关键知识点

一、核心定义与运作原理解析

1、概念溯源：从泛化到特指的术语分化

在计算机科学领域，“Agent”（代理）是一个具有多重含义的术语。它既可以指代网络通信中的代理服务器，也能表示分布式系统中的自治实体。**而 “AI Agent”（智能体）则是人工智能领域的专有概念，特指具备感知、决策、行动能力的智能系统。**这种术语的分化，反映了计算机技术从工具属性向智能属性的演进路径。

2、计算机术语中的"Agent"

根据 IEEE 标准，Agent 是"代表用户或其他程序，以持续、自主的方式执行特定任务的软件实体"。其核心特征是代理性（代表第三方执行操作）和自主性（无需持续人工干预）。

3、AI领域的"Agent"

国际智能体基金会（FIPA）将 AI Agent 定义为 “能够通过传感器感知环境，并通过效应器作用于环境的自治系统”。其核心特征是智能性（基于算法的决策能力）和社会性（与人类或其他 Agent 交互）。

4、大模型时代：AI Agent定义

1. 大语言模型可以接受输入，可以分析&推理、可以输出文字、代码、媒体。然而，其无法像人类一样，拥有规划思考能力、运用各种工具与物理世界互动，以及拥有人类的记忆能力。
2. Al Agents是基于LLM的能够自主理解、自主规划决策、执行复杂任务的智能体。
3. Agent的设计目的是为了处理那些简单的语言模型可能无法直接解决的问题，尤其是当这些任务涉及到多个步骤或者需要外部数据源的情况。
4. LLM：接受输入、思考、输出
5. AI Agent：LLM(接受输入、思考、输出) + 记忆 + 工具 + 规划

5、减缓大语言模型幻觉策略分析

1. Prompt：通过精心设计的提示，提高模型输出的准确性。通用基础问题
2. RAG：通过检索增强生成（RAG），将外部信息集成到生成过程中。知识密集型问题
3. Agent：使用智能代理管理和协调模型任务以减少幻觉。垂直场景任务型

二、任务拆解｜反思改进

1、任务拆解：思维链COT，自洽性，思维树TOT

2、反思改进：ReAct，Plan-and-Execute

三、AI Agent应用开发框架

四、AI Agent实践

1、The First Agent

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain_community.agent_toolkits.load_tools import load_tools

load_dotenv()
"""
产品与API
SERPAPI_API_KEY = "ee37d0eae22dbd837968f7c72b651c2feb2f3c1a3987d3cc51a11655ccbe21d4"
"""

# 定义llm
llm = ChatOpenAI(temperature=0,
                 model="qwen-plus",
                 api_key=os.getenv("DASHSCOPE_API_KEY"),
                 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")

# 定义工具
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# 初始化agent
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 这里有不同的类型
    verbose=True,  # 是否打印日志
)

result = agent.invoke({"input": "新中国成立的时间？它的年龄的平方是多少? 请用中文告诉我这两个问题的答案"})
print(result)

"""
> Entering new AgentExecutor chain...
我需要查找新中国成立的时间，然后使用计算器计算它的年龄的平方。
Action: Search
Action Input: 新中国成立的时间
Observation: October 1, 1949
Thought:新中国成立于1949年。现在我需要计算从成立到现在的年龄，然后求它的平方。
Thought: 我需要计算1949年到现在的年份差，这可以通过减法得出。接着用计算器计算年龄的平方。
Action: Calculator
Action Input: (2023 - 1949) ** 2
Observation: Answer: 5476
Thought:新中国成立于1949年，到现在（2023年），它的年龄是74岁。年龄的平方是5476。

Final Answer: 新中国成立于1949年，它的年龄的平方是5476。

> Finished chain.
{'input': '新中国成立的时间？它的年龄的平方是多少? 请用中文告诉我这两个问题的答案', 'output': '新中国成立于1949年，它的年龄的平方是5476。'}
"""

2、AI Agent+Tools+Memory

import os

from dotenv import load_dotenv
from langchain.agents import Tool
from langchain.agents import AgentType
from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI
from langchain_community.utilities import SerpAPIWrapper
from langchain.agents import initialize_agent
from langchain.chains import LLMMathChain
from langchain.prompts import MessagesPlaceholder

load_dotenv()
"""AgentExecutor"""

# llm = ChatOpenAI(
#     temperature=0,
#     model="gpt-4o-mini",
# )

llm = ChatOpenAI(temperature=0,
                 model="qwen-max-latest",
                 api_key=os.getenv("DASHSCOPE_API_KEY"),
                 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")
# 构建一个搜索工具
search = SerpAPIWrapper()

# 创建一个数学计算工具
llm_math_chain = LLMMathChain(
    llm=llm,
    verbose=True
)

tools = [
    Tool(
        name="Search",
        func=search.run,
        description="useful for when you need to answer questions about current events or the current state of the world"
    ),
    Tool(
        name="Calculator",
        func=llm_math_chain.run,
        description="useful for when you need to answer questions about math"
    ),
]

print(tools)

# 记忆组件
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

agent_chain = initialize_agent(
    tools,
    llm,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True,
    handle_parsing_errors=True,  # 处理解析错误
    agent_kwargs={
        "extra_prompt_messages": [MessagesPlaceholder(variable_name="chat_history"),
                                  MessagesPlaceholder(variable_name="agent_scratchpad")],
    },
    memory=memory  # 记忆组件
)

agent_chain.invoke({"input": "你好"})
agent_chain.invoke({"input": "我叫Cat，很高兴见到你"})
agent_chain.invoke({"input": "1+1等于几？"})
agent_chain.invoke({"input": "好厉害，刚才我们都聊了什么？"})

"""
> Entering new AgentExecutor chain...
你好！有什么问题或者需要帮助的吗？

> Finished chain.


> Entering new AgentExecutor chain...
很高兴见到你，Cat！如果你有任何问题或需要帮助，请随时告诉我。无论是寻找信息、计算数学题还是其他任何事情，我都在这里为你提供帮助。

> Finished chain.


> Entering new AgentExecutor chain...
1+1等于2。

> Finished chain.


> Entering new AgentExecutor chain...
当然可以。我们刚才的聊天内容如下：

1. 你向我打招呼并告诉我你的名字是Cat，很高兴见到我。
2. 我回应了你的问候，并表示如果有什么问题或需要帮助，请随时告诉我。
3. 你询问了1+1等于几。
4. 我回答了1+1等于2。

如果你有任何其他问题或需要进一步的帮助，请随时告诉我！

> Finished chain.
"""