1. 什么是 AI Agent？

简单定义： AI Agent（人工智能代理）是一种能够感知环境、进行决策和执行动作的智能实体。

  • 具有自主性、反应性、积极性和社交能力特征的智能实体
  • AI Agent 被设计为具有独立思考和行动能力的AI程序
  • 只需要提供一个目标，它就会根据环境的反应和独白的形式生成一个任务序列开始工作

核心公式： Agent = “大模型 + 插件 + 执行流程 / 思维链”

分别对应：

  1. 控制端 (Brain / 大脑)
  2. 感知端 (Perception)
  3. 执行端 (Action)

1.1 背景介绍

AI Agent被视为人工实体，能够使用传感器感知周围环境，做出决策，然后使用执行器采取行动。

与传统方法的区别：

  • vs 大模型： 大模型基于prompt交互，而AI Agent仅需目标就能独立思考并行动
  • vs RPA： RPA只能按预设流程工作，而AI Agent可以通过环境交互感知信息并做出对应思考和行动

2. 技术演进路径

2.1 Prompt工程

把大模型当成编程语言，通过描述角色技能、任务关键词、任务目标及背景来调用大模型。

玩法：

  • 角色扮演
  • 零样本提示
  • 少样本提示

2.2 Prompt外挂

通过引入额外工具或数据源增强模型能力：

  • 向量数据库： 快速检索相关信息
  • 知识图谱： 结构化语义知识库
  • API调用： 访问外部数据和服务
  • 外部数据源： 直接访问数据库、文件系统等

2.3 思维链（Chain of Thought, CoT）

要求模型展示思考过程，而非仅给出答案：

  • 具体说明： 要求模型详细地、一步步地思考
  • 示例说明： 通过给定问题和答案的同时，提供思考过程

2.4 思维树（Tree of Thought, ToT）

允许模型探索不同的推理路径，并选择最佳路径生成最终答案。适合需要多层次、多步骤推理的问题。

2.5 思维图（Graph of Thought, GoT）

将LLM生成的信息建模为任意图，信息单位是顶点，边对应依赖关系。能够将任意LLM思维组合成协同结果。

2.6 反馈机制 - ReACT

让大模型先思考，再行动，然后根据行动结果进行观察，再思考，形成循环。

2.7 AutoGPT

创建初始计划，进入主循环。系统让模型判断当前计划下该进行何种行动，执行后将结果写入下一次循环。

2.8 Multi-Agent

多智能体模式，每个角色都是独立的智能体，能够涌现出群体智能现象。

3. 为什么LLM能够作为Agent的大脑？

3.1 自主性（Autonomy）

  • 在没有详细步骤指示下执行各种任务
  • 根据环境输入动态调整输出
  • 展示创造力，提出新颖想法和解决方案

3.2 反应性（Reactivity）

  • 对环境变化做出快速反应
  • 通过多模态融合扩展感知空间
  • 遵循”先思考后行动”的原则

3.3 主动性（Pro-activeness）

  • 积极主动采取以目标为导向的行动
  • 具有强大的概括推理和规划能力
  • 能够进行目标重拟、任务分解和计划调整

3.4 社会能力（Social Ability）

  • 强大的自然语言交互能力
  • 可解释的方式与其他模型或人类交互
  • 通过协作和竞争等社会行为提高任务绩效

4. Agent的构建架构

4.1 大脑模块（Brain）

核心功能：

  • 自然语言交互： 高质量文本生成和言外之意理解
  • 多轮对话： 理解对话历史、决定行动、生成回应
  • 知识存储： 常识知识和专业技能知识
  • 记忆机制： 短期记忆（上下文学习）和长期记忆（外部向量存储）
  • 推理规划： 思维链推理和计划制定/反思
  • 迁移泛化： 未知任务泛化、情景学习、持续学习

4.2 感知端（Perception）

多模态感知能力：

  • 文本输入： 基础的文本理解能力
  • 视觉输入： 图像描述生成或视觉编码表示
  • 听觉输入： 通过工具调用或频谱图处理
  • 其他输入： 触觉、嗅觉、环境感知（温度、湿度等）

4.3 行动端（Action）

多样化行动能力：

  • 文本输出： 基础的文本生成能力
  • 工具使用： 搜索引擎、计算器、多模态生成工具
  • 具身行动：
    • Observation：环境感知和定位
    • Manipulation：抓取、推动等操作
    • Navigation：位置变换和状态更新

5. 应用场景分类

5.1 单代理场景

三个层次：

  • 任务导向： 处理日常基本任务，模拟网络环境与生活场景
  • 创新导向： 在前沿科学领域展现自主探究潜力
  • 生命周期导向： 在开放世界中持续探索、学习和生存

5.2 多代理场景

两种交互形式：

  • 合作型互动：
    • 无序合作：自由表达观点
    • 有序合作：遵循规则的流水线合作
  • 对抗型互动： 通过竞争、谈判、辩论提升系统质量

5.3 人机交互场景

两种模式：

  • Instructor-Executor模式： 人类指导，代理执行
  • Equal Partnership模式： 平等身份参与任务执行

6. 通用智能基本原理

6.1 认知飞轮

传统认知模型：感知 → 认知 → 决策 → 行动

6.2 生物智能进化

从简单条件反射到主动预测，构建世界模型进行推理分析：

  • 工作记忆的发展
  • 语言处理能力的诞生
  • 符号能力对人类智能的重要作用

7. 重要参考资源

核心论文与资源

大语言模型基础

  • 从Llama-1到Llama-3

框架与平台

  • Langchain agent框架
  • Minedojo: Open-ended Objectives, Massively Multitask, World-wide knowledge

本文档整理了AI Agent从基础概念到实际应用的完整知识体系，为多智能体系统研究提供理论基础。

Last updated: January 2025