文章目录

Agent

在人工智能领域，我们长期以来专注于构建更强大的‘模型’（Model）——例如在特定任务上实现SOTA的预测模型。然而，一个仅能输出高精度标签或文本的模型，距离我们想象中的‘智能’仍有差距。真正的智能，体现在与环境的持续交互中，为实现目标而进行的序列化决策和行动。这正是智能体（Agent） 范式所要解决的核心问题。

在人工智能领域，智能体通常被定义为一个通过传感器感知环境，并通过执行器对环境施加行动的系统（Russell & Norvig, 《人工智能：现代方法》）。其核心在于一个永不停歇的循环：感知 -> 决策 -> 行动。

• 感知：将环境的原始数据（文本、图像、传感器读数等）转化为内部的状态表示。对于LLM-based Agent，这通常是通过Embedding或上下文理解将用户输入和工具输出转化为结构化信息。
• 决策：智能体的“大脑”。根据当前状态，决定下一步的最佳行动。这背后是策略。
• 策略函数：π(s) -> a， 给定状态s，输出行动a。
• 规划与推理：对于复杂任务，智能体需要进行多步的“思考”，模拟未来可能的状态，从而做出更优的决策。这就是思维链、Tree-of-Thoughts等技术解决的问题。
• 行动：执行决策的结果。行动可以是对环境的改变，也可以是调用一个工具。
• 工具使用：这是现代Agent能力扩展的关键。工具可以是：计算器、代码解释器、搜索引擎、专用API、甚至另一个模型。Agent需要学会在何时、调用何种工具、并解析其返回结果。

示例代码

# Agent 核心决策循环伪代码
def agent_decision_loop(initial_goal):
    state = initialize_state(initial_goal)
    plan = []
    
    while not goal_achieved(state) and steps < max_steps:
        # 1. 观察环境
        observation = perceive_environment(state)
        
        # 2. 更新内部状态
        state.update(observation)
        
        # 3. 如果计划为空或失效，重新规划
        if not plan or plan_invalid(plan, state):
            plan = planner(state, available_actions)
        
        # 4. 选择下一个行动
        if plan:
            action = plan.pop(0)
        else:
            action = fallback_policy(state)
        
        # 5. 执行行动
        result = execute_action(action, state)
        
        # 6. 学习更新
        learn_from_experience(state, action, result)
        
        steps += 1
    
    return state

# 规划器伪代码  
def planner(state, actions):
    """基于当前状态生成行动计划"""
    goal = state.current_goal
    
    # 前向搜索或使用LLM进行规划
    if complex_task(goal):
        # 使用LLM进行推理规划
        plan = llm_planner(state, goal, actions)
    else:
        # 使用传统规划算法
        plan = heuristic_planner(state, goal, actions)
    
    return plan

面临的挑战与未来方向

指出挑战能体现文章的深度：

• 可靠性： Agent的决策过程是否可靠？如何避免“幻觉”导致的错误行动？
• 效率与成本：复杂的规划和大规模的工具调用会带来高昂的计算成本和延迟。
• 评估难题： 如何系统性地评估一个Agent在开放世界中的综合能力？
• 安全性与对齐： 如何确保强大的自主Agent的行为与人类价值观和设定目标对齐？

系列文章

【大语言模型】-- OpenAI定义的五个AGI发展阶段
【大语言模型】-- Fine-tuning 微调
【大语言模型】-- 私有化部署
【大语言模型】-- Prompt Engineering 提示工程
【大语言模型】-- Function Calling函数调用
【大语言模型】-- RAG
【大语言模型】-- Agent
【大语言模型】-- 一些概念