hello-agent-第一章

智能体系统摘要智能体是能够通过传感器感知环境并自主采取行动以达成目标的实体，包含环境、传感器、执行器和自主性四大要素。智能体演进经历了从反射型到学习型的多个阶段，大语言模型(LLM)的出现赋予其规划推理、工具使用等新能力。智能体系统采用PEAS模型描述任务环境，运行机制遵循"感知-思考-行动-观察"的循环，通过Thought-Action-Observation交互协议实现决

干嘛那么认真冲动呢

716人浏览 · 2025-11-10 21:19:24

干嘛那么认真冲动呢 · 2025-11-10 21:19:24 发布

教程链接

一、智能体的核心定义与要素

能够通过传感器感知环境，并自主通过执行器采取行动以达成目标的实体。

四要素：

环境（Environment）：智能体所处的外部世界
传感器（Sensors）：持续感知环境状态的能力
执行器（Actuators）：改变环境状态的行动能力
自主性（Autonomy）：独立决策和目标追求的能力

二、智能体的演进脉络与分类体系

传统智能体演进: 从反射智能体 -> 基于模型的反射智能体 -> 基于目标的智能体 -> 基于效用的智能体 -> 学习型智能体。
LLM驱动的新范式：理解大语言模型如何从根本上改变了智能体的决策机制，使其具备规划与推理、工具使用和动态修正能力。
三大分类维度：
- 基于内部决策架构（反应式 vs. 规划式 vs. 混合式）
- 基于时间与反应性（反应性 vs. 规划性）
- 基于知识表示（符号主义 vs. 亚符号主义 vs. 神经符号主义）

三、智能体的构成与运行原理

1.任务环境：PEAS模型

使用性能度量、环境、执行器、传感器来分析和描述一个智能体的任务环境。

2.运行机制：智能体循环 (Agent Loop)

智能体与环境交互的基本循环

理解感知 -> 思考 -> 行动 -> 观察这一核心运行机制。

3.感知与行动：交互协议 (Interaction Protocol)

交互协议：掌握Thought-Action-Observation这一结构化交互范式。

Thought (思考)
- 这是智能体内部决策的"快照"。它以自然语言形式阐述了智能体如何分析当前情境、回顾上一步的观察结果、进行自我反思与问题分解，并最终规划出下一步的具体行动。
Action (行动)
- 这是智能体基于思考后，决定对环境施加的具体操作，通常以函数调用的形式表示。

4.智能体的应用模式与实践

两种协作模式：作为开发者工具的智能体 vs. 作为自主协作者的智能体。
Workflow与Agent的本质区别：静态执行流程 vs. 动态目标导向。
动手实践：能够理解并复现“智能旅行助手”的代码，把握其从工具定义、提示工程到主循环实现的完整链路。

四、旅游助手实践

感知-思考-行动-观察

API

API平台

魔搭：有免费额度
阿里云百炼平台也有免费的模型。
deepseek：相对便宜。
openai-api：没有免费额度了。

实践

国外API

openai-api

生成api-key

问题

调用LLM时出现错误：Error code: 429 - {'error': {'message': 'You exceeded your current quota, please check your plan and billing details. For more information on this error, read the docs: https://platform.openai.com/docs/guides/error-codes/api-errors.', 'type': 'insufficient_quota', 'param': None, 'code': 'insufficient_quota'}}

没有免费额度

国内API

魔搭

生成api-key

支持体验

问题

调用LLM时出现错误：Error code: 400 - {'errors': {'message': 'Invalid model id: gpt-3.5-turbo', 'request_id': 'ded6657c-360c-48e1-88cf-96b510a0ef66'}}

无效模型
解决方式：换一个使用
- 在魔搭模型库页面，点支持体验，点击推理api-inference，然后从里面选一个你喜欢的，然后可以看到右边有调用文档

AI搜索API客户端

tavily-python

一个强大的AI搜索API客户端，用于获取实时的网络搜索结果。

安装必要的库

pip install requests tavily-python openai

代码

变化

添加了.env文件实现环境变量

# 安装python-dotenv
pip install python-dotenv

OPENAI_API_KEY=your-openai-api-key
TAVILY_API_KEY=your-tavily-api-key
OPENAI_BASE_URL=https://api.openai.com/v1

# 在代码中加载
import os
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

# 现在可以直接使用
api_key = os.getenv('OPENAI_API_KEY')
tavily_key = os.getenv('TAVILY_API_KEY')
base_url = os.getenv('OPENAI_BASE_URL')

print(f"OpenAI API Key: {api_key}")

`config.py`

写入环境变量

#!/usr/bin/env Python
# -*- coding: utf-8 -*-
import os
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

def get_env():
    # 现在可以直接使用
    api_key = os.getenv('OPENAI_API_KEY')
    tavily_key = os.getenv('TAVILY_API_KEY')
    base_url = os.getenv('OPENAI_BASE_URL')

    print(f"OPENAI_API_KEY: {api_key}")
    print(f"TAVILY_API_KEY: {tavily_key}")
    print(f"OPENAI_BASE_URL: {base_url}")

`openapi_client.py`

LLM的交互和工具调用的解析

#!/usr/bin/env Python
# -*- coding: utf-8 -*-
from openai import OpenAI
import re
import os


class OpenAICompatibleClient:
    def __init__(self):
        self.client = OpenAI(
            api_key=os.getenv("OPENAI_API_KEY"),
            base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
        )

    # def chat_completion(self, messages, model="gpt-3.5-turbo"):  # 在魔搭该模型无效
    def chat_completion(self, messages, model="Qwen/Qwen3-VL-8B-Instruct"):
        """调用LLM进行对话"""
        try:
            response = self.client.chat.completions.create(
                model=model,
                messages=messages,
                temperature=0.7,
                max_tokens=1000
            )
            return response.choices[0].message.content
        except Exception as e:
            return f"调用LLM时出现错误：{str(e)}"

    def parse_action(self, response):
        """解析LLM响应中的Action"""
        # 使用正则表达式提取Action
        action_pattern = r'Action:\s*([a-zA-Z_]+)\((.*?)\)'
        match = re.search(action_pattern, response)

        if match:
            function_name = match.group(1)
            # 简单解析参数（实际应用中需要更robust的解析）
            params_str = match.group(2).strip('"\'')
            params = [p.strip().strip('"\'') for p in params_str.split(',') if p.strip()]
            return function_name, params

        return None, None

感知系统

把搜索到的数据转化为agents熟悉的数据

`weather.py`

天气查询工具

#!/usr/bin/env Python
# -*- coding: utf-8 -*-
import requests
import json

def get_weather(city):
    """
    获取指定城市的天气信息
    这里使用模拟数据，实际应用中可以接入真实的天气API
    """
    # 模拟天气数据
    weather_data = {
        "北京": {"temperature": 25, "condition": "晴", "wind": "微风"},
        "上海": {"temperature": 28, "condition": "多云", "wind": "东南风"},
        "广州": {"temperature": 32, "condition": "雷阵雨", "wind": "南风"},
        "深圳": {"temperature": 30, "condition": "阴", "wind": "无风"}
    }

    if city in weather_data:
        data = weather_data[city]
        return f"{city}当前天气：{data['condition']}，气温{data['temperature']}°C，{data['wind']}"
    else:
        return f"抱歉，暂时无法获取{city}的天气信息"

`attraction.py`

景点搜索工具

#!/usr/bin/env Python
# -*- coding: utf-8 -*-
from tavily import TavilyClient
import os


def search_attraction(city, weather):
    """
    根据城市和天气条件搜索合适的旅游景点
    """
    try:
        # 初始化Tavily客户端
        tavily = TavilyClient(api_key=os.getenv("TAVILY_API_KEY"))

        # 构建搜索查询
        query = f"{city} {weather} 适合的旅游景点推荐"

        # 执行搜索
        response = tavily.search(query=query, max_results=3)

        # 处理搜索结果
        attractions = []
        for result in response.get('results', []):
            attractions.append({
                'title': result.get('title', ''),
                'content': result.get('content', '')[:200] + '...'
            })

        return f"根据{city}的{weather}天气，推荐以下景点：" + \
            "\n".join([f"- {attr['title']}: {attr['content']}" for attr in attractions])

    except Exception as e:
        return f"搜索景点时出现错误：{str(e)}"

`main.py`

运行智能体

#!/usr/bin/env Python
# -*- coding: utf-8 -*-
import config
from 第一章.weather import *
from 第一章.attraction import *
from 第一章.openapi_client import OpenAICompatibleClient

AGENT_SYSTEM_PROMPT = """
你是一个智能旅行助手，能够帮助用户规划旅行并提供相关信息。

你有以下工具可以使用：
1. get_weather(city): 获取指定城市的天气信息
2. search_attraction(city, weather): 根据城市和天气搜索合适的旅游景点

请按照以下格式回复：
Thought: [你的思考过程]
Action: [要执行的动作，格式为函数调用]

如果不需要使用工具，请直接回复用户。
"""

# 可用工具字典
available_tools = {
    "get_weather": get_weather,
    "search_attraction": search_attraction
}



def run_agent():
    """运行智能体主循环"""
    client = OpenAICompatibleClient()

    # 初始化对话历史
    messages = [{"role": "system", "content": AGENT_SYSTEM_PROMPT}]

    print("🤖 智能旅行助手已启动！输入 'quit' 退出。\n")

    while True:
        # 获取用户输入
        user_input = input("👤 用户: ").strip()
        if user_input.lower() == 'quit':
            print("👋 再见！")
            break

        # 添加用户消息到历史
        messages.append({"role": "user", "content": user_input})

        # 开始智能体循环
        max_iterations = 5  # 防止无限循环
        for iteration in range(max_iterations):
            print(f"\n🔄 循环 {iteration + 1}:")

            # 1. 思考阶段：调用LLM
            response = client.chat_completion(messages)
            print(f"🧠 智能体响应:\n{response}")

            # 2. 解析行动
            function_name, params = client.parse_action(response)

            if function_name and function_name in available_tools:
                # 3. 执行行动
                print(f"⚡ 执行工具: {function_name}({', '.join(params)})")

                try:
                    tool_result = available_tools[function_name](*params)
                    observation = f"Observation: {tool_result}"
                    print(f"👁️ 观察结果: {tool_result}")

                    # 4. 将观察结果添加到对话历史
                    messages.append({"role": "assistant", "content": response})
                    messages.append({"role": "user", "content": observation})

                except Exception as e:
                    error_msg = f"Observation: 工具执行出错 - {str(e)}"
                    print(f"❌ 错误: {str(e)}")
                    messages.append({"role": "assistant", "content": response})
                    messages.append({"role": "user", "content": error_msg})
            else:
                # 没有工具调用，直接结束循环
                messages.append({"role": "assistant", "content": response})
                print("✅ 任务完成！")
                break

        print("\n" + "=" * 50 + "\n")


# 运行智能体
if __name__ == "__main__":
    config.get_env()
    run_agent()

结果

🤖 智能旅行助手已启动！输入 'quit' 退出。

👤 用户: 你好，请帮我查询一下今天北京的天气，然后根据天气推荐一个合适的旅游景点

🔄 循环 1:
🧠 智能体响应:
Thought: 首先，我需要获取北京今天的天气信息，然后根据天气推荐一个合适的旅游景点。
Action: get_weather("北京")
⚡ 执行工具: get_weather(北京)
👁️ 观察结果: 北京当前天气：晴，气温25°C，微风

🔄 循环 2:
🧠 智能体响应:
Thought: 北京今天天气晴朗，气温适宜，微风拂面，适合户外活动。根据天气情况，我推荐参观颐和园，这是一个风景优美的皇家园林，适合在晴天漫步和拍照。
Action: search_attraction("北京", "晴")
⚡ 执行工具: search_attraction(北京, 晴)
👁️ 观察结果: 根据北京的晴天气，推荐以下景点：- 【北京攻略】去北京必打卡的10大景点和好去处！: Klook Team Last updated 2025年6月17日 Photo credit: zhang-kaiyv (Unsplash) * 营业时间：约7:00-19:00（淡旺季微调详见官网） * 开放时间：约8:00-16:00（淡旺季微调详见官网） Photo credit: Wong Zihoo 💡**Klook 小贴士**💡 立即下载Klook App以获取专为你提供的最佳旅行优...
- 4月在北京有哪些景点值得去？: 日照时间也够长，四月特别是下旬到北京最合适了，赶在五一前，游客少，可以好好的逛逛故宫，逛逛北海公园，暴走颐和园！...
- 北京顺义十大景点: 汉石桥湿地公园，是北京现存唯一的大面积芦苇型原生湿地，也是MaiGoo小编极力推荐的顺义区旅游景点之一。景区总面积1900公顷，并有多种珍稀水禽的栖息于此，其中国家Ⅰ级重点...

🔄 循环 3:
🧠 智能体响应:
根据北京今天的晴朗天气，我为您推荐以下景点：

1. **颐和园**  
   作为皇家园林，颐和园在晴天时景色尤为壮丽，湖光山色、古建筑与绿树相映成趣，非常适合漫步、拍照或骑行。天气温暖舒适，是户外休闲的理想选择。

2. **故宫**  
   晴天的故宫阳光洒在红墙金瓦上，更显庄严与辉煌。建议避开人流高峰时段（如上午9点前或下午4点后），可悠闲参观并拍摄精美照片。

3. **北海公园**  
   适合喜欢古典园林和湖景的游客。晴天时，白塔倒影在湖面，非常出片，还可以划船或散步于白塔景区周边。

4. **汉石桥湿地公园**（顺义区）  
   如果您想体验自然生态，这里拥有大片芦苇湿地和珍稀水禽，适合亲子游或安静观鸟，是城市中难得的“绿肺”。

💡 **小贴士**：  
- 建议提前下载Klook App，预订门票或安排交通，避免排队。  
- 携带防晒用品、帽子和水壶，享受美好天气的同时注意防暑。  
- 若想避开人流，可选择上午9点前或下午4点后前往热门景点。

祝您旅途愉快！ 🌞🌸
✅ 任务完成！

==================================================

👤 用户: quit
👋 再见！

Process finished with exit code 0

习题

请分析以下四个 case 中的主体是否属于智能体，如果是，那么属于哪种类型的智能体（可以从多个分类维度进行分析），并说明理由：
- case A：一台符合冯·诺依曼结构的超级计算机，拥有高达每秒 2EFlop 的峰值算力
  - 是否智能体：否
  - 理由：只是一个工具。无法自主感知、决策与行动。
- case B：特斯拉自动驾驶系统在高速公路上行驶时，突然检测到前方有障碍物，需要在毫秒级做出刹车或变道决策
  - 是否智能体：是
  - 类型：
    - 反应式智能体：毫秒级响应
    - 基于目标的智能体：安全驾驶、避免碰撞
    - 基于效用的智能体：刹车与变道的最优选择，最大化安全效用
  - 理由：它感知环境（传感器）、决策（规划路径）并执行（控制车辆），具有自主性和实时性
- case C：AlphaGo在与人类棋手对弈时，需要评估当前局面并规划未来数十步的最优策略
  - 是否智能体：是。
  - 类型：
    - 基于效用的智能体：评估局面并规划未来数十步，进行深度推理。
    - 基于目标的智能体：目标为赢得对弈。
    - 学习智能体：通过强化学习和自我对弈改进策略。
  - 理由：它感知棋盘状态，使用蒙特卡洛树搜索等规划方法，并基于历史数据学习优化。
- case D：ChatGPT 扮演的智能客服在处理用户投诉时，需要查询订单信息、分析问题原因、提供解决方案并安抚用户情绪
  - 是否智能体：是。
  - 类型：
    - 分层智能体：包含查询、分析、响应等子模块。
    - 目标导向智能体：目标为解决用户投诉。
    - 社会智能体：需理解用户情绪并交互。
  - 理由：它感知用户输入，查询外部数据，分析问题原因，并生成个性化响应，具有自适应性和社交能力。
假设你需要为一个"智能健身教练"设计任务环境。这个智能体能够：
- 通过可穿戴设备监测用户的心率、运动强度等生理数据
- 根据用户的健身目标（减脂/增肌/提升耐力）动态调整训练计划
- 在用户运动过程中提供实时语音指导和动作纠正
- 评估训练效果并给出饮食建议
请使用 PEAS 模型完整描述这个智能体的任务环境，并分析该环境具有哪些特性（如部分可观察、随机性、动态性等）。

PEAS描述：
- Performance：
  - 用户健身目标达成度（如体重变化、肌肉量增长）
  - 用户满意度（通过反馈评分）
  - 运动安全性（受伤率）
  - 训练效率（目标达成时间）
- Environment：
  - 用户生理状态（心率、运动强度）
  - 运动环境（家庭、健身房）
  - 用户目标与偏好（减脂/增肌）
  - 历史训练数据
- Actuators：
  - 语音输出模块（提供实时指导）
  - 训练计划调整模块（动态更新计划）
  - 饮食建议生成模块
  - 用户界面通知（App或消息）
- Sensors：
  - 可穿戴设备（心率监测器、加速度计）
  - 用户输入（语音反馈、手动输入）
  - 环境传感器（可选，如摄像头用于动作捕捉）
环境特性分析：
- 部分可观察：智能体仅能通过传感器获取部分数据（如心率），无法直接观察用户全部状态（如肌肉疲劳）。
- 随机性：用户生理反应和环境因素有不确定性（如心率突变、设备误差）。
- 动态性：环境实时变化（用户心率、运动强度），智能体需持续适应。
- 连续：状态和行动随时间连续变化，需实时处理。
- 序列性：当前决策影响未来状态（如训练计划调整影响长期效果）。
- 单一智能体：智能体独立与用户交互，无其他智能体竞争。
- 已知 vs 未知：环境模型部分已知（运动科学原理），但用户个体差异未知，需学习。
某电商公司正在考虑两种方案来处理售后退款申请：

方案 A（Workflow）：设计一套固定流程，例如：

A.1 对于一般商品且在 7 天之内，金额 < 100RMB 自动通过；100-500RMB 由客服审核；>500RMB 需主管审批；而特殊商品（如定制品）一律拒绝退款

A.2 对于超过 7 天的商品，无论金额，只能由客服审核或主管审批；

方案 B（Agent）：搭建一个智能体系统，让它理解退款政策、分析用户历史行为、评估商品状况，并自主决策是否批准退款

请分析：
- 这两种方案各自的优缺点是什么？
  - 方案A（Workflow）优缺点：
    - 优点：
      - 简单高效：规则明确，处理速度快，适合标准化案件。
      - 低成本：易于实现和维护，无需复杂技术。
      - 一致性强：减少人为偏见，确保公平性。
      - 可解释性：决策过程透明，易于审计。
    - 缺点：
      - 僵化：无法处理异常或复杂案件（如用户历史良好但金额超标）。
      - 维护成本高：规则需手动更新以适应变化。
      - 用户体验差：可能拒绝合理请求，导致客户流失。
    方案B（Agent）优缺点：
    - 优点：
      - 灵活自适应：能分析上下文（用户行为、商品状况），处理边缘案件。
      - 智能决策：通过学习优化，提高准确率和用户满意度。
      - 减少人工：自动化复杂审核，节省人力资源。
    - 缺点：
      - 开发成本高：需大量数据和训练时间。
      - 黑盒问题：决策难解释，可能引发信任问题。
      - 稳定性风险：可能产生错误或偏见决策。
- 在什么情况下 Workflow 更合适？什么情况下 Agent 更有优势？如果你是该电商公司的负责人，你更倾向于采用哪种方案？
  - 适用场景：
    - Workflow更合适：
      - 退款政策简单、规则稳定。
      - 案件量大且标准化（如低价商品）。
      - 资源有限，需快速部署。
    - Agent更有优势：
      - 政策复杂或经常变化。
      - 需欺诈检测或用户行为分析。
      - 追求个性化服务和客户 retention。
    作为负责人的倾向：
    
    我更倾向于方案C：混合方案，以扬长避短。例如：
    - 用Workflow处理简单案件（如金额<100RMB），保证效率。
    - 用Agent处理复杂案件（如高金额、特殊商品），提供灵活性。
    - 引入人工审核层作为后备，确保风险控制。
- 是否存在一个方案 C，能够结合两种方案，达到扬长避短的效果？
  - 规则引擎：基于金额、时间等硬规则过滤案件。
  - 智能体模块：对于边界案件，Agent分析用户历史、商品类型等，输出决策建议。
  - 反馈循环：Agent从人工审核中学习，持续优化规则。
在 1.3 节的智能旅行助手基础上，请思考如何添加以下功能（可以只描述设计思路，也可以进一步尝试代码实现）：

提示：思考如何修改 Thought-Action-Observation 循环来实现这些功能。
- 添加一个"记忆"功能，让智能体记住用户的偏好（如喜欢历史文化景点、预算范围等）
- 当推荐的景点门票已售罄时，智能体能够自动推荐备选方案
- 如果用户连续拒绝了 3 个推荐，智能体能够反思并调整推荐策略
```
功能实现要点：
记忆功能：在think中解析用户输入，更新user_preferences字典。在推荐时查询该记忆。

备选推荐：在act中检测门票售罄状态，调用recommend_alternative方法，基于偏好选择类似景点。

调整策略：在observe中跟踪拒绝次数，当达到阈值时，在think中触发adjust_strategy，例如切换景点类型或询问用户更多偏好。
```
卡尼曼的"系统 1"（快速直觉）和"系统 2"（慢速推理）理论[2]为神经符号主义 AI 提供了很好的类比。请首先构思一个具体的智能体的落地应用场景，然后说明场景中的：

提示：医疗诊断助手、法律咨询机器人、金融风控系统等都是常见的应用场景
- 哪些任务应该由"系统 1"处理？
- 哪些任务应该由"系统 2"处理？
- 这两个系统如何协同工作以达成最终目标？
  - 我以医疗诊断助手为例说明：
    
    应用场景描述：
    
    智能体协助医生进行疾病诊断，整合患者症状、病史和医学知识，输出诊断建议和治疗方案。
    
    系统1（快速直觉）处理的任务：
    - 初步症状分类：基于常见模式快速匹配症状与疾病（如头痛+发热→感冒）。
    - 常规检查验证：验证生命体征是否在正常范围（如心率、血压）。
    - 药物剂量计算：根据体重和标准公式计算常规药物剂量。
    - 理由：这些任务需快速响应，基于训练好的模式匹配，误差可接受。
    系统2（慢速推理）处理的任务：
    - 复杂鉴别诊断：当症状模糊或多疾病可能时，深度分析病因（如罕见病诊断）。
    - 治疗计划制定：结合患者个体差异（如过敏史）制定个性化方案。
    - 医学文献分析：解析最新研究证据以支持决策。
    - 理由：这些任务需逻辑推理、不确定性处理和知识整合，耗时但要求高精度。
    协同工作方式：
    - 流水线协作：系统1先进行快速筛选，将高置信度病例直接输出，低置信度或复杂病例传递给系统2。
    - 反馈循环：系统2的诊断结果用于优化系统1的模型（如更新症状-疾病映射）。
    - 例子：患者输入症状后，系统1快速建议可能疾病；如果症状异常或冲突，系统2启动深度推理，查询知识库并输出详细报告。
尽管大语言模型驱动的智能体系统展现出了强大的能力，但它们仍然存在诸多局限。请分析以下问题：
- 为什么智能体或智能体系统有时会产生"幻觉"（生成看似合理但实际错误的信息）？
- 在 1.3 节的案例中，我们设置了最大循环次数为 5 次。如果没有这个限制，智能体可能会陷入什么问题？
- 如何评估一个智能体的"智能"程度？仅使用准确率指标是否足够？
  - 幻觉产生原因：
    - 数据驱动本质：LLM基于训练数据中的统计模式生成文本，而非真实理解。当训练数据有噪声或缺失时，可能生成合理但错误信息。
    - 缺乏事实核查：LLM无外部验证机制，可能混淆相似概念或过度泛化。
    - 上下文依赖：生成长文本时，前后不一致可能导致幻觉。
    - 提示敏感性：输入提示的微小变化可能输出截然不同内容。
    最大循环次数问题：
    
    如果没有循环限制（如最大5次），智能体可能：
    - 陷入无限循环：反复执行无效行动（如重复推荐同一景点），无法终止。
    - 资源耗尽：浪费计算资源和时间，降低系统效率。
    - 用户体验下降：用户被困在无进展交互中，导致挫折感。
    - 例子：在旅行助手中，智能体可能持续查询已售罄门票，而不切换策略。
    评估智能程度：
    
    仅使用准确率不足，因为：
    - 多维度性能：智能体需评估效率、适应性、安全性等。例如：
      - 任务完成率：是否达成目标（如成功预订）。
      - 响应时间：决策速度。
      - 鲁棒性：对异常输入的处理能力。
      - 用户满意度：主观反馈。
      - 学习能力：从经验中改进的幅度。
      - 资源效率：计算和内存使用。
    - 具体指标：在旅行助手中，需综合评估推荐准确性、用户交互次数、偏好匹配度等。

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

2025最权威的十大AI辅助写作网站实际效果

2048 AI社区

免费AI写论文工具实测：6大智能平台推荐，查重率直降40%！

2048 AI社区

2025年AI IED实战测评榜:从个人开发到企业部署的完整选型攻略

AI编程工具已成为提升开发效率的关键因素，本文对比了10款主流工具，包括腾讯CodeBuddy、通义灵码等。CodeBuddy凭借混合模型架构、企业级合规和全流程提效能力，成为企业开发优选；通义灵码在阿里云生态表现突出；Replit Ghostwriter适合教学场景；Codeium是个人开发者免费首选。针对不同规模团队，文章给出了针对性建议：个人开发者可选CodeBuddy个人版或Codeium

2048 AI社区

所有评论(0)

查看更多评论

干嘛那么认真冲动呢

@weixin_59457627

已为社区贡献5条内容

hello-agent-第一章

干嘛那么认真冲动呢

一、智能体的核心定义与要素

二、智能体的演进脉络与分类体系

三、智能体的构成与运行原理

1.任务环境：PEAS模型

2.运行机制：智能体循环 (Agent Loop)

3.感知与行动：交互协议 (Interaction Protocol)

Thought (思考)

Action (行动)

4.智能体的应用模式与实践

四、旅游助手实践

API

API平台

实践

AI搜索API客户端

代码

变化

config.py

openapi_client.py

感知系统

weather.py

attraction.py

main.py

结果

习题

PEAS描述：

环境特性分析：

方案A（Workflow）优缺点：

方案B（Agent）优缺点：

适用场景：

作为负责人的倾向：

应用场景描述：

系统1（快速直觉）处理的任务：

系统2（慢速推理）处理的任务：

协同工作方式：

幻觉产生原因：

最大循环次数问题：

评估智能程度：

所有评论(0)

干嘛那么认真冲动呢

`config.py`

`openapi_client.py`

`weather.py`

`attraction.py`

`main.py`