第一章 初识Agent

chapt 初识Agent

1,智能体的定义

核心四要素: 传感器(sensors) 环境(Environment) 执行器(actuator) 自主性(Autonomy)

智能体 = 能通过传感器感知环境 + 自主通过执行器采取行动 + 达成目标的实体

面试回答版

我理解 Agent 本质上是一个能自主完成目标的 AI 系统，跟传统 AI 最核心的区别在于「自主性」和「能行动」。

传统 AI 是你问一个问题它回答一个问题，每次都是独立的，被动响应；而 Agent 有自己的规划能力，你给它一个复杂目标，它会自己把任务拆成多步，通过调工具、访问记忆、感知环境来一步步执行，直到完成。

2.智能体的类型

智能体类型	核心逻辑（一句话）	关键特点（关键词）	典型例子
简单反射型	感知→直接动作映射，不看历史	无记忆、规则固定	恒温器
基于模型的反射型	感知 + 内部环境模型→决策	有状态记忆、处理部分可观察	特斯拉自动驾驶
基于目标的智能体	以目标为导向，规划动作序列	主动规划、目标驱动	A * 路径规划算法
基于效用的智能体	效用最大化，选最优动作 / 方案	优化结果、多选项决策	客服
学习型智能体	通过反馈循环自主优化策略	可进化、适应未知环境	AlphaGo

chapt 智能体的构成与运行原理

1.任务环境定义

->PESA模型

在人工智能领域，通常使用PEAS 模型来精确描述一个任务环境，即分析其性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors) 。以上文提到的智能旅行助手为例，下表 1.2 展示了如何运用 PEAS 模型对其任务环境进行规约。

​

表 1.2 智能旅行助手的 PEAS 描述

​

2.智能体的运行机制

​

图 1.5 智能体与环境交互的基本循环

​

智能体的行动会引起环境 (Environment) 的状态变化 (State Change)，环境随即会产生一个新的观察 (Observation) 作为结果反馈。这个新的观察又会在下一轮循环中被智能体的感知系统捕获，形成一个持续的“感知-思考-行动-观察”的闭环。智能体正是通过不断重复这一循环，逐步推进任务，从初始状态向目标状态演进。

3.智能体的感知与行动

为了让 LLM 能够有效驱动这个循环，我们需要一套明确的交互协议 (Interaction Protocol) 来规范其与环境之间的信息交换。

• 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。

Action字段构成了对外部世界的指令。一个外部的解析器 (Parser) 会捕捉到这个指令，并调用相应的get_weather函数。

感知系统的一个重要职责就是扮演传感器的角色：将这个原始输出处理并封装成一段简洁、清晰的自然语言文本，即观察。

这段Observation文本会被反馈给智能体，作为下一轮循环的主要输入信息，供其进行新一轮的Thought和Action。

习题与答案

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

   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

   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

   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

答案

仅 case A 的超级计算机本身不属于智能体；

B、C、D 的主体均满足智能体核心特征，且可按不同维度归为对应的智能体类型。

B 基于模型的反射型 agent

C 基于目标的智能 体 +学习

D 基于效用 + 学习

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）。

答案

PEAS ->

P Performance 性能度量

评判做的好不好的标准 -> 减肥增肌的效果、保障运动安全、动作纠正精准、训练计划适配合理、饮食建议科学、

E environment 环境

环境场地 在家还是在健身房、健身器材、日常作息饮食、

A Actuators 执行器

实时语音指导和动作纠错、动态台调整运动训练方案、推送饮食食谱建议、

S Sensors 感知器

采集心率、运动强度、识别动作、获取运动目标

1. 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？

   答案

   1.优缺点

   A 优点 规则透明、成本低、易上线、可审计、无黑箱问题

   缺点 规则死板一刀切、无法适配特殊场景、容易被薅羊毛

   用户体验差、缺乏差异化服务

   B 优点：

   • 灵活适配复杂场景，能结合用户信誉、订单情况判断

   • 识别恶意退款，降低平台损失

   • 减少人工成本，策略可随数据迭代优化

   缺点：

   • 开发成本高、周期长

   • 决策黑箱，可解释性弱

   • 存在误判风险，冷启动效果不稳定

   2.Workflow 更合适：小平台 / 订单少、规则简单、成本敏感、对合规性要求极高

   Agent 更有优势：大平台 / 订单量大、售后场景复杂、恶意退款多、追求精细化运营

   3、方案 C（融合方案）

   核心：分级处理，流程 + 智能 + 人工三层结合

   1. 标准化场景用 Workflow：处理小额、低风险退款，保证效率与稳定

   2. 复杂场景用 Agent：处理超期、大额、争议订单，给出决策建议

   3. 人工兜底复核：处理智能体无法判断的订单、用户申诉，解决误判与合规问题

2. 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

答案：

1.在Observation 观察环节新增字典式短期记忆，用循环次数做键，存入用户输入、执行动作、反馈结果，逻辑合理贴合 TAO 原生循环

设置阈值自动压缩短期记忆、定时摘要沉淀为长期偏好记忆，区分临时对话和永久喜好，设计很标准

依靠记忆库就能实现偏好留存、拒推统计、缺票替换，全部需求都能覆盖

2.Thought 思考阶段先拟定主推景点

Action 执行阶段调用票务实时接口查询余票

Observation 拿到结果，判定售罄后

直接回到 Thought 层，同类型同价位调取备选景点，无需用户二次提问，无缝替换。

3。连续拒绝 3 次反思调整 主流标准流程

1. 记忆模块实时计数用户拒绝推荐次数

2. 累计满 3 次，触发反思触发器

3. 强制清空当前推荐思路

4. 重读用户长期偏好 + 隐性需求

5. Thought 层彻底更换推荐维度（换风格、换价位、换地区）

6. 重新生成全新推荐列表

1. 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？

一、系统 1（快速直觉）负责任务

1. 快速识别常见轻微病症、基础症状匹配

2. 快速比对常规体检数据，筛查明显异常指标

3. 给出通用日常健康建议、基础用药提醒

4. 快速判断紧急危险症状，立刻发出预警

5. 简单问诊问答、重复性健康咨询回复

二、系统 2（慢速理性推理）负责任务

1. 结合病史、多项检查报告综合分析病因

2. 诊断疑难复杂疾病、区分相似病症

3. 制定个性化治疗方案、康复调理方案

4. 评估病情严重程度、预判病情发展趋势

5. 严谨排查病因，排除误诊可能性

1. 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？

一、智能体产生 "幻觉" 的核心原因

1. 本质缺陷：大模型基于统计规律学习文本关联，不具备真实世界的事实认知和逻辑推理能力，只能生成 "看起来合理" 的文本

2. 数据问题：训练数据存在错误、过时、矛盾或缺失的信息，模型会学习并复现这些错误

3. 推理机制：模型生成时优先保证语句流畅性和连贯性，当信息不足时会主动编造内容填补空白

4. 能力边界：缺乏实时外部事实校验能力，无法验证生成内容的真实性

5. 上下文限制：上下文窗口有限，无法完整记住所有相关信息，容易出现信息混淆和张冠李戴

举个例子，如果你问它一篇不存在的论文，它会编出作者、发表期刊甚至摘要，就是因为它只在模仿论文的格式，而不知道这篇论文根本不存在。

二、无最大循环次数限制的严重问题

1. 如果没有最大循环次数限制，智能体一定会陷入无限死循环，具体会带来三个严重问题：

   1. 任务永远无法完成：它会反复做同样的无效动作，比如反复调用同一个搜索工具，永远不会主动终止

   2. 资源严重浪费：会持续占用大量 CPU、内存和网络资源，导致整个系统变慢甚至崩溃

   3. 第三方接口风险：如果涉及调用外部 API，会反复请求同一个接口，很容易被限流甚至封禁，影响其他业务

   所以设置最大循环次数是智能体系统最基础的安全机制，必须要有。

三、智能体 "智能" 程度的评估

1. 肯定不够。准确率只能衡量 "结果对不对"，但智能体的核心价值是 "自主解决问题的能力"，这是准确率无法体现的。

   我认为评估一个智能体的智能程度，至少要看这几个维度：

   1. 任务完成能力：能不能最终达成目标

   2. 自主规划能力：能不能把复杂任务拆成一步步来做

   3. 环境适应能力：遇到突发情况能不能灵活调整

   4. 反思纠错能力：做错了能不能自己发现并改正

   5. 资源利用效率：完成同样的任务，用的时间和资源更少

   比如两个智能体都完成了订机票的任务，一个一次就成功，另一个反复查了 10 次才订到，它们的准确率都是 100%，但智能程度明显不一样。