前言：随着人工智能和大数据在日常生活中的广泛应用，越来越多的工作中都有着AI的参与，如果在当今时代不想被AI所替代最好的选择就是理解并比其他人更好的掌握AI的使用。

Agent智能体

Agent : 感知环境并采取对应行动的智能体 。
通过感知(P) 规划(P) 行动(A)三步实现Agent的行动，三者相辅相成形成闭环
感知即为收集信息并提取知识的能力，规划是做出决策的过程，行动是基于前两者所作出的行动。
其中Policy是Agent作出行动的关键决策，又通过Observation成为进一步Perception的前提和基础。
从实现上有四大模块：推理，记忆，工具，行动

主流的Agent决策模型

主流的决策模型为React模型和基于React模型的变种
从类型上说分为：Single-Agent：独立智能体 Multi-Agent ：复合智能体。

相较于Single-Agent Multi-Agent更强调模拟特定环境下的行为，比如以公司为底层设计的Agent，提供多种与公司职位有关的Agent，可以更好在复杂环境下实现User给出的目标。

Prompt：是指输出给AI的用于生成对应内容的促进物，其中Prompt可以是一张图片，一段文本，一段代码也可以是一段视频，总之Prompt是我们在使用AI生成想要的内容时重要的一部分，好的Prompt可以帮助AI更好的生成我们想要的内容。
React = Prompt + Thought + Action + Observation

单智能体= 大语言模型（LLM） + 观察（obs） + 思考（thought） + 行动（act） + 记忆（mem）

多智能体=智能体 + 环境 + SOP + 评审 + 通信 + 成本

多智能体优点：

多视角分析问题：虽然LLM可以扮演很多视角，但会随着system prompt或者前几轮的对话快速坍缩到某个具体的视角上；
复杂问题拆解：每个子agent负责解决特定领域的问题，降低对记忆和prompt长度的要求；
可操控性强：可以自主的选择需要的视角和人设；
开闭原则：通过增加子agent来扩展功能，新增功能无需修改之前的agent；
（可能）更快的解决问题：解决单agent并发的问题；

LLM大语言模型

LLM（Large Language Models） 大语言模型已经在方方面面改变的我们生活的方式，包括医疗 教育 自动驾驶等
理解什么是LLM，已经成为当今时代不可或缺的能力

LLM 是基于大模型的语言模型

LM（Large Models）通常指的是在深度学习中使用大量参数和计算资源需求的神经网络模型
在此基础上LLM更集中与自然语言的处理上，主要任务是基于已给出的参数进行续写
LLM的大体现在
1.模型的规模体积大，一般需要大量的空间
2.可多轮对话，并根据以往的对话记录进行进一步的语言生成
3.需要大量的计算资源来训练和运行，通常在大规模数据集上进行训练，然后通过微调来适应特定任务

如何获取LLM

在选择自己想要的LLM必须考虑的是 是否拥有足够的计算资源和数据集
1.自己训练大模型：在拥有大量的计算资源和数据并且选择好适当的深度学习框架下，可以自己编写模型的训练代码来
获得自己的模型。
2.使用预训练模型：通常情况下我们会使用大公司已经进行好预训练的大模型，我们可以通过开源或有商业渠道提供的大模型，并对其进行微调以适应特定的任务
如果自身没有足够的计算资源我们也可以使用云计算平台来训练我们的模型

如何进行预训练

1.数据收集：大量的文本数据被采集，这些数据通常来自互联网上的文本信息
2.预处理：数据经过清洗，分词，标记化后提供给大模型训练
3.模型预训练：使用处理后的数据训练后，模型已经拥有了基本的理解和信息处理能力，经预训练后的模型被称为“基座模型”或“预训练模型”
4.微调：根据任务的需要对预训练模型进行进一步的调整。
基座模型已拥有基本的功能包括：文本生成和续写，解释自然语言，翻译，信息的检索，自动摘要等

对齐

对于大语言模型来说对齐是必要的步骤，对齐旨在让大模型实用和安全
“对齐”指的是在上下文中调整大模型的输出，使其符合人类的预期
我们使用SFT（指令微调）来调整大语言模型
1.构建特殊数据：准备特殊的数据样本包含了指令和人工构造的标准答案和预期输出
2.使用预训练模型：微调的对象是已经预训练过的模型    
3.输入指令：将指令作为模型的输入，观察输出结果
4.对比和改进：将模型的输出和预期的结果进行对比，通过损失函数来度量，然后通过反向传播算法，调整模型参数使模型输出逐渐逼近标准答案
5.迭代微调：通过多次进行这个过程，使大模型逐渐能够输出想要的结果。

常见的对齐方法

1.指令微调
2.策略网络：使用额外的神经网络来控制模型生成的文本
3.模板匹配：对模型生成内容的模板进行限制
4.强化学习：在强化学习方法中，模型通过与环境互动来学习如何生成文本。通过奖励信号和惩罚信号，模型可以逐渐调整生成行为，以使其更符合预期。
5.规则引擎：通过规则和逻辑控制大模型的生成行为
6.人工审核和编辑

大模型的缺点：

1.AI幻觉：因为模型在预训练阶可能会学习到不准确或虚假的信息，导致生成内容的质量下架，大模型也可能生成虚假的历史事件和事实。
2.不稳定性：模型的输出在不同的运行环境下，同样的输入可能会输出不同的结果，这使得模型的可复现性收到挑战，对于需要稳定性应用中难以适应。
3.不具备实时知识：大模型在预训练阶段接触的数据使静态的，不能及时反映当前的事件或信息，对于需要实时信息的应用，大模型就难以胜任。
4.输入和输出长度受限
5.响应速度慢：在没有足够的并行资源的情况下，实时的数据分析响应速度慢
6.指令的遵循能力受限

Agent和LLM的区别

总的来说两者间最大的区别在于对于用户输入的处理方式和底层架构的不同

对于Agent来说：如何处理用户的输入是基于开发者自己对于数据处理的操作，在底层上Agent更需要开发者自己对于Agent的深刻理解

对于LLM来说：大数据语言模型需要大量且精准的数据，还需要开发者不断的调教才可以实现基本的功能，对于个人开发者LLM的资源消耗是不可能承受的，即使是使用预处理模型也要花费不小的开支在模型的调试上。LLM易受数据的污染也是相较于Agent的缺点。

结论

在AI普及的时代，不被替代的关键在于比他人更好地掌握AI的使用。  
Agent提供了更灵活、可扩展、可控的智能体架构，适合复杂任务分解与多角色协作；  
LLM作为底层能力引擎，功能强大但存在稳定性、实时性、资源消耗等局限。  
实际应用中，往往将LLM作为Agent的“大脑”，结合感知、规划与行动模块，构建更强大的智能系统。