AI Agent是什么

AI Agent（人工智能体，俗称“智能代理”）不是简单的“大模型问答机”，而是一座**「感知 → 思考 → 记忆 → 行动」**的闭环“小机器人”。它像人一样能：

1. 看/听/输入（感知）

2. 想明白要干啥（规划）

3. 记住之前说过的事（记忆）

4. 动手干——调接口、发邮件、点鼠标、下单、发推（行动）

AI Agent具备独立思考并调用工具，逐步实现既定目标的能力。

把 LLM 当作它的大脑，再加四件套，就组成了一个最小可运行的 AI Agent。

场景	感知	思考	记忆	行动
旅行 Agent	读取用户语音“我想去京都看樱花”	拆分任务：查机票→查酒店→查花期→做行程	记住预算 5 k、对“早班机”过敏	自动在 Skyscanner 下单、发确认邮件到邮箱
股票 Agent	爬取财经新闻、Twitter 情绪	判断“某芯片股负面情绪>70%”→决策卖出	记录持仓成本、止损线	调用券商 API 下单卖出
运维 Agent	监控告警“CPU>90%”	推理“最近上线了新模型”→回滚版本	记录上次回滚耗时 3 min	执行 K8s 命令 kubectl rollout undo

跟“大模型聊天”有何不同？

维度	大模型问答	AI Agent
目标	一次性生成文本	完成多步骤、跨系统任务
记忆	当前对话窗口	长期记忆+向量数据库
行动	只给建议	直接动手调接口/点鼠标
结果	说完即结束	可循环、自迭代、直到目标达成

总的来说，Agent能感知所处环境，自主作出决策并采取行动，以实现既定目标，更关键特征它可以通过学习或获取新知识来提升自己。在面对复杂或不断变化任务时，能够更加灵活和适应。

大模型在Agent起到作用

大模型通过训练包含丰富多样的数据和人类行为数据的庞大数据集，具备了模拟人类的交互能力。随着模型规模不断扩大，它们展现出了上下文学习能力、思维链、推理能力等，这些都是类似于人类思考方式的能力。这些能力使得大模型能够更好地理解和处理复杂任务。

例如将一个复杂任务拆解成多个可执行的子任务。因此，将大模型作为AIAgent的核心大脑，可以构建出具备自主思考、决策和执行任务能力的智能体。

基于LLM的AI Agent系统组成

大脑模型 = LLM +  记忆  +  任务规划

感知模块 = 信息输入

感知能力不仅仅局限文本，而是一个融合文字、听觉和视觉等多种模态丰富多元领域。能像人一样感知和理解周围世界。

行动模块（tool use + action）

AI Agent调用的外部工具，旨在将决策和规划转为具体行动。

AI Agent通过学习调用外部API补充模型权重中缺失的额外信息：

1. 当前信息、代码执行能力、对特定信息源的访问等

2. 物理世界中控制机械臂、移动设备等

3. 数字世界中RPA（机器人流程自动化）工具启动，发送软件等软件操作。

Agent的历史发展

1950────1980────2000────2012────2020────2023→
符号     机器     深度     强化     大模型
“木偶”  “学步”  “感知”  “动手”  “数字员工”

① 符号规则期（1950s‑1980s）——“木偶 Agent”

• 核心：IF-THEN 规则库 + 推理机

• 代表：ELIZA(1966)、MYCIN(1972)

• 能力：在限定领域答固定问题，毫无学习力

• 瓶颈：规则靠人写，一旦出界就宕机，被嘲“专家系统不专家”

---

② 机器学习期（1990s‑2010s）——“学步 Agent”

• 核心：监督/无监督学习 → 自己挖特征

• 代表：1997 深蓝击败卡斯帕罗夫、Roomba 扫地机

• 突破：首次用数据“喂”出能力，不再纯手工写规则

• 瓶颈：依赖大量标注，泛化差，跨任务要重新训练

---

③ 深度学习期（2012‑2019）——“感知 Agent”

• 核心：CNN/RNN 自动特征 + GPU 算力

• 代表：2016 AlphaGo、AlexNet、智能客服

• 突破：图像、语音、翻译全面超人类平均水平

• 瓶颈：仍只能“看”或“听”，不会“动手”，缺行动闭环

---

④ 强化+工具期（2020‑2022）——“动手 Agent”

• 核心：RL 学策略 + API 调外部世界

• 代表：OpenAI Five、WebGPT、AlphaStar

• 突破：在环境里试错，自己学会下单、搜索、玩游戏

• 瓶颈：训练成本高，任务稍变就得重训，难泛化到真实工作流

---

⑤ 大模型驱动期（2023‑至今）——“数字员工 Agent”

• 核心：LLM 当“大脑”+ 函数调用/工作流当“手脚”

• 代表：AutoGPT、LangChain、Devin、扣子(coze)

• 突破：
  – 零样本规划：用语言就能把任务拆成步骤
  – 工具即插即用：会查表、会发邮件、会点鼠标
  – 多 Agent 协作：评审、编码、测试角色各自上岗

• 新瓶颈：幻觉、长记忆成本、安全护栏与合规

AI Agent的工作原理

AI Agent是一个有机循环过程，涉及五个关键阶段：

• 输入处理，接受环境各种信息，文本、图像、音频
• 理解与分析，读取信息，提取关键要素并进行推理。
• 决策制定，基于以上分析，评估可能行动方案，选择最优解。
• 行动执行，讲决策转为具体操作，涉及调用外部工具或与环境交互。
• 反馈和学习，评估行动效果，通过各种学习机制不断优化自身能力。

AI Agent的4种设计模式

1. 反思（Reflection）

定义：让AI像人类一样对自己的输出进行审视、评估并优化，从而提升质量和准确性。
机制：

• 生成初稿 → 自我评估（逻辑、完整性、风格） → 修改优化 → 多轮迭代
• 高级形式如 Reflexion 会记录历史行为和反思日志，支持长期经验积累
  应用场景：写作、代码生成、问答系统、教育辅导等需要高质量输出的任务
  代表实现：基础 Reflection、Reflexion、LATS（Language Agent Tree Search）

2. 工具调用（Tool Use）

定义：赋予AI调用外部工具（如API、数据库、代码解释器）的能力，突破大模型“只懂语言”的局限。
机制：

• 模型识别任务需求 → 调用合适工具 → 获取外部信息或执行操作 → 综合结果
  常见工具类型：
• 信息类：搜索引擎、知识库、天气/股票接口
• 计算类：Python解释器、数学引擎
• 执行类：发送邮件、操作数据库、生成图表
  应用场景：金融分析、科研助手、自动化办公、智能客服

3. 规划（Planning）

定义：让AI具备“先想后做”的能力，将复杂目标拆解为可执行的步骤，并按计划推进。
机制：

• 目标输入 → 任务分解（子目标） → 策略生成（顺序、工具选择） → 执行与调整
• 可结合强化学习或启发式算法优化路径选择
  应用场景：旅行规划、项目管理、研究设计、实验流程编排
  挑战：对模型推理能力要求高，需处理任务依赖、失败回滚等问题

4. 多智能体协作（Multi-Agent Collaboration）

定义：多个AI Agent扮演不同角色，通过分工协作、信息共享与观点碰撞，解决复杂任务。
机制：

• 角色分工：如策划者、写作者、评审者、执行者
• 协作方式：对话讨论、投票决策、交叉验证
• 系统架构：垂直（主控+子Agent）或水平（平等协作）
  应用场景：软件开发（如虚拟公司 ChatDev）、内容创作、团队决策模拟
  优势：提升任务质量、扩展性强、支持复杂流程
  挑战：协调复杂、调试困难、成本高

总结对比表：

模式	核心能力	适用任务类型	成熟度	关键挑战
反思	自我评估与优化	内容创作、问答	高	评估标准难统一
工具调用	外部能力扩展	数据分析、自动化	高	工具选择与错误处理
规划	任务拆解与执行	项目管理、复杂任务	中	步骤依赖与失败回滚
多智能体协作	分工协作与整合	跨领域任务、团队模拟	中	协调机制与一致性控制

这些模式并非互斥，实际系统中常组合使用。例如：一个多智能体系统中，每个Agent都可能具备反思能力、调用工具和规划子任务，从而实现更强大的“数字员工”能力。