何为智能体？

专用自动化工具转向构建能自主解决问题的系统。核心不再是编写代码，而是引导一个通用的“大脑”去规划、行动和学习。

智能体的工作流？

• 规划与推理：智能体首先会将这个高层级目标分解为一系列逻辑子任务
• 工具使用：在执行规划时，智能体识别到信息缺口，会主动调用外部工具来补全。
• 动态修正：在交互过程中，智能体会将用户的反馈，视为新的约束，并据此调整后续的行动，重新搜索并推荐符合新要求的选项。展现了其根据上下文动态修正自身行为的能力。

智能体的类型

1. 基于内部决策架构的分类 和 时间与反应性的分类

   • 反应式智能体(Reactive Agents)
     • 其核心优势在于速度快、计算开销低，这在需要快速决策的动态环境中至关重要。
   • 规划式智能体(Deliberative Agents)
     • 评估不同行动序列的后果，以期找到一条能够达成目标的最佳路径 。
   • 混合式智能体(Hybrid Agents)
     • 它旨在结合两者的优点，实现反应与规划的平衡。

2. 基于知识表示的分类

• 符号主义 AI（Symbolic AI）
  • 其主要优势在于透明和可解释。
• 亚符号主义 AI（Sub-symbolic AI）
  • 知识并非显式的规则，而是内隐地分布在一个由大量神经元组成的复杂网络中，是从海量数据中学习到的统计模式。
• 神经符号主义 AI（Neuro-Symbolic AI）
  • 是融合两大范式的优点

智能体的构成与运行原理

任务环境的PEAS模型 --> 用来精确描述一个任务环境

• 性能度量(Performance)
• 环境(Environment)
• 执行器(Actuators)
• 传感器(Sensors)

体现在对智能体每一次输出的结构化定义上。智能体的输出不再是单一的自然语言回复，而是一段遵循特定格式的文本，其中明确地展示了其内部的推理过程与最终决策。

这个结构通常包含两个核心部分：

• 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。

Thinking

agent的构建本质上，是对 大模型 添加更多已知量的补充，给他增加了些得到现实世界的补充，然后再去处理这些现实中的信息 。我们需要做的是，如何构建好 LLM 获取现实中的信息。

相同的promot，豆包的结果是图一，根据这个课程里的代码，效果如图二；

代码在文章的最底部有。

智能体应用的协作模式

• 高效工具，深度融入我们的工作流
  • AI编程辅助工具
• 自主的协作者，与其他智能体协作完成复杂目标
  • 它标志着我们与 AI 的关系从“命令-执行”演变为“目标-委托”

自主智能体

• 单智能体自主循环
  • 其核心是一个通用智能体通过“思考-规划-执行-反思”的闭环
• 多智能体协作
  • 角色扮演式对话
  • 组织化工作流
• 高级控制流架构
  • 更侧重于为智能体提供更强大的底层工程基础

Workflow和Agent的差异

Workflow 是让 AI 按部就班地执行指令，而 Agent 则是赋予 AI 自由度去自主达成目标。

工作流是一种传统的自动化范式，其核心是对一系列任务或步骤进行预先定义的、结构化的编排。

基于大型语言模型的智能体是一个具备自主性的、以目标为导向的系统。

Agent的自主性

1. 规划与工具调用
2. 推理与决策
3. 生成结果

这种基于实时信息进行动态推理和决策的能力，正是 Agent 的核心价值所在。

代码仓库