的規(guī)劃式智能體?？梢詫⑵錄Q策過程類比為一位棋手。他不會只看眼前的一步而是會預(yù)想對手可能的應(yīng)對并規(guī)劃出后續(xù)幾步甚至十幾步的棋路。這種深思熟慮的能力使其能夠處理復(fù)雜的、需要長遠(yuǎn)眼光的任務(wù)例如制定一份商業(yè)計劃或規(guī)劃一次長途旅行。它們的優(yōu)勢在于決策的戰(zhàn)略性和遠(yuǎn)見。然而這種優(yōu)勢的另一面是高昂的時間和計算成本。在瞬息萬變的環(huán)境中當(dāng)規(guī)劃式智能體還在深思熟慮時采取行動的最佳時機(jī)可能早已過去。混合式智能體(Hybrid Agents)現(xiàn)實世界的復(fù)雜任務(wù)往往既需要即時反應(yīng)也需要長遠(yuǎn)規(guī)劃。例如我們之前提到的智能旅行助手既要能根據(jù)用戶的即時反饋如“這家酒店太貴了”調(diào)整推薦反應(yīng)性又要能規(guī)劃出為期數(shù)天的完整旅行方案規(guī)劃性。因此混合式智能體應(yīng)運而生它旨在結(jié)合兩者的優(yōu)點實現(xiàn)反應(yīng)與規(guī)劃的平衡。一種經(jīng)典的混合架構(gòu)是分層設(shè)計底層是一個快速的反應(yīng)模塊處理緊急情況和基本動作高層則是一個審慎的規(guī)劃模塊負(fù)責(zé)制定長遠(yuǎn)目標(biāo)。而現(xiàn)代的LLM智能體則展現(xiàn)了一種更靈活的混合模式。它們通常在一個“思考-行動-觀察”的循環(huán)中運作巧妙地將兩種模式融為一體規(guī)劃(Reasoning)在“思考”階段LLM分析當(dāng)前狀況規(guī)劃出下一步的合理行動。這是一個審議過程。反應(yīng)(Acting Observing)在“行動”和“觀察”階段智能體與外部工具或環(huán)境交互并立即獲得反饋。這是一個反應(yīng)過程。通過這種方式智能體將一個需要長遠(yuǎn)規(guī)劃的宏大任務(wù)分解為一系列“規(guī)劃-反應(yīng)”的微循環(huán)。這使其既能靈活應(yīng)對環(huán)境的即時變化又能通過連貫的步驟最終完成復(fù)雜的長期目標(biāo)。3基于知識表示的分類這是一個更根本的分類維度它探究智能體用以決策的知識究竟是以何種形式存于其“思想”之中。這個問題是人工智能領(lǐng)域一場持續(xù)半個多世紀(jì)的辯論核心并塑造了兩種截然不同的AI文化。符號主義AISymbolic AI符號主義常被稱為傳統(tǒng)人工智能其核心信念是智能源于對符號的邏輯操作。這里的符號是人類可讀的實體如詞語、概念操作則遵循嚴(yán)格的邏輯規(guī)則如圖1.4左側(cè)所示。這好比一位一絲不茍的圖書管理員將世界知識整理為清晰的規(guī)則庫和知識圖譜。其主要優(yōu)勢在于透明和可解釋。由于推理步驟明確其決策過程可以被完整追溯這在金融、醫(yī)療等高風(fēng)險領(lǐng)域至關(guān)重要。然而其“阿喀琉斯之踵”在于脆弱性它依賴于一個完備的規(guī)則體系但在充滿模糊和例外的現(xiàn)實世界中任何未被覆蓋的新情況都可能導(dǎo)致系統(tǒng)失靈這就是所謂的“知識獲取瓶頸”。亞符號主義AISub-symbolic AI亞符號主義或稱連接主義則提供了一幅截然不同的圖景。在這里知識并非顯式的規(guī)則而是內(nèi)隱地分布在一個由大量神經(jīng)元組成的復(fù)雜網(wǎng)絡(luò)中是從海量數(shù)據(jù)中學(xué)習(xí)到的統(tǒng)計模式。神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)是其代表。如圖1.4中間所示如果說符號主義AI是圖書管理員那么亞符號主義AI就像一個牙牙學(xué)語的孩童 。他不是通過學(xué)習(xí)“貓有四條腿、毛茸茸、會喵喵叫”這樣的規(guī)則來認(rèn)識貓的而是在看過成千上萬張貓的圖片后大腦中的神經(jīng)網(wǎng)絡(luò)能辨識出“貓”這個概念的視覺模式 。這種方法的強(qiáng)大之處在于其模式識別能力和對噪聲數(shù)據(jù)的魯棒性 。它能夠輕松處理圖像、聲音等非結(jié)構(gòu)化數(shù)據(jù)這在符號主義AI看來是極其困難的任務(wù)。然而這種強(qiáng)大的直覺能力也伴隨著不透明性。亞符號主義系統(tǒng)通常被視為一個黑箱Black Box。它能以驚人的準(zhǔn)確率識別出圖片中的貓但你若問它“為什么你認(rèn)為這是貓”它很可能無法給出一個合乎邏輯的解釋。此外它在純粹的邏輯推理任務(wù)上表現(xiàn)不佳有時會產(chǎn)生看似合理卻事實錯誤的幻覺。神經(jīng)符號主義AINeuro-Symbolic AI長久以來符號主義和亞符號主義這兩大陣營如同兩條平行線各自發(fā)展。為克服上述兩種范式的局限一種“大和解”的思想開始興起這就是神經(jīng)符號主義AI也稱神經(jīng)符號混合主義。它的目標(biāo)是融合兩大范式的優(yōu)點創(chuàng)造出一個既能像神經(jīng)網(wǎng)絡(luò)一樣從數(shù)據(jù)中學(xué)習(xí)又能像符號系統(tǒng)一樣進(jìn)行邏輯推理的混合智能體。它試圖彌合感知與認(rèn)知、直覺與理性之間的鴻溝。諾貝爾經(jīng)濟(jì)學(xué)獎得主丹尼爾·卡尼曼Daniel Kahneman在其著作《思考快與慢》Thinking, Fast and Slow中提出的雙系統(tǒng)理論為我們理解神經(jīng)符號主義提供了一個絕佳的類比[2]如圖1.4所示系統(tǒng)1是快速、憑直覺、并行的思維模式類似于亞符號主義AI強(qiáng)大的模式識別能力。系統(tǒng)2是緩慢、有條理、基于邏輯的審慎思維恰如符號主義AI的推理過程。圖 1.4 符號主義、亞符號主義與神經(jīng)符號混合主義的知識表示范式人類的智能正源于這兩個系統(tǒng)的協(xié)同工作。同樣一個真正魯棒的AI也需要兼具二者之長。大語言模型驅(qū)動的智能體是神經(jīng)符號主義的一個極佳實踐范例。其內(nèi)核是一個巨大的神經(jīng)網(wǎng)絡(luò)使其具備模式識別和語言生成能力。然而當(dāng)它工作時它會生成一系列結(jié)構(gòu)化的中間步驟如思想、計劃或API調(diào)用這些都是明確的、可操作的符號。通過這種方式它實現(xiàn)了感知與認(rèn)知、直覺與理性的初步融合。1.2 智能體的構(gòu)成與運行原理1.2.1 任務(wù)環(huán)境定義要理解智能體的運作我們必須先理解它所處的任務(wù)環(huán)境。在人工智能領(lǐng)域通常使用PEAS模型來精確描述一個任務(wù)環(huán)境即分析其性能度量(Performance)、環(huán)境(Environment)、執(zhí)行器(Actuators)和傳感器(Sensors)。以上文提到的智能旅行助手為例下表1.2展示了如何運用PEAS模型對其任務(wù)環(huán)境進(jìn)行規(guī)約。表 1.2 智能旅行助手的PEAS描述在實踐中LLM智能體所處的數(shù)字環(huán)境展現(xiàn)出若干復(fù)雜特性這些特性直接影響著智能體的設(shè)計。首先環(huán)境通常是部分可觀察的。例如旅行助手在查詢航班時無法一次性獲取所有航空公司的全部實時座位信息。它只能通過調(diào)用航班預(yù)訂API看到該API返回的部分?jǐn)?shù)據(jù)這就要求智能體必須具備記憶記住已查詢過的航線和探索嘗試不同的查詢?nèi)掌诘哪芰?。其次行動的結(jié)果也并非總是確定的。根據(jù)結(jié)果的可預(yù)測性環(huán)境可分為確定性和隨機(jī)性。旅行助手的任務(wù)環(huán)境就是典型的隨機(jī)性環(huán)境。當(dāng)它搜索票價時兩次相鄰的調(diào)用返回的機(jī)票價格和余票數(shù)量都可能不同這就要求智能體必須具備處理不確定性、監(jiān)控變化并及時決策的能力。此外環(huán)境中還可能存在其他行動者從而形成多智能體(Multi-agent)環(huán)境。對于旅行助手而言其他用戶的預(yù)訂行為、其他自動化腳本甚至航司的動態(tài)調(diào)價系統(tǒng)都是環(huán)境中的其他“智能體”。它們的行動例如訂走最后一張?zhí)貎r票會直接改變旅行助手所處環(huán)境的狀態(tài)這對智能體的快速響應(yīng)和策略選擇提出了更高要求。最后幾乎所有任務(wù)都發(fā)生在序貫且動態(tài)的環(huán)境中?！靶蜇灐币馕吨?dāng)前動作會影響未來而“動態(tài)”則意味著環(huán)境自身可能在智能體決策時發(fā)生變化。這就要求智能體的“感知-思考-行動-觀察”循環(huán)必須能夠快速、靈活地適應(yīng)持續(xù)變化的世界。1.2.2 智能體的運行機(jī)制在定義了智能體所處的任務(wù)環(huán)境后我們來探討其核心的運行機(jī)制。智能體并非一次性完成任務(wù)而是通過一個持續(xù)的循環(huán)與環(huán)境進(jìn)行交互這個核心機(jī)制被稱為智能體循環(huán) (Agent Loop)。如圖1.5所示該循環(huán)描述了智能體與環(huán)境之間的動態(tài)交互過程構(gòu)成了其自主行為的基礎(chǔ)。圖 1.5 智能體與環(huán)境交互的基本循環(huán)這個循環(huán)主要包含以下幾個相互關(guān)聯(lián)的階段感知 (Perception)這是循環(huán)的起點。智能體通過其傳感器例如API的監(jiān)聽端口、用戶輸入接口接收來自環(huán)境的輸入信息。這些信息即觀察 (Observation)既可以是用戶的初始指令也可以是上一步行動所導(dǎo)致的環(huán)境狀態(tài)變化反饋。思考 (Thought)接收到觀察信息后智能體進(jìn)入其核心決策階段。對于LLM智能體而言這通常是由大語言模型驅(qū)動的內(nèi)部推理過程。如圖所示“思考”階段可進(jìn)一步細(xì)分為兩個關(guān)鍵環(huán)節(jié)規(guī)劃 (Planning)智能體基于當(dāng)前的觀察和其內(nèi)部記憶更新對任務(wù)和環(huán)境的理解并制定或調(diào)整一個行動計劃。這可能涉及將復(fù)雜目標(biāo)分解為一系列更具體的子任務(wù)。工具選擇 (Tool Selection)根據(jù)當(dāng)前計劃智能體從其可用的工具庫中選擇最適合執(zhí)行下一步驟的工具并確定調(diào)用該工具所需的具體參數(shù)。行動 (Action)決策完成后智能體通過其執(zhí)行器Actuators執(zhí)行具體的行動。這通常表現(xiàn)為調(diào)用一個選定的工具如代碼解釋器、搜索引擎API從而對環(huán)境施加影響意圖改變環(huán)境的狀態(tài)。行動并非循環(huán)的終點。智能體的行動會引起環(huán)境 (Environment)的狀態(tài)變化 (State Change)環(huán)境隨即會產(chǎn)生一個新的觀察 (Observation)作為結(jié)果反饋。這個新的觀察又會在下一輪循環(huán)中被智能體的感知系統(tǒng)捕獲形成一個持續(xù)的“感知-思考-行動-觀察”的閉環(huán)。智能體正是通過不斷重復(fù)這一循環(huán)逐步推進(jìn)任務(wù)從初始狀態(tài)向目標(biāo)狀態(tài)演進(jìn)。1.2.3 智能體的感知與行動在工程實踐中為了讓LLM能夠有效驅(qū)動這個循環(huán)我們需要一套明確的交互協(xié)議 (Interaction Protocol)來規(guī)范其與環(huán)境之間的信息交換。在許多現(xiàn)代智能體框架中這一協(xié)議體現(xiàn)在對智能體每一次輸出的結(jié)構(gòu)化定義上。智能體的輸出不再是單一的自然語言回復(fù)而是一段遵循特定格式的文本其中明確地展示了其內(nèi)部的推理過程與最終決策。這個結(jié)構(gòu)通常包含兩個核心部分Thought (思考)這是智能體內(nèi)部決策的“快照”。它以自然語言形式闡述了智能體如何分析當(dāng)前情境、回顧上一步的觀察結(jié)果、進(jìn)行自我反思與問題分解并最終規(guī)劃出下一步的具體行動。Action (行動)這是智能體基于思考后決定對環(huán)境施加的具體操作通常以函數(shù)調(diào)用的形式表示。例如一個正在規(guī)劃旅行的智能體可能會生成如下格式化的輸出Thought: 用戶想知道北京的天氣。我需要調(diào)用天氣查詢工具。 Action: get_weather(北京)這里的Action字段構(gòu)成了對外部世界的指令。一個外部的解析器 (Parser)會捕捉到這個指令并調(diào)用相應(yīng)的get_weather函數(shù)。行動執(zhí)行后環(huán)境會返回一個結(jié)果。例如get_weather函數(shù)可能返回一個包含詳細(xì)天氣數(shù)據(jù)的JSON對象。然而原始的機(jī)器可讀數(shù)據(jù)如JSON通常包含LLM無需關(guān)注的冗余信息且格式不符合其自然語言處理的習(xí)慣。因此感知系統(tǒng)的一個重要職責(zé)就是扮演傳感器的角色將這個原始輸出處理并封裝成一段簡潔、清晰的自然語言文本即觀察。Observation: 北京當(dāng)前天氣為晴氣溫25攝氏度微風(fēng)。這段Observation文本會被反饋給智能體作為下一輪循環(huán)的主要輸入信息供其進(jìn)行新一輪的Thought和Action。綜上所述通過這個由Thought、Action、Observation構(gòu)成的嚴(yán)謹(jǐn)循環(huán)LLM智能體得以將內(nèi)部的語言推理能力與外部環(huán)境的真實信息和工具操作能力有效地結(jié)合起來。1.3 動手體驗5 分鐘實現(xiàn)第一個智能體在前面的小節(jié)我們學(xué)習(xí)了智能體的任務(wù)環(huán)境、核心運行機(jī)制以及Thought-Action-Observation交互范式。理論知識固然重要但最好的學(xué)習(xí)方式是親手實踐。在本節(jié)中我們將引導(dǎo)您使用幾行簡單的Python代碼從零開始構(gòu)建一個可以工作的智能旅行助手。這個過程將遵循我們剛剛學(xué)到的理論循環(huán)讓您直觀地感受到一個智能體是如何“思考”并與外部“工具”互動的。讓我們開始吧在本案例中我們的目標(biāo)是構(gòu)建一個能處理分步任務(wù)的智能旅行助手。需要解決的用戶任務(wù)定義為你好請幫我查詢一下今天北京的天氣然后根據(jù)天氣推薦一個合適的旅游景點。要完成這個任務(wù)智能體必須展現(xiàn)出清晰的邏輯規(guī)劃能力。它需要先調(diào)用天氣查詢工具并將獲得的觀察結(jié)果作為下一步的依據(jù)。在下一輪循環(huán)中它再調(diào)用景點推薦工具從而得出最終建議。1.3.1 準(zhǔn)備工作為了能從Python程序中訪問網(wǎng)絡(luò)API我們需要一個HTTP庫。requests是Python社區(qū)中最流行、最易用的選擇。tavily-python是一個強(qiáng)大的AI搜索API客戶端用于獲取實時的網(wǎng)絡(luò)搜索結(jié)果可以在官網(wǎng)注冊后獲取API。openai是OpenAI官方提供的Python SDK用于調(diào)用GPT等大語言模型服務(wù)。請先通過以下命令安裝它們pip install requests tavily-python openai1指令模板驅(qū)動真實LLM的關(guān)鍵在于提示工程Prompt Engineering。我們需要設(shè)計一個“指令模板”告訴LLM它應(yīng)該扮演什么角色、擁有哪些工具、以及如何格式化它的思考和行動。這是我們智能體的“說明書”它將作為system_prompt傳遞給LLM。AGENT_SYSTEM_PROMPT 你是一個智能旅行助手。你的任務(wù)是分析用戶的請求并使用可用工具一步步地解決問題。 # 可用工具: - get_weather(city: str): 查詢指定城市的實時天氣。 - get_attraction(city: str, weather: str): 根據(jù)城市和天氣搜索推薦的旅游景點。 # 行動格式: 你的回答必須嚴(yán)格遵循以下格式。首先是你的思考過程然后是你要執(zhí)行的具體行動。 Thought: [這里是你的思考過程和下一步計劃] Action: [這里是你要調(diào)用的工具格式為 function_name(arg_name arg_value )] # 任務(wù)完成: 當(dāng)你收集到足夠的信息能夠回答用戶的最終問題時你必須使用 finish(answer ... ) 來輸出最終答案。 請開始吧 2工具1查詢真實天氣我們將使用免費的天氣查詢服務(wù)wttr.in它能以JSON格式返回指定城市的天氣數(shù)據(jù)。下面是實現(xiàn)該工具的代碼import requests import json defget_weather(city: str) - str: 通過調(diào)用 wttr.in API 查詢真實的天氣信息。 # API端點我們請求JSON格式的數(shù)據(jù) url fhttps://wttr.in/{city}?formatj1 try: # 發(fā)起網(wǎng)絡(luò)請求 response requests.get(url) # 檢查響應(yīng)狀態(tài)碼是否為200 (成功) response.raise_for_status() # 解析返回的JSON數(shù)據(jù) data response.json() # 提取當(dāng)前天氣狀況 current_condition data[current_condition][0] weather_desc current_condition[weatherDesc][0][value] temp_c current_condition[temp_C] # 格式化成自然語言返回 returnf{city}當(dāng)前天氣{weather_desc}氣溫{temp_c}攝氏度 except requests.exceptions.RequestException as e: # 處理網(wǎng)絡(luò)錯誤 returnf錯誤查詢天氣時遇到網(wǎng)絡(luò)問題 - {e} except (KeyError, IndexError) as e: # 處理數(shù)據(jù)解析錯誤 returnf錯誤解析天氣數(shù)據(jù)失敗可能是城市名稱無效 - {e}3工具2搜索并推薦旅游景點我們將定義一個新工具search_attraction它會根據(jù)城市和天氣狀況互聯(lián)網(wǎng)上搜索合適的景點import os from tavily import TavilyClient defget_attraction(city: str, weather: str) - str: 根據(jù)城市和天氣使用Tavily Search API搜索并返回優(yōu)化后的景點推薦。 # 1. 從環(huán)境變量中讀取API密鑰 api_key os.environ.get(TAVILY_API_KEY) ifnot api_key: return錯誤未配置TAVILY_API_KEY環(huán)境變量。 # 2. 初始化Tavily客戶端 tavily TavilyClient(api_keyapi_key) # 3. 構(gòu)造一個精確的查詢 query f{city} 在{weather}天氣下最值得去的旅游景點推薦及理由 try: # 4. 調(diào)用APIinclude_answerTrue會返回一個綜合性的回答 response tavily.search(queryquery, search_depthbasic, include_answerTrue) # 5. Tavily返回的結(jié)果已經(jīng)非常干凈可以直接使用 # response[answer] 是一個基于所有搜索結(jié)果的總結(jié)性回答 if response.get(answer): return response[answer] # 如果沒有綜合性回答則格式化原始結(jié)果 formatted_results [] for result in response.get(results, []): formatted_results.append(f- {result[title]}: {result[content]}) ifnot formatted_results: return抱歉沒有找到相關(guān)的旅游景點推薦。 return根據(jù)搜索為您找到以下信息 .join(formatted_results) except Exception as e: returnf錯誤執(zhí)行Tavily搜索時出現(xiàn)問題 - {e}最后我們將所有工具函數(shù)放入一個字典供主循環(huán)調(diào)用# 將所有工具函數(shù)放入一個字典方便后續(xù)調(diào)用 available_tools { get_weather: get_weather, get_attraction: get_attraction, }1.3.2 接入大語言模型當(dāng)前許多LLM服務(wù)提供商包括OpenAI、Azure、以及眾多開源模型服務(wù)框架如Ollama、vLLM等都遵循了與OpenAI API相似的接口規(guī)范。這種標(biāo)準(zhǔn)化為開發(fā)者帶來了極大的便利。智能體的自主決策能力來源于LLM。我們將實現(xiàn)一個通用的客戶端OpenAICompatibleClient它可以連接到任何兼容OpenAI接口規(guī)范的LLM服務(wù)。from openai import OpenAI classOpenAICompatibleClient: 一個用于調(diào)用任何兼容OpenAI接口的LLM服務(wù)的客戶端。 def__init__(self, model: str, api_key: str, base_url: str): self.model model self.client OpenAI(api_keyapi_key, base_urlbase_url) defgenerate(self, prompt: str, system_prompt: str) - str: 調(diào)用LLM API來生成回應(yīng)。 print(正在調(diào)用大語言模型...) try: messages [ {role: system, content: system_prompt}, {role: user, content: prompt} ] response self.client.chat.completions.create( modelself.model, messagesmessages, streamFalse ) answer response.choices[0].message.content print(大語言模型響應(yīng)成功。) return answer except Exception as e: print(f調(diào)用LLM API時發(fā)生錯誤: {e}) return錯誤調(diào)用語言模型服務(wù)時出錯。要實例化此類您需要提供三個信息API_KEY、BASE_URL和MODEL_ID具體值取決于您使用的服務(wù)商如OpenAI官方、Azure、或Ollama等本地模型如果暫時沒有渠道獲取可以參考Datawhale另一本教程的1.2 API設(shè)置。1.3.3 執(zhí)行行動循環(huán)下面的主循環(huán)將整合所有組件并通過格式化后的Prompt驅(qū)動LLM進(jìn)行決策。import re # --- 1. 配置LLM客戶端 --- # 請根據(jù)您使用的服務(wù)將這里替換成對應(yīng)的憑證和地址 API_KEY YOUR_API_KEY BASE_URL YOUR_BASE_URL MODEL_ID YOUR_MODEL_ID TAVILY_API_KEYYOUR_Tavily_KEY os.environ[TAVILY_API_KEY] YOUR_TAVILY_API_KEY llm OpenAICompatibleClient( modelMODEL_ID, api_keyAPI_KEY, base_urlBASE_URL ) # --- 2. 初始化 --- user_prompt 你好請幫我查詢一下今天北京的天氣然后根據(jù)天氣推薦一個合適的旅游景點。 prompt_history [f用戶請求: {user_prompt}] print(f用戶輸入: {user_prompt} *40) # --- 3. 運行主循環(huán) --- for i in range(5): # 設(shè)置最大循環(huán)次數(shù) print(f--- 循環(huán) {i1} --- ) # 3.1. 構(gòu)建Prompt full_prompt .join(prompt_history) # 3.2. 調(diào)用LLM進(jìn)行思考 llm_output llm.generate(full_prompt, system_promptAGENT_SYSTEM_PROMPT) print(f模型輸出: {llm_output} ) prompt_history.append(llm_output) # 3.3. 解析并執(zhí)行行動 action_match re.search(rAction: (.*), llm_output, re.DOTALL) ifnot action_match: print(解析錯誤模型輸出中未找到 Action。) break action_str action_match.group(1).strip() if action_str.startswith(finish): final_answer re.search(rfinish(answer(.*)), action_str).group(1) print(f任務(wù)完成最終答案: {final_answer}) break tool_name re.search(r(w)(, action_str).group(1) args_str re.search(r((.*)), action_str).group(1) kwargs dict(re.findall(r(w)([^]*), args_str)) if tool_name in available_tools: observation available_tools[tool_name](**kwargs) else: observation f錯誤未定義的工具 {tool_name} # 3.4. 記錄觀察結(jié)果 observation_str fObservation: {observation} print(f{observation_str} *40) prompt_history.append(observation_str)通過以上步驟我們構(gòu)建了一個完整的、由真實LLM驅(qū)動的智能體。其核心在于“工具”和“提示工程”的結(jié)合這正是當(dāng)前主流智能體框架如LangChain、LlamaIndex等的設(shè)計精髓。1.3.4 運行案例分析以下輸出完整地展示了一個成功的智能體執(zhí)行流程。通過對這個三輪循環(huán)的分析我們可以清晰地看到智能體解決問題的核心能力。用戶輸入: 你好請幫我查詢一下今天北京的天氣然后根據(jù)天氣推薦一個合適的旅游景點。 --- 循環(huán) 1 --- 正在調(diào)用大語言模型... 大語言模型響應(yīng)成功。 模型輸出: Thought: 首先需要獲取北京今天的天氣情況之后再根據(jù)天氣情況來推薦旅游景點。 Action: get_weather(city北京) Observation: 北京當(dāng)前天氣Sunny氣溫26攝氏度 --- 循環(huán) 2 --- 正在調(diào)用大語言模型... 大語言模型響應(yīng)成功。 模型輸出: Thought: 現(xiàn)在已經(jīng)知道了北京今天的天氣是晴朗且溫度適中接下來可以基于這個信息來推薦一個適合的旅游景點了。 Action: get_attraction(city北京, weatherSunny) Observation: 北京在晴天最值得去的旅游景點是頤和園因其美麗的湖景和古建筑。另一個推薦是長城因其壯觀的景觀和歷史意義。 --- 循環(huán) 3 --- 正在調(diào)用大語言模型... 大語言模型響應(yīng)成功。 模型輸出: Thought: 已經(jīng)獲得了兩個適合晴天游覽的景點建議現(xiàn)在可以根據(jù)這些信息給用戶提供滿意的答復(fù)。 Action: finish(answer今天北京的天氣是晴朗的氣溫26攝氏度非常適合外出游玩。我推薦您去頤和園欣賞美麗的湖景和古建筑或者前往長城體驗其壯觀的景觀和深厚的歷史意義。希望您有一個愉快的旅行 ) 任務(wù)完成最終答案: 今天北京的天氣是晴朗的氣溫26攝氏度非常適合外出游玩。我推薦您去頤和園欣賞美麗的湖景和古建筑或者前往長城體驗其壯觀的景觀和深厚的歷史意義。希望您有一個愉快的旅行這個簡單的旅行助手案例集中演示了基于Thought-Action-Observation范式的智能體所具備的四項基本能力任務(wù)分解、工具調(diào)用、上下文理解和結(jié)果合成。正是通過這個循環(huán)的不斷迭代智能體才得以將一個模糊的用戶意圖轉(zhuǎn)化為一系列具體、可執(zhí)行的步驟并最終達(dá)成目標(biāo)。1.4 智能體應(yīng)用的協(xié)作模式上一節(jié)我們通過親手構(gòu)建一個智能體深入理解了其內(nèi)部的運作循環(huán)。不過在更廣泛的應(yīng)用場景中我們的角色正越來越多地轉(zhuǎn)變?yōu)槭褂谜吲c協(xié)作者?；谥悄荏w在任務(wù)中的角色和自主性程度其協(xié)作模式主要分為兩種一種是作為高效工具深度融入我們的工作流另一種則是作為自主的協(xié)作者與其他智能體協(xié)作完成復(fù)雜目標(biāo)。1.4.1 作為開發(fā)者工具的智能體在這種模式下智能體被深度集成到開發(fā)者的工作流中作為一種強(qiáng)大的輔助工具。它增強(qiáng)而非取代開發(fā)者的角色通過自動化處理繁瑣、重復(fù)的任務(wù)讓開發(fā)者能更專注于創(chuàng)造性的核心工作。這種人機(jī)協(xié)同的方式極大地提升了軟件開發(fā)的效率與質(zhì)量。目前市場上涌現(xiàn)了多款優(yōu)秀的AI編程輔助工具它們雖然均能提升開發(fā)效率但在實現(xiàn)路徑和功能側(cè)重上各有千秋GitHubCopilot: 作為該領(lǐng)域最具影響力的產(chǎn)品之一Copilot 由 GitHub 與 OpenAI 聯(lián)合開發(fā)。它深度集成于 Visual Studio Code等主流編輯器中以其強(qiáng)大的代碼自動補(bǔ)全能力而聞名。開發(fā)者在編寫代碼時Copilot 能實時提供整行甚至整個函數(shù)塊的建議。近年來它也通過 Copilot Chat 擴(kuò)展了對話式編程的能力允許開發(fā)者在編輯器內(nèi)通過聊天解決編程問題。Claude Code: Claude Code 是由 Anthropic 開發(fā)的 AI 編程助手旨在通過自然語言指令幫助開發(fā)者在終端中高效地完成編碼任務(wù)。它能夠理解完整的代碼庫結(jié)構(gòu)執(zhí)行代碼編輯、測試和調(diào)試等操作支持從描述功能到代碼實現(xiàn)的全流程開發(fā)。Claude Code 還提供了無交互headless模式適用于 CI、pre-commit hooks、構(gòu)建腳本和其他自動化場景為開發(fā)者提供了強(qiáng)大的命令行編程體驗。Trae: 作為新興的 AI 編程工具Trae 專注于為開發(fā)者提供智能化的代碼生成和優(yōu)化服務(wù)。它通過深度學(xué)習(xí)技術(shù)分析代碼模式能夠為開發(fā)者提供精準(zhǔn)的代碼建議和自動化重構(gòu)方案。Trae 的特色在于其輕量級的設(shè)計和快速響應(yīng)能力特別適合需要頻繁迭代和快速原型開發(fā)的場景。Cursor: 與上述主要作為插件或集成功能存在的工具不同Cursor 則選擇了一條更具整合性的路徑它本身就是一個AI原生的代碼編輯器。它并非在現(xiàn)有編輯器上增加AI功能而是在設(shè)計之初就將AI交互作為核心。除了具備頂級的代碼生成和聊天能力外它更強(qiáng)調(diào)讓AI理解整個代碼庫的上下文從而實現(xiàn)更深層次的問答、重構(gòu)和調(diào)試。當(dāng)然還有許多優(yōu)秀的工具沒有例舉不過它們共同指向了一個明確的趨勢AI 正在深度融入軟件開發(fā)的全生命周期通過構(gòu)建高效的人機(jī)協(xié)同工作流深刻地重塑著軟件工程的效率邊界與開發(fā)范式。1.4.2 作為自主協(xié)作者的智能體與作為工具輔助人類不同第二種交互模式將智能體的自動化程度提升到了一個全新的層次自主協(xié)作者。在這種模式下我們不再是手把手地指導(dǎo)AI完成每一步而是將一個高層級的目標(biāo)委托給它。智能體會像一個真正的項目成員一樣獨立地進(jìn)行規(guī)劃、推理、執(zhí)行和反思直到最終交付成果。這種從助手到協(xié)作者的轉(zhuǎn)變使得LLM智能體更深的進(jìn)入了大眾的視野。它標(biāo)志著我們與AI的關(guān)系從“命令-執(zhí)行”演變?yōu)椤澳繕?biāo)-委托”。智能體不再是被動的工具而是主動的目標(biāo)追求者。當(dāng)前實現(xiàn)這種自主協(xié)作的思路百花齊放涌現(xiàn)了大量優(yōu)秀的框架和產(chǎn)品從早期的 BabyAGI、AutoGPT到如今更為成熟的 CrewAI、AutoGen、MetaGPT、LangGraph 等優(yōu)秀框架共同推動著這一領(lǐng)域的高速發(fā)展。雖然具體實現(xiàn)千差萬別但它們的架構(gòu)范式大致可以歸納為幾個主流方向單智能體自主循環(huán)這是早期的典型范式如AgentGPT所代表的模式。其核心是一個通用智能體通過“思考-規(guī)劃-執(zhí)行-反思”的閉環(huán)不斷進(jìn)行自我提示和迭代以完成一個開放式的高層級目標(biāo)。多智能體協(xié)作這是當(dāng)前最主流的探索方向旨在通過模擬人類團(tuán)隊的協(xié)作模式來解決復(fù)雜問題。它又可細(xì)分為不同模式角色扮演式對話如CAMEL框架通過為兩個智能體例如“程序員”和“產(chǎn)品經(jīng)理”設(shè)定明確的角色和溝通協(xié)議讓它們在一個結(jié)構(gòu)化的對話中協(xié)同完成任務(wù)。組織化工作流如MetaGPT和CrewAI它們模擬一個分工明確的“虛擬團(tuán)隊”如軟件公司或咨詢小組。每個智能體都有預(yù)設(shè)的職責(zé)和工作流程SOP通過層級化或順序化的方式協(xié)作產(chǎn)出高質(zhì)量的復(fù)雜成果如完整的代碼庫或研究報告。AutoGen和AgentScope則提供了更靈活的對話模式允許開發(fā)者自定義智能體間的復(fù)雜交互網(wǎng)絡(luò)。高級控制流架構(gòu)諸如LangGraph等框架則更側(cè)重于為智能體提供更強(qiáng)大的底層工程基礎(chǔ)。它將智能體的執(zhí)行過程建模為狀態(tài)圖State Graph從而能更靈活、更可靠地實現(xiàn)循環(huán)、分支、回溯以及人工介入等復(fù)雜流程。這些不同的架構(gòu)范式共同推動著自主智能體從理論構(gòu)想走向更廣泛的實際應(yīng)用使其有能力應(yīng)對日益復(fù)雜的真實世界任務(wù)。在我們的后續(xù)章節(jié)中也會感受不同類型框架之間的差異和優(yōu)勢。1.4.3 Workflow和Agent的差異在理解了智能體作為“工具”和“協(xié)作者”兩種模式后我們有必要對Workflow和Agent的差異展開討論盡管它們都旨在實現(xiàn)任務(wù)自動化但其底層邏輯、核心特征和適用場景卻截然不同。簡單來說Workflow 是讓 AI 按部就班地執(zhí)行指令而 Agent 則是賦予 AI 自由度去自主達(dá)成目標(biāo)。圖 1.6 Workflow和Agent的差異如圖1.6所示工作流是一種傳統(tǒng)的自動化范式其核心是對一系列任務(wù)或步驟進(jìn)行預(yù)先定義的、結(jié)構(gòu)化的編排。它本質(zhì)上是一個精確的、靜態(tài)的流程圖規(guī)定了在何種條件下、以何種順序執(zhí)行哪些操作。一個典型的案例某企業(yè)的費用報銷審批流程。員工提交報銷單觸發(fā)- 如果金額小于500元直接由部門經(jīng)理審批 - 如果金額大于500元先由部門經(jīng)理審批再流轉(zhuǎn)至財務(wù)總監(jiān)審批 - 審批通過后通知財務(wù)部打款。整個過程的每一步、每一個判斷條件都被精確地預(yù)先設(shè)定。與工作流不同基于大型語言模型的智能體是一個具備自主性的、以目標(biāo)為導(dǎo)向的系統(tǒng)。它不僅僅是執(zhí)行預(yù)設(shè)指令而是能夠在一定程度上理解環(huán)境、進(jìn)行推理、制定計劃并動態(tài)地采取行動以達(dá)成最終目標(biāo)。LLM在其中扮演著“大腦”的角色。一個典型的例子便是我們在1.3節(jié)中寫的智能旅行助手。當(dāng)我們向它下達(dá)一個新指令例如“你好請幫我查詢一下今天北京的天氣然后根據(jù)天氣推薦一個合適的旅游景點?！彼奶幚磉^程充分展現(xiàn)了其自主性**規(guī)劃與工具調(diào)用**Agent首先會把任務(wù)拆解為兩個步驟① 查詢天氣② 基于天氣推薦景點。隨即它會自主選擇并調(diào)用“天氣查詢API”并將“北京”作為參數(shù)傳入。**推理與決策**假設(shè)API返回結(jié)果為“晴朗微風(fēng)”。Agent的LLM大腦會基于這個信息進(jìn)行推理“晴天適合戶外活動”。接著它會根據(jù)這個判斷在它的知識庫或通過搜索引擎這個工具中篩選出北京的戶外景點如故宮、頤和園、天壇公園等。**生成結(jié)果**最后Agent會綜合信息給出一個完整的、人性化的回答“今天北京天氣晴朗微風(fēng)非常適合戶外游玩。為您推薦前往【頤和園】您可以在昆明湖上泛舟欣賞美麗的皇家園林景色?！痹谶@個過程中沒有任何寫死的if天氣晴天 then 推薦頤和園的規(guī)則。如果天氣是“雨天”Agent會自主推理并推薦國家博物館、首都博物館等室內(nèi)場所。這種基于實時信息進(jìn)行動態(tài)推理和決策的能力正是Agent的核心價值所在。1.5 本章小結(jié)在本章中我們共同踏上了探索智能體的初識之旅。我們的旅程從最基本的問題開始什么是大語言模型驅(qū)動的智能體我們首先明確了其定義理解了現(xiàn)代智能體是具備了能力的實體。它不再僅僅是執(zhí)行預(yù)設(shè)程序的腳本而是能夠自主推理和使用工具的決策者。智能體如何工作我們深入探討了智能體與環(huán)境交互的運行機(jī)制。我們了解到這個持續(xù)的閉環(huán)是智能體處理信息、做出決策、影響環(huán)境并根據(jù)反饋調(diào)整自身行為的基礎(chǔ)。如何構(gòu)建智能體這是本章的實踐核心。我們以“智能旅行助手”為例親手構(gòu)建了一個完整的、由真實LLM驅(qū)動的智能體。智能體有哪些主流的應(yīng)用范式最后我們將視野投向了更廣闊的應(yīng)用領(lǐng)域。我們探討了兩種主流的智能體交互模式一是以GitHub Copilot和Cursor等為代表的、增強(qiáng)人類工作流的“開發(fā)者工具”二是以CrewAI、MetaGPT和AgentScope等框架為代表的、能夠獨立完成高層級目標(biāo)的“自主協(xié)作者”。同時講解了Workflow與Agent的差異。通過本章的學(xué)習(xí)我們建立了一個關(guān)于智能體的基礎(chǔ)認(rèn)知框架。那么它是如何一步步從最初的構(gòu)想演進(jìn)至今的呢在下一章中我們將探索智能體的發(fā)展歷史一段追本溯源的旅程即將開始讀者福利倘若大家對大模型感興趣那么這套大模型學(xué)習(xí)資料一定對你有用。針對0基礎(chǔ)小白如果你是零基礎(chǔ)小白快速入門大模型是可行的。大模型學(xué)習(xí)流程較短學(xué)習(xí)內(nèi)容全面需要理論與實踐結(jié)合學(xué)習(xí)計劃和方向能根據(jù)資料進(jìn)行歸納總結(jié)包括大模型學(xué)習(xí)線路匯總、學(xué)習(xí)階段大模型實戰(zhàn)案例大模型學(xué)習(xí)視頻人工智能、機(jī)器學(xué)習(xí)、大模型書籍PDF。帶你從零基礎(chǔ)系統(tǒng)性的學(xué)好大模型有需要的小伙伴可以保存圖片到wx掃描二v碼免費領(lǐng)取【保證100%免費】AI大模型學(xué)習(xí)路線匯總大模型學(xué)習(xí)路線圖整體分為7個大的階段全套教程文末領(lǐng)取哈第一階段從大模型系統(tǒng)設(shè)計入手講解大模型的主要方法第二階段在通過大模型提示詞工程從Prompts角度入手更好發(fā)揮模型的作用第三階段大模型平臺應(yīng)用開發(fā)借助阿里云PAI平臺構(gòu)建電商領(lǐng)域虛擬試衣系統(tǒng)第四階段大模型知識庫應(yīng)用開發(fā)以LangChain框架為例構(gòu)建物流行業(yè)咨詢智能問答系統(tǒng)第五階段大模型微調(diào)開發(fā)借助以大健康、新零售、新媒體領(lǐng)域構(gòu)建適合當(dāng)前領(lǐng)域大模型第六階段以SD多模態(tài)大模型為主搭建了文生圖小程序案例第七階段以大模型平臺應(yīng)用與開發(fā)為主通過星火大模型文心大模型等成熟大模型構(gòu)建大模型行業(yè)應(yīng)用。大模型實戰(zhàn)案例光學(xué)理論是沒用的要學(xué)會跟著一起做要動手實操才能將自己的所學(xué)運用到實際當(dāng)中去這時候可以搞點實戰(zhàn)案例來學(xué)習(xí)。大模型視頻和PDF合集這里我們能提供零基礎(chǔ)學(xué)習(xí)書籍和視頻。作為最快捷也是最有效的方式之一跟著老師的思路由淺入深從理論到實操其實大模型并不難。學(xué)會后的收獲? 基于大模型全棧工程實現(xiàn)前端、后端、產(chǎn)品經(jīng)理、設(shè)計、數(shù)據(jù)分析等通過這門課可獲得不同能力? 能夠利用大模型解決相關(guān)實際項目需求大數(shù)據(jù)時代越來越多的企業(yè)和機(jī)構(gòu)需要處理海量數(shù)據(jù)利用大模型技術(shù)可以更好地處理這些數(shù)據(jù)提高數(shù)據(jù)分析和決策的準(zhǔn)確性。因此掌握大模型應(yīng)用開發(fā)技能可以讓程序員更好地應(yīng)對實際項目需求? 基于大模型和企業(yè)數(shù)據(jù)AI應(yīng)用開發(fā)實現(xiàn)大模型理論、掌握GPU算力、硬件、LangChain開發(fā)框架和項目實戰(zhàn)技能學(xué)會Fine-tuning垂直訓(xùn)練大模型數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)蒸餾、大模型部署一站式掌握? 能夠完成時下熱門大模型垂直領(lǐng)域模型訓(xùn)練能力提高程序員的編碼能力大模型應(yīng)用開發(fā)需要掌握機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)框架等技術(shù)這些技術(shù)的掌握可以提高程序員的編碼能力和分析能力讓程序員更加熟練地編寫高質(zhì)量的代碼。獲取方式有需要的小伙伴可以保存圖片到wx掃描二v碼免費領(lǐng)取【保證100%免費】