Chapter1 初识智能体

1. 文档阅读

1.1 智能体

概念： 通过传感器(sensor)，感知其所处环境(environment)，并自主的通过执行器(actuators)，采取行动(action)，达到特定目标的实体

分类(基于知识表达)：

• 符号主义:侧重逻辑
• 亚符号主义：黑箱
• 神经符号主义(结合上面两种)

1.2 智能体的构成和运行原理

任务环境定义：使用PEAS模型来精确描述一个任务环境

维度

Performance(性能度量)

Environment(环境)

Actuators(执行器)

Sensor(传感器)

描述

在预算和时间内，最大化用户满意度和行程合理性

可以利用的，对解决目标问题有关的服务、资料等

调用API的函数

解析API返回的数据，读取用户输入的自然语言

智能体的运行机制

2. 代码学习

1.2 API设置

参照API设置补全,即可运行代码

API_KEY = ""
BASE_URL = "https://api-inference.modelscope.cn/v1"
MODEL_ID = "deepseek-ai/DeepSeek-V3.2"
# 也是注册账户，就可以获得API_KEY
# https://www.tavily.com/
os.environ['TAVILY_API_KEY'] = ""

运行结果：

Thought——Action——Obervation循环

3. 习题

1. 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

answer：不属于。

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

answer：属于。

• 基于内部决策架构分类，属于反射智能体
• 基于时间和反应性的分类，属于反应式智能体
• 基于知识表达分类。属于符号主义AI

理由：其完全根据外部状态做出快速的反应or决策。

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

answer：属于。

• 基于内部决策架构分类，属于基于效用的智能体。
• 基于时间和反应性的分类，属于规划式智能体
• 基于知识表达分类。属于亚符号主义AI

理由：其结合外部状态和内部的世界模型做出的反应or决策。

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

answer：属于。

• 基于内部决策架构分类，属于混合式的智能体。
• 基于时间和反应性的分类，属于规划式智能体
• 基于知识表达分类。属于神经符号主义AI

理由：既可以快速的满足特定的用户需求，也可以推理，有自己想法的安抚用户。

1. 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）。

   answer ：

   维度

   Performance(性能度量)

   Environment(环境)

   Actuators(执行器)

   Sensor(传感器)

   描述

   在预算和时间内，最大化用户满意度和健身计划合理性

   用户的生理数据、用户的健身目标，用户运动的过程

   调用API的函数，向用户提供文本、语言

   解析API返回的数据，读取检测设备返回的用户生理数据和用户的自然语言

2. 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？
   • 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？
   • 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？

   answer：

   • 方案A：

     优点：逻辑流程清晰、决策反应速度快

     缺点：特殊情况，一律退款，太过武断。超过七天的商品都交给客服或主管审批，加重其工作负担。

     方案B：

     优点：智能体自主处理退款申请，减轻了工作量和工作负担，对于特殊情况也能处理的更加符合实际。

     缺点：黑盒模型，可解释性弱。

   • 如果有固定流程，用WorkFlow更加合适；如果有多种情况，需要自主判断，用Agent合适。我更倾向于使用Agent

   • 方案C:

   1. 对于一般商品且在 7 天之内，金额 < 100RMB 自动通过；100-500RMB 由agent审核；>500RMB 需主管审批；而特殊商品（如定制品）由Agent审批。
   2. 对于超过 7 天的商品，由Agent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

3. 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）

   answer:添加一个工具函数，提取用户偏好，然后存入prompt_history中。

   • 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

   answer:llm搜索推荐景点时，可以找多个景点，当推荐的门票售罄（要新增一个工具去搜索对应景点是否门票售罄）后，查看备选方案的景点票是否满足需求，如果满足即推荐

   • 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

   answer:当用户连续拒绝了3个推荐后，结合用户偏好和之前的记忆，重新进行推荐

4. 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？

   构思场景：医疗诊断助手

   场景的构建由deep seek构建，具体场景如下：

   以一位主诉“反复上腹痛2周”的患者 王先生 的诊疗过程为例

   1. 环境

   诊所、电子健康记录系统、实验室信息系统、医学知识库、患者手机App，参与者有王先生、医生以及医疗诊断助手

   1. 就诊过程
      • 诊前信息收集 ，初步推理病情【系统1】
      • 医生开始问诊，助手监听医患对话，并解析医生输入的文本【系统2】
      • 结合检测结果再评估，助手辅助医生指定治疗计划【系统2】
   2. 诊后回访，由助手线上提醒病患注意事项等【系统2】

   协同工作：系统1快速的根据病人的检测数据推断出病症，系统2结合系统1推理的病情与医生进行交互，系统2在医生就诊时监听，在就诊后及时回访关注病人诊后情况。

5. 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）？

     answer:提示词模糊

   • 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？

     answer:可以会陷入无限循环的问题，如果智能体没有找到合适的答案的话

   • 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？

     我认为还需要考虑智能体的交互程度，对复杂问题的解决能力等，仅仅用准确率指标应该是不够的，因为准确率指标可以在特定的任务上体现了智能体的能力，但是应该还要从多个角度，例如与外界交互的反应，对工具的使用，模型内部对问题的理解和分析等来评判智能程度。