前幾個(gè)月各大廠商還在為大模型大打價(jià)格戰(zhàn)，而后開(kāi)始的是AI Agent的爭(zhēng)奪——大家突然關(guān)心起AI的應(yīng)用場(chǎng)景，開(kāi)始做瀏覽器插件，做APP搶奪市場(chǎng)。為什么會(huì)這樣？在這個(gè)系列文章里，作者嘗試高速我們答案。

大模型的橫空出世，重新點(diǎn)燃了市場(chǎng)對(duì)AI的熱情。AI Agent的概念，更是將AI的熱潮推向了新的高度。從去年開(kāi)始，AI Agent就成為了炙手可熱的名詞，其熱度絲毫不亞于對(duì)大模型的討論，甚至一眾大佬都紛紛為AI Agent站臺(tái)。

2023年下半年，OpenAI聯(lián)合創(chuàng)始人，前TeslaAI總監(jiān)Andrej Karpathy說(shuō)道：

“如果一篇論文提出了某種不同的訓(xùn)練方法，OpenAI內(nèi)部會(huì)嗤之以鼻，認(rèn)為都是我們玩剩下的。但是當(dāng)新的AI Agents論文出來(lái)的時(shí)候，我們會(huì)十分認(rèn)真且興奮地討論。普通人、創(chuàng)業(yè)者和極客在構(gòu)建AI Agents方面相比OpenAI這樣的公司更有優(yōu)勢(shì)?！?/p>

在AI Ascent 2024大會(huì)上，斯坦福大學(xué)教授、前谷歌大腦項(xiàng)目創(chuàng)始人，吳恩達(dá)分享了關(guān)于AI Agent的最新趨勢(shì)與洞察

AI Agent（AI智能體）工作流將在今年推動(dòng)人工智能取得巨大進(jìn)步——甚至可能超過(guò)下一代基礎(chǔ)模型。這是一個(gè)重要的、令人興奮的趨勢(shì)，我呼吁所有人工智能從業(yè)者都關(guān)注它。

微軟創(chuàng)始人比爾蓋茨，也通過(guò)個(gè)人網(wǎng)站發(fā)表了對(duì)AI Agent的看法：

AI Agent將成為下一個(gè)平臺(tái)，簡(jiǎn)而言之，AI Agent幾乎將在任何活動(dòng)和生活領(lǐng)域提供幫助，對(duì)軟件行業(yè)和社會(huì)產(chǎn)生深遠(yuǎn)的影響。

與此同時(shí)，趁著這波浪潮，在短短的一年時(shí)間內(nèi)，AI Agent（AI智能體）領(lǐng)域的創(chuàng)業(yè)公司和獨(dú)角獸也實(shí)現(xiàn)了爆發(fā)式的增長(zhǎng)。早在去年3月份，AutoGPT就在GitHub上獲得了7.4萬(wàn)星，并快速成為史上Star數(shù)量增長(zhǎng)最快的開(kāi)源項(xiàng)目，如今已經(jīng)獲得超過(guò)16萬(wàn)星。后續(xù)發(fā)布的BabyAGI、AgentGPT也如雨后春筍般涌現(xiàn)，調(diào)研報(bào)告、訂購(gòu)披薩、發(fā)送郵件、旅行攻略，無(wú)數(shù)的Agent應(yīng)用場(chǎng)景紛紛開(kāi)始落地。

在國(guó)內(nèi)，AI Agents相關(guān)的產(chǎn)品也相繼誕生。早在去年7月，阿里云就發(fā)布了旗下第一個(gè)智能體——ModelScopeGPT，面向開(kāi)發(fā)者群體。隨后百度文心智能體平臺(tái)、字節(jié)Coze、騰訊元器，各大廠商的AI智能體平臺(tái)也紛至沓來(lái)。

面對(duì)如此巨大的熱潮，相信很多讀者在心潮澎湃的同時(shí)，也會(huì)心存疑慮。AI Agent到底是什么？是真正的科技突破還是科技泡沫？對(duì)企業(yè)和個(gè)人能帶來(lái)什么影響？

接下來(lái)，風(fēng)叔將使用5W1H分析框架來(lái)詳細(xì)拆解AI Agent，一步步帶著大家了解AI Agent的全貌。由于內(nèi)容比較多，風(fēng)叔將通過(guò)三篇文章來(lái)逐步闡述全部?jī)?nèi)容。

上篇：介紹What + Why，主要解答以下問(wèn)題。

What：AI Agent是什么？有哪些組成部分？AI Agent的原理是什么？AI Agent是怎么分類的？

Why：為什么會(huì)產(chǎn)生AI Agent？AI Agent的優(yōu)勢(shì)和劣勢(shì)是什么？為什么企業(yè)和個(gè)人都要關(guān)注AI Agent？

中篇：介紹When + Where + Who，主要解答以下問(wèn)題。

When：AI Agent的發(fā)展歷程是怎樣的？AI Agent未來(lái)的發(fā)展趨勢(shì)是怎樣的？

Where：AI Agent有哪些應(yīng)用場(chǎng)景？

Who：AI Agent領(lǐng)域的玩家有哪些？AI Agent領(lǐng)域的行業(yè)價(jià)值鏈?zhǔn)窃鯓拥模?/p>

下篇：介紹 How，主要解答以下問(wèn)題。

How：如何實(shí)現(xiàn)AI Agent？AI Agent包括哪些系統(tǒng)模塊？如何開(kāi)始學(xué)習(xí)AI Agent？

下面正式開(kāi)始5W1H框架對(duì)AI Agent的拆解之旅！

一、5W1H分析框架之What

1.1 AI Agent到底是什么？

從概念上來(lái)說(shuō)，AI Agent（智能體）是一種不需要持續(xù)人類干預(yù)的AI系統(tǒng)，可以基于環(huán)境和背景信息，自主分析各種問(wèn)題，做出邏輯決策，并且在沒(méi)有持續(xù)人類輸入的情況下處理多種任務(wù)。

AlphaGo就是一個(gè)典型的AI Agent，它可以在和人類對(duì)弈圍棋的過(guò)程中，根據(jù)當(dāng)前的棋局和對(duì)手的行動(dòng)，自主決策下一步的動(dòng)作。AI助手也是AI Agent，比如你只需要給AI助手下達(dá)一個(gè)指令，“幫我預(yù)訂明早10點(diǎn)上海飛深圳的機(jī)票”，AI助手就能自動(dòng)幫你完成從機(jī)票搜索、查詢、下單、確認(rèn)的全部動(dòng)作。

從結(jié)構(gòu)上來(lái)說(shuō)，一個(gè)AI Agent包括三個(gè)部分，如下圖所示：

Perception（輸入）：AI Agent通過(guò)文字輸入、傳感器、攝像頭、麥克風(fēng)等等，建立起對(duì)外部世界或環(huán)境的感知。

Brain（大腦）：大腦是AI Agent最重要的部分，包括信息存儲(chǔ)、記憶、知識(shí)庫(kù)、規(guī)劃決策系統(tǒng)。

Action（行動(dòng)）：基于Brain給出的決策進(jìn)行下一步行動(dòng)，對(duì)于AI Agent來(lái)說(shuō)，行動(dòng)主要包括對(duì)外部工具的API 調(diào)用，或者對(duì)物理控制組件的信號(hào)輸出。

目前在大模型熱潮的背景下，媒體上所講的AI Agent，更嚴(yán)格意義上來(lái)說(shuō)應(yīng)該叫做LLM Agent，因?yàn)檎麄€(gè)Agent最重要的控制中樞Brain，其底層是LLM大模型。如果未來(lái)產(chǎn)生了比LLM更強(qiáng)大更智能的AI技術(shù)基座，那同樣也會(huì)產(chǎn)生基于新的AI基座的Agent。下文所介紹的AI Agent，如無(wú)特殊說(shuō)明，都指代LLM Agent。

那么Agent和LLM大語(yǔ)言模型到底是什么關(guān)系呢？可以這樣進(jìn)行簡(jiǎn)單類比，如果把LLM（比如GPT）比作大腦中的一堆神經(jīng)元，具有記憶、常識(shí)和推理等能力，那么AI Agent就是獨(dú)立的人，除了擁有大腦之外，還擁有視覺(jué)、聽(tīng)覺(jué)、味覺(jué)等多種感官，以及擁有手和腳操作外部的工具。

因此從本質(zhì)來(lái)講，AI Agent = 大語(yǔ)言模型+記憶+規(guī)劃+工具使用。

接下來(lái)，我們逐步拆解AI Agent的組成部分。

1.2 詳細(xì)拆解AI Agent的構(gòu)成

1.2.1 構(gòu)成一，規(guī)劃Planning

Planning是整個(gè)AI Agent中最核心最關(guān)鍵的部分，Agent會(huì)把大型任務(wù)分解為子任務(wù)，并規(guī)劃執(zhí)行任務(wù)的流程。同時(shí)Agent還會(huì)對(duì)任務(wù)執(zhí)行的過(guò)程進(jìn)行思考和反思，從而決定是繼續(xù)執(zhí)行任務(wù)，還是判斷任務(wù)完結(jié)并終止運(yùn)行。

整個(gè)Planning模塊包括兩個(gè)步驟：子任務(wù)分解，反思和完善。

步驟一，子任務(wù)分解

Agent 將大型任務(wù)分解為更小、更易于管理的子目標(biāo)，從而高效處理復(fù)雜任務(wù)。主要的子任務(wù)分解方式包括：思維鏈COT（Chain of thought）、思維樹(shù)TOT（Tree of thought）、思維圖GOT（Graph of thought）、規(guī)劃器LLM+P。

a. 思維鏈COT

思維鏈COT的全稱是Chain of Thought，當(dāng)我們對(duì)LLM這樣要求「think step by step」，會(huì)發(fā)現(xiàn)LLM會(huì)把問(wèn)題分解成多個(gè)步驟，一步一步思考和解決，能使得輸出的結(jié)果更加準(zhǔn)確。這就是思維鏈，一種線性思維方式。

b. COT-SC

一個(gè)CoT出現(xiàn)錯(cuò)誤的概率比較大，我們可以讓Agent進(jìn)行發(fā)散，嘗試通過(guò)多種思路來(lái)解決問(wèn)題，然后投票選擇出最佳答案，這就是CoT-SC。

c. 思維樹(shù)TOT

思維樹(shù)TOT是對(duì)思維鏈CoT的進(jìn)一步擴(kuò)展，在思維鏈的每一步，推理出多個(gè)分支，拓?fù)湔归_(kāi)成一棵思維樹(shù)。使用啟發(fā)式方法評(píng)估每個(gè)推理分支對(duì)問(wèn)題解決的貢獻(xiàn)。選擇搜索算法，使用廣度優(yōu)先搜索（BFS）或深度優(yōu)先搜索（DFS）等算法來(lái)探索思維樹(shù)，并進(jìn)行前瞻和回溯。

d. 思維圖GOT

思維樹(shù)ToT 的方式也存在一些缺陷，對(duì)于需要分解后再整合的問(wèn)題，比如排序問(wèn)題，排序我們可能需要分解和排序，然后再merge。這種情況下TOT就不行了，可以引入思維圖GOT來(lái)解決。

e. LLM+P

其原理是依靠外部傳統(tǒng)規(guī)劃器來(lái)進(jìn)行長(zhǎng)視野規(guī)劃，利用規(guī)劃域定義語(yǔ)言（PDDL）作為中間接口來(lái)描述規(guī)劃問(wèn)題。在此過(guò)程中，LLM先將問(wèn)題轉(zhuǎn)化為成”Problem PDDL”形式，然后請(qǐng)求經(jīng)典規(guī)劃器根據(jù)現(xiàn)有的 “Domain PDDL “生成 PDDL 計(jì)劃，最后將 PDDL 計(jì)劃翻譯回自然語(yǔ)言。

步驟二，反思和完善

反思和完善機(jī)制在Agent 應(yīng)用中發(fā)揮著重要的作用，Agent 通過(guò)完善過(guò)去的行動(dòng)決策和糾正以前的錯(cuò)誤來(lái)不斷改進(jìn)。尤其是在現(xiàn)實(shí)世界的任務(wù)中，不可能在規(guī)劃環(huán)節(jié)就能做出萬(wàn)無(wú)一失的計(jì)劃和策略，試錯(cuò)是不可避免的，只有通過(guò)自我反思和逐步完善，才能一步步逼近最佳結(jié)果。

反思和完善機(jī)制的實(shí)現(xiàn)，主要有以下幾種方式。

a. ReAct

ReACT的全稱是Reasoning-Action，這種模式是讓大模型先進(jìn)行思考，思考完再進(jìn)行行動(dòng)，然后根據(jù)行動(dòng)的結(jié)果再進(jìn)行觀察，再進(jìn)行思考，這樣一步一步循環(huán)下去。

和ReAct相對(duì)應(yīng)的是Reasoning-Only和Action-Only。在Reasoning-Only的模式下，大模型會(huì)基于任務(wù)進(jìn)行逐步思考，并且不管有沒(méi)有獲得結(jié)果，都會(huì)把思考的每一步都執(zhí)行一遍。在Action-Only的模式下，大模型就會(huì)處于完全沒(méi)有規(guī)劃的狀態(tài)下，先進(jìn)行行動(dòng)再進(jìn)行觀察，基于觀察再調(diào)整行動(dòng)，導(dǎo)致最終結(jié)果不可控。

在實(shí)際的測(cè)試觀察中，ReAct模式的效果要好于Reasoning-Only和Action-Only。

b. Reflexion

Reflecxion是一個(gè)為 Agent 配備了動(dòng)態(tài)記憶和自我反思能力的框架，能夠提高 Agent 的推理能力。Reflexion 具有標(biāo)準(zhǔn)的強(qiáng)化學(xué)習(xí)機(jī)制，其獎(jiǎng)勵(lì)模型提供了一個(gè)簡(jiǎn)單的二進(jìn)制獎(jiǎng)勵(lì)機(jī)制，執(zhí)行空間則遵循 ReAct 中的設(shè)置。每次行動(dòng)，Agent 都會(huì)計(jì)算一個(gè)啟發(fā)式 ht，并根據(jù)自我反思的結(jié)果決定環(huán)境重置以開(kāi)始新的試驗(yàn)。

c.Basic Reflection

還有一種反思和完善的方式，其本質(zhì)是利用左右互搏來(lái)實(shí)現(xiàn)協(xié)同進(jìn)化。比如設(shè)計(jì)一個(gè)幫助用戶完成市場(chǎng)調(diào)研報(bào)告的Agent系統(tǒng)，其中Generator負(fù)責(zé)輸出，Reflector負(fù)責(zé)檢查，通過(guò)兩個(gè)角色之間不斷的協(xié)同，來(lái)實(shí)現(xiàn)整個(gè)任務(wù)的反思和完善。

1.2.2 構(gòu)成二，記憶Memory

記憶是Agent用于獲取、存儲(chǔ)、保留和隨后檢索信息的過(guò)程，我們先用人腦的記憶做個(gè)類比，人腦中有多種記憶類型：

感官記憶：這是記憶的最早階段，能夠在原始刺激結(jié)束后保留對(duì)感官信息（視覺(jué)、聽(tīng)覺(jué)等）的印象，通常只能持續(xù)幾秒鐘。包括圖標(biāo)記憶、回聲記憶和觸覺(jué)記憶三種類型。

短時(shí)記憶（STM）或工作記憶：指的是我們當(dāng)前意識(shí)到的信息，或者在學(xué)習(xí)和推理等復(fù)雜認(rèn)知任務(wù)中所需要的信息。人類的短時(shí)記憶容量約為 7 items（Miller, 1956）、持續(xù)時(shí)長(zhǎng)為 20-30 秒。

長(zhǎng)時(shí)記憶（LTM）：長(zhǎng)時(shí)記憶指的是能夠存儲(chǔ)很長(zhǎng)時(shí)間，從幾天到幾十年不等的信息，它的存儲(chǔ)容量基本上是無(wú)限的。長(zhǎng)時(shí)記憶又包括顯性記憶和隱性記憶，顯性記憶是可以有意識(shí)地回憶起來(lái)的事實(shí)，比如事件經(jīng)歷和語(yǔ)義記憶；隱性記憶是內(nèi)化后無(wú)意識(shí)的行為，比如騎自行車。

了解了人類的記憶模式，我們?cè)賮?lái)看如何將其映射到AI Agent。

感官記憶是對(duì)原始輸入的嵌入表征的理解，包括文本、圖像或其他模式，比如圖片的紋理和風(fēng)格。短時(shí)記憶即上下文學(xué)習(xí)，由于受到Transformer上下文窗口長(zhǎng)度的限制，它是短暫的和有限的。長(zhǎng)期記憶則可對(duì)應(yīng)為外部的向量數(shù)據(jù)存儲(chǔ)，Agent 可在查詢時(shí)引用，并可通過(guò)快速檢索進(jìn)行訪問(wèn)。

還有一個(gè)非常關(guān)鍵的因素，大模型知識(shí)的更新。由于大模型是用海量的通用數(shù)據(jù)訓(xùn)練的，基礎(chǔ)的大模型可以理解為是一個(gè)及格的通才，什么話題都知道一些，但是存在胡言亂語(yǔ)和幻覺(jué)現(xiàn)象。尤其是在面向企業(yè)端的場(chǎng)景，一個(gè)及格的通才是無(wú)法使用的，需要利用企業(yè)的專屬數(shù)據(jù)進(jìn)行喂養(yǎng)和訓(xùn)練。這個(gè)時(shí)候，就可以通過(guò)RAG【檢索增強(qiáng)生成】技術(shù)，在基礎(chǔ)大模型的基礎(chǔ)上掛載企業(yè)專屬的知識(shí)庫(kù)，以向量數(shù)據(jù)庫(kù)的方式存儲(chǔ)，將Agent訓(xùn)練為一個(gè)優(yōu)秀的專才。

RAG技術(shù)在AI Agent的應(yīng)用中非常關(guān)鍵，大家可以提前標(biāo)記一下這個(gè)概念。在后續(xù)文章中，風(fēng)叔還將重點(diǎn)介紹RAG技術(shù)的原理和使用方法。

1.2.3 構(gòu)成三，工具Tooling

為AI Agent配備工具API，比如計(jì)算器、搜索工具、代碼執(zhí)行器、數(shù)據(jù)庫(kù)查詢等工具，AI Agent就可以和物理世界交互，來(lái)解決更加實(shí)際的問(wèn)題。

Agent使用工具的方式主要有以下幾種：

a. TALM & ToolFormer

TALM和ToolFormer都是對(duì) LLM 進(jìn)行微調(diào)，以學(xué)習(xí)使用外部工具API。該數(shù)據(jù)集根據(jù)新增的 API 調(diào)用注釋是否能夠提高模型輸出的質(zhì)量而進(jìn)行擴(kuò)展。

b.HuggingGPT

HuggingGPT =ChatGPT+HuggingFace，HuggingFace是大模型領(lǐng)域的Github，來(lái)自全球的開(kāi)發(fā)人員、企業(yè)和機(jī)構(gòu)在huggingFace社區(qū)進(jìn)行模型的上傳、分享和部署。

從本質(zhì)上來(lái)說(shuō)，HuggingGPT是一個(gè)使用ChatGPT作為任務(wù)規(guī)劃器的框架，ChatGPT 可根據(jù)模型的描述選擇 HuggingFace 平臺(tái)中可用的模型，并根據(jù)執(zhí)行結(jié)果總結(jié)響應(yīng)結(jié)果。

c. API-Bank

它包含 53 種常用的 API 工具、完整的工具增強(qiáng)的 LLM 工作流程。API 的選擇相當(dāng)多樣化，包括搜索引擎、計(jì)算器、日歷查詢、智能家居控制、日程管理、健康數(shù)據(jù)管理、賬戶認(rèn)證工作流程等。由于 API 數(shù)量眾多，LLM 首先可以訪問(wèn) API 搜索引擎，找到要調(diào)用的 API，然后使用相應(yīng)的文檔進(jìn)行調(diào)用

d. Function Calling

是一種實(shí)現(xiàn)大型語(yǔ)言模型連接外部工具的機(jī)制。通過(guò)API調(diào)用LLM時(shí)，調(diào)用方可以描述函數(shù)，包括函數(shù)的功能描述、請(qǐng)求參數(shù)說(shuō)明、響應(yīng)參數(shù)說(shuō)明，讓LLM根據(jù)用戶的輸入，合適地選擇調(diào)用哪個(gè)函數(shù)，同時(shí)理解用戶的自然語(yǔ)言，并轉(zhuǎn)換為調(diào)用函數(shù)的請(qǐng)求參數(shù)。

前面的內(nèi)容中，風(fēng)叔拋出了非常多較為晦澀的概念和專業(yè)名詞，大家先初步了解一下這些概念，風(fēng)叔會(huì)在后續(xù)文章中對(duì)這些概念和原理進(jìn)行詳細(xì)介紹。

規(guī)劃Planning、記憶Memory和工具Tooling，就是AI Agent系統(tǒng)最核心的三個(gè)模塊。接下來(lái)，我們?cè)賮?lái)看看AI Agent的分類。

1.3 AI Agent的分類

從去年開(kāi)始，各類AI Agent層出不窮。面對(duì)形形色色的AI Agent，合理的分類有助于我們進(jìn)一步了解AI Agent的原理和模式。

我們可以從三個(gè)角度來(lái)給AI Agent進(jìn)行分類，分別是工作模式、決策方式和應(yīng)用場(chǎng)景。在本篇文章中，風(fēng)叔先介紹前兩種分類方式，在下一篇文章介紹”Where”的時(shí)候，再詳細(xì)介紹AI Agent的應(yīng)用場(chǎng)景。

1.3.1 按工作模式分類

從工作模式來(lái)看，AI智能體可以分為單Agent、多Agent和混合Agent。

單Agent：即通過(guò)單一的Agent來(lái)解決問(wèn)題，不需要與其他Agent進(jìn)行交互。單Agent可以根據(jù)任務(wù)執(zhí)行不同的操作，如需求分析、項(xiàng)目讀取、代碼生成等。比如專門用于進(jìn)行市場(chǎng)分析調(diào)研的Agent就是單Agent系統(tǒng)，只能處理市場(chǎng)分析這個(gè)單一任務(wù)。

多Agent：這種模式側(cè)重于多個(gè)Agent之間的互動(dòng)和信息共享，多個(gè)Agent協(xié)同工作，相互交流信息，共同完成更復(fù)雜的任務(wù)或目標(biāo)。多agent應(yīng)用場(chǎng)景在軟件行業(yè)開(kāi)發(fā)、智能生產(chǎn)、企業(yè)管理等高度協(xié)同的工作中非常有幫助。比如有一家公司就創(chuàng)建了一個(gè)多Agent系統(tǒng)，由Agent來(lái)扮演產(chǎn)品經(jīng)理、UI設(shè)計(jì)師、研發(fā)工程師、測(cè)試人員、項(xiàng)目經(jīng)理等角色，甚至可以接一些實(shí)際的軟件開(kāi)發(fā)任務(wù)。

混合Agent：這種模式中，Agent系統(tǒng)和人類共同參與決策過(guò)程，交互合作完成任務(wù)，強(qiáng)調(diào)的是人機(jī)協(xié)作的重要性和互補(bǔ)性。智慧醫(yī)療、智慧城市等專業(yè)領(lǐng)域可以使用混合Agent來(lái)完成復(fù)雜的專業(yè)工作。比如醫(yī)生和AI Agent可以共同進(jìn)行病情診斷，AI Agent負(fù)責(zé)快速分析病人的醫(yī)療記錄、影像資料等，提供初步的診斷建議；而醫(yī)生則可以基于AI Agent的分析結(jié)果和自己的專業(yè)知識(shí)和經(jīng)驗(yàn)，做出最終的診斷決定。

1.3.2 按決策制定方式分類

簡(jiǎn)單反射型Agent：基于“如果-那么”規(guī)則直接響應(yīng)當(dāng)前的環(huán)境狀態(tài)，不存儲(chǔ)任何歷史數(shù)據(jù)或狀態(tài)。這種Agent設(shè)計(jì)簡(jiǎn)單，反應(yīng)迅速，但適用范圍有限。比如當(dāng)軟件系統(tǒng)發(fā)生告警時(shí)，就自動(dòng)向系統(tǒng)維護(hù)人員打電話，就是一個(gè)簡(jiǎn)單反射型Agent。

基于模型的反射型Agent：擁有環(huán)境的內(nèi)部模型，能夠基于對(duì)環(huán)境的理解和過(guò)去的經(jīng)驗(yàn)做出更復(fù)雜的決策。它能夠適應(yīng)環(huán)境變化，處理更復(fù)雜的任務(wù)。比如Nest的智能溫控器，不僅能根據(jù)當(dāng)前溫度調(diào)節(jié)室內(nèi)氣溫，還能學(xué)習(xí)用戶的偏好，就是一個(gè)基于模型的反射型Agent。

基于目標(biāo)的Agent：這類Agent的決策方式，從根本上不同于前面描述的條件-動(dòng)作規(guī)則，因?yàn)樗婕皩?duì)未來(lái)的考慮。比如智能導(dǎo)航軟件，根據(jù)用戶的起點(diǎn)和目標(biāo)，結(jié)合交通擁堵?tīng)顩r和用戶的偏好，輸出最佳導(dǎo)航路線。

基于效用的Agent：基于效用的Agent旨在最大化效用功能或價(jià)值，精心挑選具有最高預(yù)期效用的行動(dòng)，以衡量結(jié)果的有利程度。比如同樣是導(dǎo)航到達(dá)目標(biāo)，有的用戶需要用時(shí)最短，有的用戶需要路費(fèi)最少，那么基于不同的效用，系統(tǒng)就會(huì)給出不同的導(dǎo)航結(jié)果。

學(xué)習(xí)型Agent：這些Agent設(shè)計(jì)用于在未知環(huán)境中運(yùn)行，從自己的經(jīng)歷中學(xué)習(xí)，并隨著時(shí)間的推移調(diào)整自己的行動(dòng)。比如AlphaGo就是學(xué)習(xí)型Agent，從不斷的對(duì)弈中進(jìn)行策略調(diào)整。

基于邏輯的Agent：通?；谝幌盗羞壿嬕?guī)則，通過(guò)推理來(lái)解決問(wèn)題，適合需要高度邏輯判斷的場(chǎng)景，例如法律咨詢聊天機(jī)器人。

LLM大模型和這些Agent的關(guān)系就在于，LLM大模型為Agent的后續(xù)行動(dòng)提供了輸入和推理。比如LLM大模型上面接了一個(gè)基于目標(biāo)的Agent，那么這個(gè)Agent就會(huì)從用戶的輸入中，提取用戶的目標(biāo)和要求，再結(jié)合上文提到的子任務(wù)分解、反思和完善等動(dòng)作，逐步完成最終目標(biāo)。

二、5W1H分析框架之Why

2.1 為什么會(huì)產(chǎn)生AI Agent？

為什么會(huì)產(chǎn)生AI Agent（特指LLM Agent）？我們從兩個(gè)方面來(lái)回答這個(gè)問(wèn)題，技術(shù)發(fā)展的局限性，以及人和AI的交互性。

從技術(shù)發(fā)展的局限性來(lái)考慮

在LLM大語(yǔ)言模型出現(xiàn)以前，一般通過(guò)規(guī)則和強(qiáng)化學(xué)習(xí)的方法來(lái)讓機(jī)器智能化的完成一些任務(wù)，但是這兩種方法各有弊端。

規(guī)則的方法是指把復(fù)雜的自然語(yǔ)言問(wèn)題轉(zhuǎn)化為規(guī)則符號(hào)，往往需要行業(yè)專家的介入，缺乏容錯(cuò)能力，一個(gè)小的錯(cuò)誤就可能導(dǎo)致整個(gè)系統(tǒng)的失敗。

而強(qiáng)化學(xué)習(xí)一般是構(gòu)建策略網(wǎng)絡(luò)或獎(jiǎng)勵(lì)模型，需要大量樣本進(jìn)行訓(xùn)練，但是收集數(shù)據(jù)往往成本很高，所以這種方法可行性不大，很難推廣開(kāi)來(lái)。

LLM大語(yǔ)言模型出現(xiàn)之后，人們發(fā)現(xiàn)LLM大語(yǔ)言模型在邏輯推理、工具應(yīng)用、策略規(guī)劃、指令遵循等方面都有非常不錯(cuò)的表現(xiàn)，工程師們開(kāi)始意識(shí)到，將大語(yǔ)言模型作為Agent應(yīng)用的核心認(rèn)知系統(tǒng)，可以極大的提高Agent的規(guī)劃能力。

但是LLM大模型畢竟還無(wú)法像人類一樣，擁有更深度的規(guī)劃思考能力、運(yùn)用各種工具與物理世界互動(dòng)，以及擁有人類的長(zhǎng)期記憶能力。

在這樣的背景下，出現(xiàn)了非常多的研究方向，來(lái)讓Agent逐漸逼近人類，比如前文提到的COT/TOT/GOT、ReAct、Reflexion等技術(shù)，提升Agent的Planning能力；比如通過(guò)RAG增強(qiáng)檢索生成技術(shù)，提升Agent的記憶能力；以及ToolFormer、Function Calling等技術(shù)，提升Agent的工具使用能力。

從人和AI互動(dòng)的角度來(lái)考慮

從人和AI互動(dòng)的角度，主要經(jīng)歷了三種模式。

最早出現(xiàn)的是Embedding模式，即人類完成大多數(shù)工作，AI只是作為某些單點(diǎn)能力，嵌入在人類完成工作的某些節(jié)點(diǎn)。比如很典型的SaaS+AI模式，像OCR、人臉識(shí)別、語(yǔ)義分析等能力，作為一些提升效率的點(diǎn)，嵌入在SaaS軟件里。大多數(shù)的工作，還是通過(guò)人工操作SaaS軟件完成的。

隨著大模型的出現(xiàn)，在部分場(chǎng)景下，人類和AI的協(xié)同進(jìn)化到了Copilot模式，即AI作為人類的堅(jiān)實(shí)助手，隨時(shí)輔助人類的工作。比如Notion AI和微軟Copilot，人類在AI的幫助下進(jìn)行寫作，AI隨時(shí)可以進(jìn)行內(nèi)容提示、擴(kuò)充、修改。

而AI Agent模式，則是將人類與AI的協(xié)同進(jìn)化到了新的高度，人類只是提出任務(wù)和目標(biāo)，然后由AI自主完成大多數(shù)工作。所以從人和AI互動(dòng)的角度來(lái)看，AI Agent也是AGI發(fā)展過(guò)程中的必經(jīng)之路。

2.2 AI Agent有哪些優(yōu)勢(shì)和局限？

對(duì)于用戶來(lái)講，AI Agent的主要優(yōu)勢(shì)包括：

第一，以任務(wù)為導(dǎo)向。AI Agent脫離了傳統(tǒng)Chatbot那種閑聊的交互模式，能夠彌合語(yǔ)言理解與采取行動(dòng)之間的鴻溝。直接基于用戶輸入中所體現(xiàn)出來(lái)的意圖，自動(dòng)進(jìn)行后續(xù)的推理和行動(dòng)，可以大幅提升工作效率。

第二，自然的交互方式。由于AI Agent本身以LLM大語(yǔ)言模型為底座，固有的語(yǔ)言理解和語(yǔ)言生成能力，確保了自然無(wú)縫的用戶交互。

第三，進(jìn)化的決策能力。AI Agent的決策能力依賴于背后的LLM大模型，雖然目前LLM大模型的決策能力還遠(yuǎn)遠(yuǎn)不如人類，但這項(xiàng)能力在持續(xù)不斷的進(jìn)化。

第四，靈活的適應(yīng)性。在RAG和Function Calling等技術(shù)的支撐下，AI Agent可以快速適應(yīng)各種不同的行業(yè)和應(yīng)用場(chǎng)景，并通過(guò)API調(diào)用和外部環(huán)境產(chǎn)生交互。

但是由于LLM大模型本身固有的局限，這種局限也同樣影響了AI Agent。

第一，可靠性不足。眾所周知，LLM大模型容易出現(xiàn)幻覺(jué)和不一致性，將多個(gè)步驟連起來(lái)會(huì)進(jìn)一步加劇可靠性問(wèn)題，從而難以獲得用戶信任。舉個(gè)例子，假設(shè)每個(gè)步驟LLM的可靠性是95%，如果一個(gè)任務(wù)需要被分解到5步以上，那么最終的可靠性將不到80%，這會(huì)大大限制AI Agent在一些Critical場(chǎng)景下的應(yīng)用。

第二，法律問(wèn)題。對(duì)于企業(yè)對(duì)外輸出的AI Agent，企業(yè)可能要對(duì)其產(chǎn)生的錯(cuò)誤負(fù)責(zé)。比如，最近一位客戶因?yàn)楸患幽么蠛娇展镜牧奶鞕C(jī)器人誤導(dǎo)而延誤航班，最終由加拿大航空予以賠償。

第三，性能和成本。GPT-4、Gemini-1.5在推理和function calling的表現(xiàn)不錯(cuò)，但仍然較慢且成本高，特別是需要進(jìn)行循環(huán)調(diào)用和自動(dòng)重試時(shí)。

對(duì)于AI Agent可靠性的問(wèn)題，其中一個(gè)解決方案是Agentic Workflow，即借助人工經(jīng)驗(yàn)進(jìn)行任務(wù)分解、配置執(zhí)行任務(wù)。AI Agent在整個(gè)workflow中，更多起到意圖識(shí)別、檢索、歸納、分類的作用。

比如通過(guò)workflow創(chuàng)建一個(gè)輸出財(cái)務(wù)分析報(bào)表的AI Agent，由人類告訴AI Agent，當(dāng)接收到分析某家公司的財(cái)務(wù)報(bào)表時(shí)，先去某財(cái)務(wù)網(wǎng)站搜索該公司的財(cái)務(wù)報(bào)表，然后下載報(bào)表數(shù)據(jù)進(jìn)行本地化存儲(chǔ)，再提取特定字段的數(shù)據(jù)進(jìn)行計(jì)算和同比，最后再以自然語(yǔ)言的方式輸出財(cái)務(wù)分析報(bào)告。

對(duì)于Agentic Workflow，后面風(fēng)叔將專門用一篇文章進(jìn)行介紹。

2.3 企業(yè)和個(gè)人為什么要關(guān)注AI Agent？

企業(yè)用戶通常面臨更加復(fù)雜的業(yè)務(wù)需求，有更明確的業(yè)務(wù)場(chǎng)景、業(yè)務(wù)邏輯以及更多行業(yè)數(shù)據(jù)和行業(yè)知識(shí)的積累，非常適配 Agent 自主性、決策與執(zhí)行、工具使用等特點(diǎn)，這讓企業(yè)端領(lǐng)域成為 Agent 施展能力的絕佳舞臺(tái)。

同時(shí)，AI Agent可以用工程化的思想對(duì)抗個(gè)體工作的不確定性，過(guò)往的SOP、PDCA、OKR等管理方法可以與AI Agent進(jìn)行適配，完成管理工作的科學(xué)升級(jí)。

因此，企業(yè)需要關(guān)注AI Agent，結(jié)合企業(yè)所在的行業(yè)特點(diǎn)以及自身的業(yè)務(wù)屬性，通過(guò)AI Agent提升業(yè)務(wù)效率。在企業(yè)的供應(yīng)鏈、產(chǎn)品研發(fā)、市場(chǎng)營(yíng)銷、內(nèi)部辦公等環(huán)節(jié)，AI Agent都有非常多的應(yīng)用場(chǎng)景。

比如在供應(yīng)鏈環(huán)節(jié)，AI Agent可以應(yīng)用在智能配補(bǔ)貨、原料自動(dòng)下單、庫(kù)存優(yōu)化、供應(yīng)商協(xié)同、合同自動(dòng)審查等場(chǎng)景。在產(chǎn)品研發(fā)環(huán)節(jié)，AI Agent可以應(yīng)用在產(chǎn)品成分分析、新品研發(fā)建議、產(chǎn)品設(shè)計(jì)出圖等場(chǎng)景。在市場(chǎng)營(yíng)銷環(huán)節(jié)，AI Agent可以用于智能客服、精準(zhǔn)推薦、營(yíng)銷創(chuàng)意制作、廣告智能投放等場(chǎng)景。

我們?cè)賮?lái)看AI Agent對(duì)于個(gè)人的影響。雖然到目前為止，面向C端用戶，市場(chǎng)上還沒(méi)有出現(xiàn)killer級(jí)的C端應(yīng)用，包括 OpenAI 的 GPTs，其實(shí)只是用于特定知識(shí)庫(kù)或數(shù)據(jù)的 Chatbot。但是從AI的長(zhǎng)期發(fā)展趨勢(shì)來(lái)看，AI Agent一定會(huì)在越來(lái)越多的場(chǎng)景進(jìn)行滲透。

同時(shí)，個(gè)人作為企業(yè)端的工作者，AIAgent對(duì)個(gè)人在工作效率上帶來(lái)的提升，也是顯而易見(jiàn)的。利用AI Agent武裝自己，讓工作和學(xué)習(xí)效率更上一級(jí)臺(tái)階。

對(duì)于個(gè)人來(lái)講，未來(lái)可能只有兩種人，驅(qū)動(dòng)Agent的人，和被Agent驅(qū)動(dòng)的人。

總結(jié)

本篇文章是使用5W1H分析框架拆解AI Agent的上篇，圍繞What和Why，詳細(xì)闡述了AI Agent的概念、構(gòu)成、分類、產(chǎn)生原因、優(yōu)勢(shì)劣勢(shì)、以及對(duì)企業(yè)和個(gè)人的影響。

在下一篇文章中，風(fēng)叔將圍繞When、Who和Where，詳細(xì)介紹AI Agent的發(fā)展歷程、行業(yè)玩家和具體應(yīng)用場(chǎng)景。