定义：
AI agent 可以理解为一个能够感知环境、做出决策并采取行动的程序或系统。——百科补充说明：是人们 基于大模型，试图 模仿人类解决问题行为 的一种尝试。
应用形式
反思（Reflection）
说明：类似自我纠错和迭代，让AI自己或使用其他方式，在AI生成内容后完成2次校验。
举例：
a. 文本生成场景：
让ai生成一段代码；
生成后，让ai检查（要求“检查此段代码的正确性，告诉我如何修改”）；
再反给ai要求根据检查结果修改。
在这个案例中，ai会检查第一次生成的代码的问题，指出其中的bug，并以此往复进行自我迭代。虽然修改后的代码质量不一定能保证，但基本上来说效果会更好
同理，在让AI生成文章或其他内容时也可以要求它 [重新检查 > 提出问题 > 进行优化]
b. 智能客服场景：
客户向AI咨询某一个商品，在AI返还商品相关信息
此时，可增加逻辑（代码or其他方式），检查ai返还的信息与数据控中的信息是否匹配（比如是否真实存在这个商品、商品库存、价格是否准确），以此增加客服的准确性
此类形式还可以在很多不同的场景应用
使用工具（Tool use）
配置好工具，当AI判断有相关需要时，让AI 使用相关工具，进行后续动作。目前应用较多的是联网搜索。
个人理解，主要分为以下方向：
1. **额外信息获取：**通过联网搜索、文档阅读、图片识别等方式，获取更多信息，来回答模型训练数据以外的问题，比如：1. 事实性质的新闻2. 某个专业特定的文档资料2. **使用其他工具执行任务：**某一些任务大模型存在劣势，需要使用其他工具进行具体操作，举例：1. 调用计算器，或其他实用工具（AI在计算方面存在天然劣势，最典型的：13.11和13.8谁大）2. 调用专业小模型（一些专业类型的知识，大模型本身回答可能不准确，可以在让大模型做出判断“此类知识属于某个小模型的专业方向”后，调用具体小模型来进行答案输出）3. 调用其他模型（图片生成一类的）3. **使用其他工具输出内容：**用户最终需要的内容可能不是文本类型的，比如一份word文档、ppt等，此类需求，需要调用其他工具，进行最终的输出。
制定流程规划（Planning）
用户输入任务 > AI 拆解流程 > 选择工具 > 调用、执行 > 输出结果
这个过程中，可以将原本复杂的任务拆分成单一的小任务，简化每一步的操作以此提高最终结果的质量
比如：
场景：我们需要AI帮忙给简历提出建议，这个要求有一些宽泛
实现逻辑：在Agent搭建的过程中，将这一任务拆分为：
1. 检查简历基础信息、模块是否完善2. 是否存在语义问题/错别字3. 针对每一段工作经历单独 分析，对那一段工作经历的描述进行评价、提出建议4. 要求以STAR法则检查项目经历的描述，提出相应建议5. 汇总每一步骤的建议，提出最终说明
在制定agent的流程时，需要对应方向的专家和对ai智能体熟悉的人通力合作，才能获得更好的结果。
多智能体协作（Multi-agent ）
在整个流程过程中，每一个智能体可以被设定成不同的身份&拥有不同的能力，让他们通力协作，完成相关任务。
此处以 [清华面壁智能的开源项目 ChatDev] 为例：
每个 Agent 被赋予了不同的身份，比如有的是 CEO，有的是产品经理，有的是程序员，他们互相合作互相对话，比如你让他们开发一个简单的小游戏，他们会花几分钟时间来编写代码并测试。尽管有时候不是很有效，但非常有前景和想象力，它模拟了现实生活中的工作场景，Multi-agent 不仅仅只能执行单一任务，而是成为了一个复杂系统。
能力及特点
输入/感知：
a. 接入更多不同感知模块来获取更多不同类型的数据，如：视觉、听觉
举例：自主驾驶中感知路况、手机智能助手通过语言识别b. 通过增加输入内容，实现更多具体场景的应用
举例：智能文档解析（文档）、分析网页内容（输入网页url）c. 通过引导/限制输入内容，实现在具体场景下更准确的提问与输出
说明：自然语言本身足够复杂，很多人说话提问方式又有各自特点，有事很难准确的向AI提问。在这个基础上，在制作agent时，针对对应的场景做出引导/一定程度的限制，能够让这一些用户更好的与AI沟通，完成相应任务。补充：还有一个思路是设置好任务，ai定期执行。
规划/行动能力
可要求AI自行规划行动逻辑；
也可以在制作智能体时，可使用提示词要求 或 用代码/其他方式约束AI处理问题的方式（或工作流workflow），以此来获取更加准确结果，可实现：
a. 复杂目标的拆解：将复杂的目标拆分为更小、可管理的子目标，从而高效准确的处理复杂任务
b. 多步骤任务处理：让ai能够按步骤完成任务，并根据目标变化与环境反馈调整行动策略
c. 反思与总结：可对过去行为进行反思总结优化后续判断逻辑（此部分作者目前理解比较浅薄）
记忆
a. 短期记忆：通过上下文获取短期记忆
b. 长期记忆：利用外部向量存储&快速检索获取长时间保留和回忆信息的能力。
工具使用
Agent中，可接入大量的其他工具，使用过程中AI可以判单是否需要调用相关的工具（也可以通过设定要求AI在某些情况下使用对应的工具），一般使用Function call 的形式调用。
工具包含以下方向：
a. 实用工具：包含文档阅读、计算器等等各类工具
b. 数据检索：包含直接联网搜索（理解网页内容）、数据库检索等
c. 其他模型：可调用其他图片生成、音频生成的模型；也可以调用更擅长处理某一类问题的小模型。
输出/行动：
Agent 在设定后可以规范最终输出内容，在这个基础上进行其他操作
a. 除去文本输出，在具备相应工具的情况下可支持图片、音视频、文档等不同形式
b. 输出内容也可以是具体指令，在其他工具中做出相应决策等
优势/劣势
相比于直接使用LLM大模型的优劣势
| 优势 | |
|---|---|
| 任务针对性更强 | 1. 通过对具体任务和环境定制优化，能够更精准地满足特定业务场景或用户的需求； 2. 对复杂任务可以通过集成自主验证和决策过程，弥补大模型的不足，确保行动的准确性和效率 |
| 可扩展性和 适应性强 |
1. 可通过接入不同的模型/插件，不断扩展功能和提升性能； 2. 也可方便地集成到各类系统中，为更多场景服务，实现更多的功能。 |
| 更好的交互性 | 结合不同的【感知模块（视觉/声音识别等）】和对【输入方式】的控制，可以在很大程度上丰富交互形式，更好的理解用户意图 |
| 劣势 | |
|---|---|
| 通用性较弱 | 大部分Agent都对某一特定场景进行了针对性优化；相应的，在通用能力上会有所减弱 （设定固定流程的agent尤为明显） |
| 研发、训练复杂 | 开发过程涉及到多个组件和模块的设计与整合，包括感知、规划、决策、行动等，以及与环境的交互逻辑等，比单纯训练大模型更为复杂，需要更深入的技术理解和专业知识，对开发者要求较高 |
| 计算资源量更大 | 虽然在具体任务执行上可能更高效，但由于其包含多个模块和复杂的功能，运行时可能也需要较多的计算资源来支持其工作，尤其是在处理大规模数据或复杂任务时 |
引用及相关文章补充：
若有收获，就点个赞吧
0 人点赞
