从2022年尾大模型横空出世后，各种各样的名词变得耳熟能详，而有一个词AI Agent，似乎总有人不理解它和普通的大模型有什么关系，今天这篇文章就来带你理清楚AI Agent究竟是什么。

Agent的中文翻译为“代理”，AI Agent的在大模型时代由OpenAI团队重新定义。

OpenAI认为，AI Agent就是由大模型驱动，由规划能力组件（Planning）、记忆组件（Memory）、工具组件（Tools）、行为组件（Action）等组件所组成的“智能助手”。

你也可以把AI Agent理解为我们的智能助手，与传统智能助手不一样的是，AI Agent有着更加强大的能力。

OpenAI的Agent定义

现在广义上的Agent则是把整个概念给更加泛化，它拥有更多技能，例如角色管理、思维树等，在原本的定义上能够增加很多能力，这是现在广义的Agent概念。

那么首先先了解一下LLM为什么能作为AI智能体的核心驱动。

大模型拥有一定的自主性和主动性，在用户输入时能够根据用户的输入来选择是要调用工具搜索、还是计算、还是直接回答等等，能自己动脑筋分析问题、规划步骤，还能主动出击，既能搞定具体任务，又能灵活应对各种变化。

由llm驱动的Agent不仅可以高效执行人类明确指令，也具备自主发起任务、探索下一步并且动态决策的能力，拥有一定的反应能力，能在每一次的任务不同、环境不同的情况下做出正确的决定，在目标驱动下实现从被动响应到主动行为的跨越。

记忆模块则分为短期记忆和长期记忆两种类型。

短期记忆指的是和智能体交流时、写入到提示词中的那些临时的、没有存储的有限的上下文的信息，Agent可以根据这些信息和我们进行多轮对话、智能回答等操作。

长期记忆指的是在Agent在进行回忆时，调用工具查询数据库提供的信息，就是由外部存储提供的信息，可以是向量数据库存储，也可以是关系型数据库或非关系型数据库持久化的存储。

记忆能力可以在Agent有需要的时候检索查阅，就像你开卷考试一样，书本就是你的数据库，书里的东西就是你的信息，试卷问题就是用户输入，你这个智能的大脑能从书里面找到问题相关的上下文，然后总结提炼出答案。

工具模块则是调用各种API，包括代码解释器、计算器、浏览器的搜索API等等这些。

以谷歌的API搜索为例，Agent能将用户的输入、搜索地址、语言等信息输入API进行搜索，再智能一点的Agent，会将用户的输入进行改写或者分成小任务之后再放进去搜索，然后返回 JSON 数据格式的结果。

Planning计划组件，其实更多地依赖于llm自身的能力和提示词的指引，CoT是非常经典的提示词技术，让模型一步一步思考，把任务分解成小任务或多个步骤，然后逐个完成。

另一个技术则是借助外部的Planner来帮助实现任务规划，这个Planner呢则是可以根据现有的这个领域来做具体的规划。这种方法的好处是更加智能和高效，能根据不同的领域做出不同的规划。

模型的反思和自我批评：Agent就像个会"吃一堑长一智"的学徒，每次行动后都会根据用户的下一次输入来复盘或者在推理过程中突然意识到——哪些方法有效就保留，哪里出岔子就调整。毕竟现实任务就像玩游戏闯关，总得先踩几个坑才能找到诀窍，这时候反思总结就是它升级打怪的秘籍。

Action行动模块，说白了就是它动手干活儿的部分。就像咱们工具箱里的十八般武艺，它能根据任务选不同招数——要查资料就翻记忆库，得分析问题就分布推理，甚至还能自己写代码（比如让它做个网页，它就得掏出编程本事来）。

上面我们讲的都是单代理系统（Single-Agent System），下面我们来看看多代理系统。

多代理系统是由多个独立智能体（Agent）组成的分布式协作网络。每个代理具备自主决策能力、局部知识或专长工具，通过通信、协商与合作共同完成复杂任务。其核心理念是“分工协作”，模拟现实世界中团队协作的高效模式。

多个Agent互相合作比单个Agent要高效稳定得多，我们看下面的对比图就知道：

至于如何使用Agent这里先不展开。现实落地的应用好多都是用的workflow来做伪Agent，因为实际上的大模型并不是很稳定，我们都知道大模型有幻觉，那由大模型驱动的Agent也会出现幻觉现象。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】