从工作模式来看，AI智能体可以分为单Agent、多Agent、混合Agent（人机交互Agent）三种类型：
单Agent：这种代理侧重于执行单一任务或一系列相关任务，且不需要与其他智能体进行交互。单个代理可以根据任务执行不同的操作，如需求分析、项目读取、代码生成等。例如手机上的Siri或Google Assistant，你可以要求它设置闹钟、查询天气、播放音乐等，每个请求都是由单个AI代理独立处理的，它根据你的命令执行特定的任务。
图：单代理应用场景的三个层次：任务导向、创新导向、生命周期导向。
多Agent：这种模式侧重于智能体之间的互动（合作或对抗）和信息共享，多个智能体协同工作，相互交流信息，共同完成更复杂的任务或目标。多agent应用场景在软件行业开发、智能生产、企业管理等高度协同的工作中非常有帮助。
图：多代理应用场景的两种交互形式：合作型互动、对抗型互动。
混合Agent：这种模式中，人工智能系统和人类共同参与决策过程，交互合作完成任务，强调的是人机协作的重要性和互补性。智慧医疗、智慧城市等专业领域可以使用混合智能体来完成复杂的专业工作。以智慧医疗为例，医生和AI系统共同进行病情诊断，AI系统可以快速分析病人的医疗记录、影像资料等，提供初步的诊断建议；而医生则可以基于AI的分析结果和自己的专业知识和经验，做出最终的诊断决定。
图：人机交互场景的的两种范式：Instructor-Executor vs. Equal Partnership
从决策制定和行为方式的角度看，AI智能体可以分为以下类型：
简单反射型Agent：基于“如果-那么”规则直接响应当前的环境状态，不存储任何历史数据或状态。它们的设计简单，反应迅速，但适用范围有限。
例如一个简单的客户线索收集机器人，在抖音有新增意向客户（例如咨询或留资）时，就触发企业微信的通知消息到群里。这类代理适合处理一些规则明确、不需要深度逻辑或历史上下文理解的任务。
基于模型的反射型Agent：拥有环境的内部模型，能够基于对环境的理解和过去的经验做出更复杂的决策。它能够适应环境变化，处理更复杂的任务。
例如智能家居系统中的温度控制器，它不仅能够根据当前的室温调节空调，还能学习用户的偏好，并预测何时需要提前调整温度。
基于目标的Agent：这类决策从根本上不同于前面描述的条件-动作规则，因为它涉及对未来的考虑，包括“如果我这样做会发生什么？”和“这会让我快乐吗？因为了解环境的现状并不总是足以决定做什么。例如，在一个路口，出租车可以左转、右转或直行。正确的决定取决于出租车要去哪里。换句话说，除了当前状态的描述之外，智能体还需要某种描述理想情况的目标信息，例如设定特定的目的地。
有时，基于目标的动作选择很直接，例如，单个动作能够立刻实现目标的情况。有时会更棘手，例如，智能体为了找到实现目标的方法而不得不考虑很长的复杂序列。路线规划就是很好的例子，它根据目的地、出发地以及路径策略设置，为用户量身设计出行方案，同时可结合实时交通，帮助用户绕开拥堵路段。只要将目的地指定为目标，就可以很容易地更改基于目标的智能体的行为，以到达不同的目的地。
基于效用的Agent：基于效用的代理旨在最大化效用功能或价值，精心挑选具有最高预期效用的行动，以衡量结果的有利程度。由于这种设计，基于效用的代理擅长于在复杂和不确定的场景中使用，灵活适应各种情况。
在大多数环境中，仅靠目标并不足以产生高质量的行为。例如，许多动作序列都能使出租车到达目的地（从而实现目标），但有些动作序列比其他动作序列更快、更安全、更可靠或更便宜。同样是在“路线规划”中，可能会有“地铁优先”“步行最少”“换成少”“时间短”等不同的选项，这些就是用户期望的效用。
学习型Agent：这些代理设计用于在未知环境中运行。他们从自己的经历中学习，并随着时间的推移调整自己的行动。深度学习和神经网络经常用于开发学习代理。
在 DeepMind 的一项研究中，就展示了基于世界模型的通用可扩展的算法 DreamerV3在没有人类数据或主动教育的情况下从零开始在《我的世界》（Minecraft）中收集钻石。演示视频显示它收集的第一颗钻石，发生在 30M 环境步数 / 17 天游戏时间之内。
还有一些其他的分类，尽管没有出现在《人工智能：现代方法》一书中，但也值得一提：
信念-欲望-意图Agent：模拟人类的决策过程，具有对环境的信念（认知）、目标（欲望）和计划（意图），能够进行复杂的推理和规划，以达成其目标。我们在文章开头所提到的Google Duplex就是一个非常好的例子，可以被认为是接近于信念-欲望-意图（B-D-I）模型的AI代理。
- 信念（Belief）：Duplex具有对环境的认知，比如理解用户的需求、知道餐厅的开放时间和预约规则。它能够收集和处理信息，形成对当前环境的理解。
- 欲望（Desire）：它基于用户的指令，有明确的目标或欲望，如为用户预订特定日期和时间的餐厅。
- 意图（Intention）：Duplex制定计划和行动步骤来实现这一目标，比如通过电话与餐厅交流，询问可用时间，确认预约细节。
- 复杂的推理和规划：在进行电话预约时，Duplex能够根据对方的回答进行即时的推理，做出合适的响应，并根据对话情况调整其行动计划，以实现用户的预约意图。
基于逻辑的Agent：通常基于一系列逻辑规则，通过推理来解决问题，适合需要高度逻辑判断的场景，例如法律咨询聊天机器人，通过分析用户的问题和现有的法律规则库，逻辑推理出最合适的法律建议或解答。
分层的AI Agent：按层组织的代理，高级代理负责协调低级代理。这些级别根据系统的复杂性量身定制，在机器人、制造和运输等不同领域表现出色，擅长无缝协调多个任务和子任务。xAgent的组成部分和工作机制就可以被理解为分层的AI代理。在分层AI代理体系中，不同层级的代理负责完成不同抽象层次的任务，从高层的任务规划到底层的具体执行，各层次之间相互协作，以实现复杂任务的有效处理。
调度器：位于体系结构的最高层，负责动态实例化和分派任务给不同的智能体。它允许我们添加新的智能体和改进智能体的能力。这一层相当于高层决策层，对新的智能体进行整合和调度，确保系统能够灵活适应新任务和环境变化。规划器：处于中间层，负责为任务生成和校正计划，它将任务分解为子任务，并为它们生成里程碑，使智能体能够逐步解决任务，桥接了高层的调度决策和底层的执行行动。行动者：位于体系结构的最底层，负责采取行动实现目标和完成子任务。行动者利用各种工具来解决子任务，它也可以与人类合作来解决任务。它直接与环境交互，实现具体目标。
粤ICP备17114055号
支持私有云部署
