1，AI agent
智能体（agent）：一种能够感知环境、进行推理并采取行动以实现特定目标的实体和系统。
特点：
基于所感知的环境数据，AI agent 运用内置的算法和模型进行分析推理。
例如，使用深度学习中的神经网络模型对图像数据进行识别判断，或者基于规则引擎、概率模型等对文本信息进行语义理解和逻辑分析，然后根据分析结果做出决策。比如在自动驾驶场景中，根据感知到的前方车辆减速、道路出现障碍物等情况，决定是采取刹车、变道还是绕行等操作。
一旦做出决策，AI agent 能够通过相应的执行器或输出接口来实施行动，从而对环境产生影响。
比如智能家居系统中的 AI agent 决定要调低室内温度后，会向空调的控制系统发送指令使其实际运行并降低温度；在机器人应用场景中，机器人 agent 会通过驱动电机、机械臂等部件做出相应的肢体动作来完成诸如抓取物品、移动到指定位置等任务。
可以从过往的经验数据（即历史交互信息和任务执行结果等）中学习，也可以通过在线学习机制实时根据新的数据和环境变化来调整自身的行为模式和决策策略。
例如，智能推荐系统中的 agent 会根据用户对推荐内容的点击、浏览、购买等反馈行为，不断优化推荐算法，使其推荐的内容更加贴合用户的兴趣和需求。
用于引导ai作出符合期望回应的一段文字，即设置agent的人设与回复逻辑。
最终确定模型的角色、设计回复的语言风格、限制模型的回答范围。
提示词的模板化设计（占位词）、动态填充（根据不同场景、用户输入填充内容）以及拼接等操作。
是一种帮助agent提升解决复杂问题能力的技术手段，将思考的步骤和推理过程以一种可视化、可解释的链条形式展示出来。
运用思维链时，agent会先像人类一样思考：
在CoT的基础上，把思考过程看作是一颗树：树的每个节点代表一个思考状态或中间结果，分支则体现了不同的思考方向或可选策略。即：agent在面对问题时，不是单一线性链条思考，而是探索多个可能的路径，不断拓展新的分支、评估不同分支的潜力，然后选择更有希望的方向继续深入，最终从众多叶子节点所代表的潜在结果中筛选出最优或较优的答案。
agent的模型的训练数据是互联网上的公开数据，模型通常不具备垂直领域的专业知识，如果agent涉及QA场景则需要添加领域知识库。
短期记忆（Buffer Memory，缓冲记忆）
长期记忆（Retrieval-based Memory，基于检索的记忆）
小模型、各种外部工具（比如文件处理工具、数据库查询工具），通过调用tools获取特定信息或者执行特定操作，增强LLM解决实际问题的能力。
当通用知识无法推测回答时，通过Function Call机制调用外部函数，传递参数并指向，返回结果。
比如：get_weather(北京)
2，反应式 AI agent
这类 agent 仅根据当前的环境感知信息做出即时反应，不具备对历史信息的记忆和复杂的推理规划能力。它的行为是基于预设的规则或者简单的映射关系，将感知到的输入直接转化为相应的行动。
例如，一些简单的温度控制系统，当传感器感知到室内温度高于设定值时，就直接启动制冷设备，仅基于当下的温度这一感知条件做出反应，而不考虑温度变化的历史趋势等因素。
3，基于目标的 AI agent
除了能感知环境和做出反应外，还明确知晓要达成的目标，并会基于当前环境和目标之间的差距来规划行动路径。它会不断评估自身的行动是否有助于接近目标，通过搜索算法、启发式策略等手段制定行动计划，然后按计划执行并适时调整。
比如在机器人足球比赛场景中，机器人 agent 有进球的明确目标，它会根据球的位置、队友和对手的位置等环境因素，规划自己的移动、传球、射门等动作，力求达成进球的目标。
4，基于效用的 AI agent
在基于目标的基础上，进一步考虑了不同行动方案所带来的效用（即价值、收益等），它会权衡各种行动选择的利弊，选择预期效用最高的行动。例如，在投资决策场景中，AI agent 会综合考虑不同投资产品的风险、收益、市场趋势等多种因素，评估每个投资选择的效用，然后做出能使投资收益最大化、风险最小化的决策，而不是仅仅朝着某个单一的目标盲目行动。
5，学习型 AI agent
着重强调学习能力，通过机器学习、强化学习等技术不断从经验中学习和改进自身的行为。这类 agent 可以在复杂多变的环境中逐渐适应并优化表现。
例如搜索引擎中的智能排序 agent，它会根据用户对搜索结果的点击行为、停留时间等反馈，利用强化学习算法不断调整搜索结果的排序策略，使得排序结果更符合用户的期望，提升用户的搜索体验。
原文链接：https://blog.csdn.net/SunshineTan/article/details/147079878?ops_request_misc=%257B%2522request%255Fid%2522%253A%25220251ff955bfe2b3ce8e23e5ac1af9288%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=0251ff955bfe2b3ce8e23e5ac1af9288&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-16-147079878-null-null.nonecase&utm_term=AI+AIAgent
评论 ( 0 )