先说观点：关于AI应用，通常都会聊准召。但在安全等模糊标准的场景下，事实上不存在准召的定义。因此，AI的目标应该是尽可能的“像人”。而想要评价有多“像人”，就先需要将人的工作数字化。而AI Agent是能够将数字化、自动化、智能化这几个转变过程相对顺畅衔接起来的一种框架。
0、为什么GPT让大家感到兴奋
单纯从能力上看，针对特定的任务，GPT是不如各种已有能力的：
-
执行加减乘除、排序、去重等任务，GPT远不如各种脚本和工具来得靠谱。当任务相对简单时，还能够应付，一旦复杂度增加，GPT就会出现各种异常，比如：大数计算、长文本任务等。
-
强监督任务，即使复杂度极高，比如下围棋，AlphaGo早就通过深度学习能力打败了人类，单纯GPT肯定是比敌AlphaGo的。尽管AlphaGo取得了如此高的成就，但带来了反响并没有GPT热烈。
在细分领域能力并不强的情况下，为什么GPT带来如此大的跨圈影响？ChatGPT功不可没，他呈现的“对话”这一交互形式，大幅度降低了AI的体验门槛，拉近了人与AI的距离。而能够支撑“对话”这种交互模式，其实也代表了GPT的一些能力特性：
-
更宽松的输入和输出兼容：过往的AI通常都会要求特定格式的输入和输出，比如输入一堆特征，输出一个0和1的结果。而GPT的生成式能力，让输入输出可以变得十分随意。
-
具备较强的通识：ChatGPT选用的“大力出奇迹”方式，增大参数量和训练集，也使得自身具备了足够多的知识储备，能够zero-shot应对大部分问答场景。
因此，以GPT为代表的大模型，相当于一个“宽而浅”的智能体。承担简单任务时，其灵活性会大幅度提升工作效率，但如果承担复杂工作，则往往不会给到有效的反馈。
1、AI Agent简介
那怎么提升LLM的能力深度呢？
最直接的方法是提供更多专项领域内的数据进行训练or微调，但成本会相对较高，也未必会取得正向效果，新的知识输入可能会导致模型遗忘已有的关键知识。
在Prompt中提供更多的上下文数据，是更直接的思路。
-
比如GPT不知道新发生的事情，那就拼接一个搜索插件，在提问的时候，把查询的最新内容放到Prompt中，这样GPT就能将其作为参考来回答问题。
- 比如GPT不知道一些领域内的知识，那就提供一个知识库，在提问的时候，先在知识库中检索相关的知识放到Prompt中，这样
原文链接：https://blog.csdn.net/hwz2311245/article/details/136111528?ops_request_misc=%257B%2522request%255Fid%2522%253A%252276333dbcb153648ebac22f74d2453255%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=76333dbcb153648ebac22f74d2453255&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-21-136111528-null-null.nonecase&utm_term=AI+AIAgent
