系列文章目录

• task00 环境配置+前言
• task01 初识智能体
• task02 智能体发展史
• task03 大语言模型基础
• task04 智能体经典范式构建
• task05 基于低代码平台的智能体搭建
• task06 框架应用开发实战

---

---

前言

• Datawhale教程地址 - Hello Agents

---

一、智能体的演进阶梯

只有深刻理解现代智能体为何呈现出如今的形态，以及其核心设计思想的由来，才能更好的理解现代智能体。

• 演进方向：每一个新范式的出现，都是为了解决上一代范式的核心“痛点”或根本局限。而新的解决方案在带来能力飞跃的同时，也引入了新的、在当时难以克服的“局限”，而这又为下一代范式的诞生埋下了伏笔。

---

二、 基于符号与逻辑的早期智能体

人工智能领域的早期探索，深受数理逻辑和计算机科学基本原理的影响。

• 符号主义（Symbolicism），也被称为“逻辑AI”或“传统AI”。
• 核心思想：智能行为的核心是基于一套明确规则对符号进行操作。
• 因此，一个智能体可以被视为一个物理符号系统：它通过内部的符号来表示外部世界，并通过逻辑推理来规划行动。这个时代的智能体，其“智慧”完全来源于设计者 预先编码的知识库和推理规则。

2.1 物理符号系统假说

符号主义时代的理论根据，是1976年由艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert A. Simon）共同提出的物理符号系统假说（PhysicalSymbol SystemHypothesis, PSSH)。

• 该假说包含两个核心论断：

1. 充分性论断：任何一个物理符号系统，都具备产生通用智能行为的充分手段。
2. 必要性论断：任何一个能够展现通用智能行为的系统，其本质必然是一个物理符号系统。

2.2 专家系统

在物理符号系统假说的直接影响下，专家系统（Expert System）成为符号主义时代最重要、最成功的应用成果。

• 专家系统的核心目标，是模拟人类专家在特定领域内解决问题的能力。它通过将专家的知识和经验编码成计算机程序，使其能够在面对相似问题时，给出媲美甚至超越人类专家的结论或建议。

• 典型专家系统的核心部分构成:

  • 知识库
  • 推理机
  • 用户界面

• 专家系统的“智能”主要源于其两大核心组件：知识库和推理机。

1. 知识库（Knowledge Base）：专家系统的知识存储中心，存放领域专家的知识和经验。知识表示（Knowledge Representation）是构建知识库的关键。在专家系统中，最常用的一种知识表示方法是产生式规则（Production Rules），即一系列“IF-THEN”形式的条件语句。例如：IF 病人有发烧症状 AND 咳嗽 THEN 可能患有呼吸道感染。这些规则将特定情境（IF部分，条件）与相应的结论或行动（THEN部分，结论）关联起来。一个复杂的专家系统可能包含成百上千条这样的规则，共同构成一个庞大的知识网络。

2. 推理机（Inference Engine）：推理机是专家系统的核心计算引擎。它是一个通用的程序，其任务是根据用户提供的事实，在知识库中寻找并应用相关的规则，从而推导出新的结论。推理机的工作方式主要有两种：
   正向链（Forward Chaining）：从已知事实出发，不断匹配规则的IF部分，触发THEN部分的结论，并将新结论加入事实库，直到最终推导出目标或无新规则可匹配。这是一种“数据驱动”的推理方式。
   反向链（Backward Chaining）：从一个假设的目标（比如“病人是否患有肺炎”）出发，寻找能够推导出该目标的规则，然后将该规则的IF部分作为新的子目标，如此递归下去，直到所有子目标都能被已知事实所证明。这是一种“目标驱动”的推理方式。

---

三、 马文·明斯基的心智社会

---

四、 学习范式的演进与现代智能体

如果智能无法被完全设计，那么它是否可以被学习出来？

• 作为对符号主义局限性的直接回应，联结主义（Connectionism） 在20世纪80年代重新兴起。
• 联结主义是一种自下而上的方法，其灵感来源于对生物大脑神经网络结构的模仿[8]。它的核心思想可以概括为以下几点：

知识的分布式表示：知识并非以明确的符号或规则形式存储在某个知识库中，而是以连接权重的形式，分布式地存储在大量简单的处理单元（即人工神经元）的连接之间。整个网络的连接模式本身就构成了知识。
简单的处理单元：每个神经元只执行非常简单的计算，如接收来自其他神经元的加权输入，通过一个激活函数进行处理，然后将结果输出给下一个神经元。
通过学习调整权重：系统的智能并非来自于设计者预先编写的复杂程序，而是来自于“学习”过程。系统通过接触大量样本，根据某种学习算法（如反向传播算法）自动、迭代地调整神经元之间的连接权重，从而使得整个网络的输出逐渐接近期望的目标。

4.1 从符号到联结

---

习题

1. 物理符号系统假说是符号主义时代的理论基石。请分析：
   • 该假说的"充分性论断"和"必要性论断"分别是什么含义？
   • 结合本章内容，说明符号主义智能体在实践中遇到的哪些问题对该假说的"充分性"提出了挑战？
   • 大语言模型驱动的智能体是否符合物理符号系统假说？

答：

• 充分性论断说明了
• 遇到问题有知识瓶颈，常识性知识无法显式规则，图像、声音等无法学习，不够灵活自主，存储和计算需求量爆炸。
• 符合又不符合，最不符合的就是大模型内部深度神经网络的黑盒机制。

专家系统MYCIN[2]在医疗诊断领域取得了显著成功，但最终并未大规模应用于临床实践。请思考：

提示：可以从技术、伦理、法律、用户接受度等多个角度分析

除了本章提到的"知识获取瓶颈"和"脆弱性"，还有哪些因素可能阻碍了专家系统在医疗等高风险领域的应用？
如果让现在的你设计一个医疗诊断智能体，你会如何设计系统来克服MYCIN的局限？
在哪些垂直领域中，基于规则的专家系统至今仍然是比深度学习更好的选择？请举例说明。
在2.2节中，我们实现了一个简化版的ELIZA聊天机器人。请在此基础上进行扩展实践：

提示：这是一道动手实践题，建议实际编写代码

为ELIZA添加3-5条新的规则，使其能够处理更多样化的对话场景（如谈论工作、学习、爱好等）
实现一个简单的"上下文记忆"功能：让ELIZA能够记住用户在对话中提到的关键信息（如姓名、年龄、职业），并在后续对话中引用
对比你扩展后的ELIZA与ChatGPT，列举至少3个维度上存在的本质差异
为什么基于规则的方法在处理开放域对话时会遇到"组合爆炸"问题并且难以扩展维护？能否使用数学的方法来说明？
马文·明斯基在"心智社会"理论[7]中提出了一个革命性的观点：智能源于大量简单智能体的协作，而非单一的完美系统。

在图2.6"搭建积木塔"的例子中，如果 GRASP 智能体突然失效了，整个系统会发生什么？这种去中心化架构的优势和劣势是什么？
将"心智社会"理论与现在的一些多智能体系统（如CAMEL-Workforce、MetaGPT、CrewAI）进行对比，它们之间存在哪些关联和不同之处？
马文·明斯基认为智能体可以是"无心"的简单过程，然而现在的大语言模型和智能体往往都拥有强大的推理能力。这是否意味着"心智社会"理论在大语言模型时代不再适用了？
强化学习与监督学习是两种不同的学习范式。请分析：

用AlphaGo的例子说明强化学习的"试错学习"机制是如何工作的
为什么强化学习特别适合序贯决策问题？它与监督学习在数据需求上有什么本质区别？
现在我们需要训练一个会玩超级马里奥游戏的智能体。如果分别使用监督学习和强化学习，各需要什么数据？哪种方法对于这个任务来说更合适？
在大语言模型的训练过程中，强化学习起到了什么关键性的作用？
预训练-微调范式是现代人工智能领域的重要突破。请深入思考：

为什么说预训练解决了符号主义时代的"知识获取瓶颈"问题？它们在知识表示方式上有什么本质区别？
预训练模型的知识绝大部分来自互联网数据，这可能带来哪些问题？如何缓解以上问题？
你认为"预训练-微调"范式是否可能会被某种新范式取代？或者它会长期存在？
假设你要设计一个"智能代码审查助手"，它能够自动审查代码提交（Pull Request），概括代码的实现逻辑、检查代码质量、发现潜在BUG、提出改进建议。

如果在符号主义时代（1980年代）设计这个系统，你会如何实现？会遇到什么困难？
如果在没有大语言模型的深度学习时代（2015年左右），你会如何实现？
在当前的大语言模型和智能体的时代，你会如何设计这个智能体的架构？它应该包含哪些模块（参考图2.10）？
对比这三个时代的方案，说明智能体技术的演进如何使这个任务从"几乎不可能"变为"可行"

---

总结