一、什么是代理 (Agent)？

我几乎每天都被问到这个问题。在 LangChain，我们开发工具，帮助开发者构建大型语言模型 (LLM) 应用。这些应用就像会思考的引擎，能与外部信息和计算资源互动。人们常把这类系统叫做 “代理”。

对于 AI 代理 (AI Agent)，每个人的理解都有些不同。我的理解可能更技术化：

AI 代理是一个系统，它用 LLM 来决定应用程序的控制流程 (Control Flow)。

即使这样，我也觉得我的定义不完全到位。人们常觉得代理应该是高级的、自主的、像人一样的。但如果有个简单的系统，LLM 只是在两个选项里选一个呢？这符合我的技术定义，但和大家印象中的 “代理” 能力不太一样。 准确定义 “代理” 真不容易！

所以我很喜欢 Andrew Ng 上周发的 推文[1]。 他说，“与其争论哪些算不算真正的 AI 代理，不如承认系统有不同程度的自主性 (Agentic)。” 正如自动驾驶汽车有不同等级的自动化一样，AI 代理的能力也是一个范围。我非常同意这个观点，Andrew 说得很好。以后再有人问我什么是代理，我会把话题转到讨论 “自主性” 上来。

二、什么是自主性 (Agentic)？

去年我做了一个关于 LLM 系统的 TED 演讲，用下面这张图展示了 LLM 应用的不同自主程度。

一个系统越 “具有自主性”，就越是由 LLM 决定系统的行为方式。

用 LLM 把输入信息送到不同的处理流程，就有一点 “自主性” 了。这就像上图里的 路由器 (Router) 类别。

如果用多个 LLM 来做多次选择呢？那就介于 路由器 和 状态机 (State Machine) 之间。

如果其中一个选择是决定是否继续下一步还是结束——让系统可以循环运行直到完成呢？那就属于 状态机。

如果系统能自己创建工具，记住工具，并在之后使用呢？ 这就像 Voyager 论文[2] 里实现的那样，自主性非常高，属于更高级的 自主代理 (Autonomous Agent) 类别。

这些关于 “自主性” 的定义还是比较技术化。我更喜欢这种技术性的定义，因为它在设计和描述 LLM 系统时很有用。

三、为什么 “自主性” 这个概念有用？

和所有概念一样，我们需要问问为什么要有 “自主性” 这个概念。它有什么帮助？

了解你的系统有多 “自主”，可以帮助你更好地进行开发决策——包括构建、运行、交互、评估，甚至监控系统。

系统越 “自主”，编排框架就越有用。 如果你要设计一个复杂的自主系统，一个好的框架可以帮助你更快地开发。这个框架应该能很好地支持分支选择和循环运行。

系统越 “自主”，运行起来就越复杂。 它会变得更复杂，有些任务会花费很长时间。 这意味着你需要把一些任务放到后台运行。 这也意味着你需要有稳定的运行机制来处理运行过程中出现的错误。

系统越 “自主”，你就越需要在它运行时与它互动。 你会想观察系统内部发生了什么，因为具体的步骤可能事先不知道。 你会希望可以修改代理的状态或指令，以便在它偏离方向时把它拉回来。

系统越 “自主”，你就越需要一个专门为这类应用设计的评估框架。 你需要多次运行评估，因为随机性会累积。 你不仅需要测试最终结果，还需要测试中间步骤，看看代理的效率如何。

系统越 “自主”，你就越需要一种新的监控框架。 你需要能够详细查看代理执行的每一步。 你还需要能够根据代理执行的步骤来查找运行记录。

理解和利用系统自主性的不同程度，可以提高开发效率和系统的稳定性。

四、自主性是新的

我经常思考，在这股热潮中，真正的新东西是什么？ 对于大家正在构建的 LLM 应用，我们需要新的工具和基础设施吗？ 还是用以前的通用工具就够了？

我认为，你的应用越 “自主”，新的工具和基础设施就越重要。 这正是我们开发 LangGraph (代理编排工具，用于帮助构建、运行和交互代理) 和 LangSmith (LLM 应用的测试和可观测平台) 的原因。 随着我们不断探索更高程度的自主性，整个支持工具的生态系统都需要重新设计。

原文地址：What is an AI agent?[3]

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

9周成为大模型工程师

第1周：基础入门

• 了解大模型基本概念与发展历程

• 学习Python编程基础与PyTorch/TensorFlow框架

• 掌握Transformer架构核心原理

• 

第2周：数据处理与训练

• 学习数据清洗、标注与增强技术

• 掌握分布式训练与混合精度训练方法

• 实践小规模模型微调（如BERT/GPT-2）

第3周：模型架构深入

• 分析LLaMA、GPT等主流大模型结构

• 学习注意力机制优化技巧（如Flash Attention）

• 理解模型并行与流水线并行技术

第4周：预训练与微调

• 掌握全参数预训练与LoRA/QLoRA等高效微调方法

• 学习Prompt Engineering与指令微调

• 实践领域适配（如医疗/金融场景）

第5周：推理优化

• 学习模型量化（INT8/FP16）与剪枝技术

• 掌握vLLM/TensorRT等推理加速工具

• 部署模型到生产环境（FastAPI/Docker）

第6周：应用开发 - 构建RAG（检索增强生成）系统

• 开发Agent类应用（如AutoGPT）

• 实践多模态模型（如CLIP/Whisper）

第7周：安全与评估

• 学习大模型安全与对齐技术

• 掌握评估指标（BLEU/ROUGE/人工评测）

• 分析幻觉、偏见等常见问题

第8周：行业实战 - 参与Kaggle/天池大模型竞赛

• 复现最新论文（如Mixtral/Gemma）
• 企业级项目实战（客服/代码生成等）

第9周：前沿拓展

• 学习MoE、Long Context等前沿技术
• 探索AI Infra与MLOps体系
• 制定个人技术发展路线图
  
  👉福利篇👈
  最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】