AI Agents入门教程之概述

推荐语

AI Agents的崛起，标志着人机交互的新纪元。

核心内容：
1. 大语言模型（LLMs）的发展历程及其在AI领域的影响
2. 传统聊天机器人与LLM驱动的聊天机器人的核心区别
3. AI Agents的演变、挑战和未来的发展方向

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

点击蓝字

 

关注我们

01

引言

大语言模型（LLMs）的爆发式发展，让AI领域迎来历史性拐点。这类系统早已颠覆自然语言处理领域，但真正的颠覆性潜能，只有当它与"自主行动力"（Agency）——即自主推理、规划与执行能力——结合时才得以释放。这正是LLM Agents（大模型智能体）诞生的意义：它们不仅理解语言，更具备思考和行动能力，正彻底重构人类与AI的协作方式。

本文旨在全面概述AI Agents，深入探讨其特点、组成部分和类型，同时探讨其演变、挑战和潜在的未来方向。

02

大语言模型应用的形态演变速度，堪称现代应用发展史上最迅猛的演进浪潮：

• 从传统聊天机器人到 LLM 驱动的聊天机器人

• 基于启发式的对话： 传统的聊天机器人采用基于规则的逻辑。仅限于预定义的规则，无法管理复杂或模糊的查询。
• 预定义的回复：答复是静态和预先确定的。一般通过检测特定关键词或短语触发。缺乏灵活性和对话深度。
• 人工接管机制： 一般通过设置“转接人工”按钮应对无法解决的咨询，在处理复杂问题时，人工干预仍然必不可少。

• LLM 驱动的聊天机器人

2022年11月30日，OpenAI推出基于GPT-3.5的ChatGPT，标志着首个主流大语言模型（LLM）应用的诞生。它虽沿用了人们熟悉的聊天机器人界面，内核却是颠覆性的技术跃迁——依托先进的大语言模型技术，通过海量互联网语料训练，首次实现了接近人类思维水平的对话能力。

GPT（生成式预训练Transformer）的核心架构源于谷歌2017年提出的Transformer模型。其革命性在于引入自注意力机制——通过动态计算输入序列中每个词汇的关联权重，不仅能解析语句表层含义，更能捕捉深层次的上下文逻辑关系，彻底改变了传统NLP的范式。

与传统聊天机器人不同，大语言模型的真正威力在于生成类人的、上下文连贯且富有创造性的文本。这种能力不仅体现在对话层面，更延展至代码生成（精准输出可执行代码）、内容创作（从营销文案到诗歌小说），以及客户服务升级（动态理解复杂需求）等场景，持续拓宽AI应用的新边界。

当然其局限性为：难以在长时间对话中保持一致的个性化互动。此外，LLM模型最受争议的缺陷，在于可能生成逻辑连贯但事实错误的回答（幻觉）——其输出依赖概率统计与模式拟合，而非基于已验证的知识体系。

• 从LLM 驱动的聊天机器人到RAG 聊天机器人和AI Agents

RAG（Retrieval-Augmented Generation，即检索增强生成）通过外部数据检索系统+大语言模型能力的深度融合，构建出新一代对话智能体。它能实时调用外部知识库（如企业文档、行业数据库），确保回答既具备LLM的创造力，又严格锚定真实场景，彻底解决“大模型幻觉”顽疾。

通过情境学习（In-Context Learning，如单样本/one-shot、少样本/few-shot）、思维链（Chain-of-Thought/CoT）及反应式推理（ReAct）等黑科技，工程师能像“AI驯兽师”般精准引导大模型的思维路径——不仅优化输出质量，更让模型展现出类人的分步推理能力，实现从“机械应答”到“逻辑推演”的进化跃迁。

AI Agents并非简单升级版聊天机器人，而是基于大语言模型（LLMs）的深度进化，融合了工具调用（如API接口）、多步任务拆解（Multi-Step Planning）及因果推理（Reasoning Capabilities）三大核心能力，实现从“对话应答”到“自主决策”的范式革命。例如，它能自主调用数据分析工具生成报表、拆解复杂项目为可执行步骤，甚至模拟人类逻辑链推导商业决策——堪称数字时代的“超级执行官”。

Agentic RAG: 将 LLM 的推理、工具使用和规划能力与语义信息检索相结合。

使动态系统能够分解任务、执行复杂查询并利用工具解决问题。

从 LLM 驱动的聊天机器人向 RAG 聊天机器人和AI Agents的演进，代表着向更智能、更自适应、更工具集成的系统的转变，这些系统能够实时解决复杂的问题。

‍

• 自主性：无需人工干预即可运行，独立做出决定。
• 反应式与主动式行为：既能应对环境变化，又能主动采取措施以确保目标实现。
• 适应性：通过处理新信息和新经验来学习和发展。
• 目标导向：努力实现预定目标或优化成果。
• 互动性：与其他代理或人类进行交流和合作。
• 持久性：持续运行，监控并应对动态环境。

• Perception (Sensors)

• Reasoning (Processor)

• Action (Actuators)

• Knowledge Base

• Learning

• Communication Interface

05

AI Agents如何与环境交互？

上述交互循环通常被称为“感知-规划-行动”循环（Sense-Plan-Act Cycle）或“感知-行动”循环（Perception-Action Cycle）。我们以自动驾驶汽车为例，分阶段理解这一过程：

• 感知阶段

将以下视为智能体的 "感知 "阶段： Sensors → Processing → State Update。智能体通过传感器接收输入，处理和解释信息，根据新信息更新当前状态。

• 决策阶段

这是智能体的 "思考 "阶段：Current State + Goals → Evaluate Options → Select Best Action。

智能体评估可能采取的行动，通过考虑目标和制约因素，根据现有信息选择最佳行动。

• 行动阶段

这是智能体采取行动的阶段：Execute Action → Observe Changes → Begin New Cycle。

智能体通过执行器执行所选动作，环境因此发生变化，Agent通过传感器观察结果，开始新的循环。

这种循环不断重复，往往每秒重复多次。这种循环的强大之处在于:

• 适应性：如果出现意外情况，智能体可以在下一个感知阶段检测到，并相应调整行动。
• 学习机会：智能体可以将预测结果与实际结果进行比较，以改进未来的决策。
• 目标导向行为：每个循环都会使智能体更接近其目标，同时遵守约束条件。

06

AI Agents如何运作？

AI Agent可以理解人类语言（这要归功于 LLM）、推理信息、计划行动并执行任务，而不需要人类的持续输入。它们能解决复杂的问题，比简单的自动化工具先进得多。与基本的脚本不同，人工智能体集成到软件系统中，可以与其环境进行复杂的交互。

AI 智能体与简单的自动化有何不同？

那么，它们之所以不同，是因为有两大能力：工具和规划。

我们已经看到 ChatGPT 在处理基本数学问题时出错。这是因为它只能根据训练过的数据做出反应。

同样，如果我让你把 85 和 65 相乘，作为人类，如果你已经知道答案，或者使用一种叫做计算器的工具，你就可以直接回答，对吗？

我们对AI Agent也是如此，为他们提供工具。

第二件事是规划。以同样的数学计算为例，只有当你知道乘法或知道向计算器传递 85 和 65 以及乘法的参数时，你才能解决这个问题。这就是规划和推理过程。

• Orchestration layer （控制中心）

比方说，我想创建一个基于AI Agent的会议调度器，我向调度器询问："我想为我所有的学生举办一次网络研讨会"。

这将被视为人工智能体的触发器。

查询可以是文本、音频、视频或图像。(大家已经知道，无论数据类型是什么，都会转换成数值供机器使用）。

查询将由AI智能体的协调层（又称控制中心）处理。包括四个部分：

• Memory: 保持整个互动过程的记忆。
• State: 存储整个进程的当前状态。
• Reasoning:  引导代理进行推理。
• Planning: 步骤是什么，下一步是什么？

• Models （大脑）

模型是整个智能体的集中决策者。它通常是一个人工智能模型，如大型语言模型。

为了理解查询、制定计划和确定下一步行动，模型一般使用推理和逻辑框架，如：

• ReAct (Reason + Act) 确保采取深思熟虑的行动
• Chain-of-Thought 通过中间步骤进行思维链推理。
• 思维树探索多种路径，找到最佳解决方案

模型决定采取哪些行动，并使用特定工具执行这些行动。

• Tools （手）

利用工具，智能体可以与外部世界互动。就像我告诉你的，计算器、应用程序接口、网络搜索、外部数据库等均可被智能体调用。

通过工具，智能体可以执行超出模型能力的操作，获取实时信息，或完成现实世界中的任务。

07

什么时候应该使用AI Agents?

当我们需要一个 LLM 来确定应用程序的工作流程时，Agent是很有用的。但它们往往矫枉过正。问题是：我是否真的需要工作流程的灵活性来有效解决手头的任务？如果预先确定的工作流程经常出现问题，那就意味着你需要更多的灵活性。

让我们举个例子：假设您正在制作一个应用程序，用于处理旅行网站上的客户请求。假设我们可以事先知道请求将属于以下2个选择中的任何一个，并为这 2 种情况分别预定义工作流程。

• 想要了解有关旅行的知识吗？⇒ 让他们访问搜索栏，搜索相关的知识库
• 想与销售人员交谈？⇒ 给他们接入人工服务

如果确定性工作流程适合所有查询，那么就把一切都编成代码！这将为大家提供一个 100% 可靠的系统，不会因为让不可预测的 LLM 介入工作流程而产生错误。为了简单和稳健起见，建议这种情形下不要使用任何Agent行为。

但是，如果无法提前确定工作流程怎么办？例如，一个用户会问："我可以周一来，但我忘带护照了，所以有可能被推迟到周三，有没有可能在周二上午带我和我的东西去冲浪，并提供取消保险？这个问题取决于很多因素，上述预定规则可能都不能满足这个要求。

如果预设的工作流程经常出现问题，这就意味着你需要更多的灵活性。这就是AI Agent的应用场景所在。

在上述示例中，我们可以制作一个多步骤Agent，该Agent可以访问天气 API 以获取天气预报、访问 Google 地图 API 以计算旅行距离以及访问知识库中的 RAG 系统。

直到最近，计算机程序还局限于预先确定的工作流程，试图通过堆砌 if/else 开关来处理复杂性。它们专注于极其狭窄的任务，比如 "找出此图中最短的路径"。但实际上，现实生活中的大多数任务，比如我们上面的旅行例子，并不适合预先确定的工作流程。Agent系统为此打开了现实世界任务的广阔天地！

08

应用领域

人工智能体是一种多功能工具，可在广泛领域内提高生产力、效率和智能。它们正越来越多地应用于日常应用和先进的、具有重大影响的领域。

09

结论

随着人工智能技术的不断发展，AI Agent应用的未来潜力巨大。通过关注通用人工智能、人机协作等，我们可以创造出不仅能高效执行任务，而且符合人类价值观并能为社会做出积极贡献的AI Agent系统。

回顾本文，我们重点学习了：AI Agent是自主系统，可感知、决定和采取行动以实现目标。其核心组件包括传感器、执行器、决策引擎和学习模块。人工智能体可用于虚拟助手、自动驾驶汽车和医疗保健等应用领域。

通过了解基本原理和掌握最新进展，我们可以利用AI Agent的力量推动创新，创造更美好的未来。

点击上方小卡片关注我

---

添加个人微信，进专属粉丝群！