智能体概述

什么是Agent

哲学中的 Agent：行动者的概念

在哲学，尤其是伦理学、心灵哲学和行动哲学中：Agent指的是一个有能力做出自主决定并采取行动的存在。

• 它具备：

  • 意图（intention）

  • 自由意志（free will）

  • 目的导向（goal-directedness）

  • 道德责任（moral responsibility）

在这个意义上，人是“agent”，因为我们会做出基于信念、欲望、目标等的行为决策。

咖啡 Agent

假设咖啡 Agent收到一个任务：“我需要一杯咖啡。”

Agent开始推理和计划：

1. 去厨房

2. 使用咖啡机

3. 冲调咖啡

4. 端上咖啡

有计划后，Agent就会执行。为完成计划，他会使用工具，也就是咖啡机。

智能体：一个能够进行推理、规划和与环境交互的人工智能模型。

正式定义

Agent 是一种系统，它利用 AI 模型与其环境进行交互，以实现用户定义的目标。它将推理、规划和行动执行（通常通过外部工具）相结合，以完成任务。

Agent 有两部分组成：

1. 大脑 (LLM)

2. 身体 （能力与工具）

可执行的动作范围取决于该 Agent 所配备的能力。例如，由于人类没有翅膀，因此无法执行飞行动作，但可以执行诸如“行走”、“奔跑”、“跳跃”、“抓取”等动作。

智能体光谱

级别	描述	名称	示例模式
☆☆☆	智能体输出不会影响程序流程	简单处理器	process_llm_output(llm_response)
★☆☆	智能体输出决定基本控制流	路由器	if llm_decision(): path_a() else: path_b()
★★☆	智能体输出决定函数执行	工具调用器	run_function(llm_chosen_tool, llm_chosen_args)
★★★	智能体输出控制迭代和程序继续	多步骤代理	while llm_should_continue(): execute_next_step()
★★★	一个智能体可以启动另一个智能体	多智能体	if llm_trigger(): execute_agent()

Agent可执行的任务

Agent 可以通过我们实现的工具（Tools）执行任何任务，以完成各种动作（Actions）。工具的设计非常重要，会极大地影响 Agent 的质量。某些任务需要定制开发专门工具，有些任务则可以使用像 “web_search” 这样的通用工具来解决。

⚠️注意

动作（Action） 与 工具（Tool） 并不相同。例如，一个动作可能需要调用多个工具才能完成任务。

工具是提供给 LLM 的函数。该函数应完成明确的目标。

工具	描述
网络搜索	允许代理从互联网获取最新信息。
图像生成	根据文本描述创建图像。
检索	从外部来源检索信息。
API 接口	与外部 API（如 GitHub、YouTube、Spotify 等）交互。

总而言之，Agent 是一个以 AI 模型（通常是大语言模型）为核心推理引擎的系统，能够：

• 理解自然语言：以有意义的方式解释并响应人类指令。

• 推理与规划：分析信息、做出决策并制定解决问题的策略。

• 与环境交互：收集信息、执行操作并观察操作结果。

“思考–行动–观察”循环

核心组件

智能体在一个持续循环中工作：思考（Thought）→ 行动（Action）→ 观察（Observation）。

让我们一起分解这些步骤：

• 思考（Thought）：Agent 的 LLM 部分决定下一步应该做什么。

• 行动（Action）：Agent 调用工具并传入相关参数来执行操作。

• 观察（Observation）：模型反思工具返回的响应。

天气Agent

Thought

内心想法：

“用户需要获取纽约的当前天气信息。我有一个可以获取天气数据的工具。首先，我需要调用天气 API 来获取最新的详细信息。”

Action

工具使用：

基于其推理以及已知 get_weather 工具的事实，Agent 准备了一个 JSON 格式的命令来调用天气 API 工具。例如，它的第一个动作可能是：

Thought：我需要检查纽约的当前天气。

   {
     "action": "get_weather",
     "action_input": {
       "location": "New York"
     }
   }

在这里，动作明确指定了要调用的工具（例如：get_weather）以及要传递的参数（“location”: “New York”）。

观察

来自环境的反馈：

工具调用后，Agent 会收到一条观察结果。可能是来自 API 的原始天气数据，例如：

“当前纽约天气：局部多云，15°C，相对湿度60%。”

该观察结果随后被添加到提示中，作为额外的上下文。它充当现实世界的反馈，确认动作是否成功并提供所需的详细信息。

更新思考

反思：

有了观察结果，Agent 更新了它的内部推理：

“现在我已经获得了纽约的天气数据，可以为用户整理回答了。”

最终动作

Agent 生成最终响应，并按照我们规定的格式回答：

Thought：我现在已经有了天气数据。当前纽约的天气是局部多云，气温15°C，相对湿度60%。

最终回答：当前纽约的天气是局部多云，气温15°C，相对湿度60%。

此最终动作将答案发送回用户，完成整个循环。

小结

我们在这个示例中看到：

智能体不断循环直到目标完成： Agent 的过程是循环的。它从一次思考开始，然后通过调用工具来执行动作，最后观察结果。如果观察显示有错误或数据不完整，Agent 可以重新进入循环以修正方法。

工具集成： 调用工具（如天气 API）的能力使天气智能体够超越静态知识，检索实时数据，这是许多 AI 智能体的关键特性。

动态适应： 每个循环都允许智能体将新信息（观察结果）纳入其推理（思考）中，确保最终回答信息充分且准确。

这个示例展示了 ReAct 循环背后的核心概念：思考、行动和观察的相互作用，使 AI 智能体能够迭代地解决复杂任务。

通过理解并应用这些原则，你设计的智能体不仅能对任务进行推理，还能有效利用外部工具完成任务，并根据环境反馈不断完善输回答。

思考：内部推理与 ReAct 方法

在本节中，我们将深入探讨 AI 智能体的内部机制——它的推理与规划能力。我们会研究智能体如何利用其内部对话来分析信息，将复杂问题分解为可管理的步骤，并决定下一步要采取的行动。此外，我们还将介绍 ReAct 方法，这是一种提示技术，鼓励模型在执行操作前“逐步思考”。

思考代表智能体为完成任务而进行的内部推理与规划过程。

这利用了智能体的大型语言模型（LLM）在提示中呈现信息时的分析能力。

可以将其视为智能体的内部对话，在其中它考虑当前任务并制定策略。

智能体的思考负责访问当前的观察结果，并决定下一步的行动。

通过这一过程，智能体可以将复杂问题分解为更小、更易管理的步骤，反思过去的经验，并根据新信息不断调整其计划。

以下是一些常见思考示例：

思考类型	示例
规划	我需要将此任务分解为三步：1）收集数据；2）分析趋势；3）生成报告
分析	根据错误信息，问题似乎出在数据库连接参数上
决策	考虑到用户的预算限制，我应该推荐中端方案
问题解决	为了优化这段代码，我应首先进行性能分析以识别瓶颈
记忆整合	用户之前提到他更喜欢 Python，所以我将提供 Python 示例
自我反思	我上次的方法效果不佳，我应该尝试不同的策略
目标设定	要完成此任务，我需要首先确定验收标准
优先级排序	应在添加新功能之前先解决安全漏洞

⚠️ 注意

对于经过微调以支持函数调用的 LLM，思考过程是可选的。

ReAct

一个关键方法是 ReAct 方法，即将“推理”（Reasoning，Think）与“行动”（Acting，Act）结合。

• ReAct 是一种简单的提示词技术，在让 LLM 解码下一个 token 之前，附加“让我们一步步思考”（Let’s think step by step）。

• 通过提示模型“逐步思考”，解码过程更倾向于生成一个计划，而不是直接给出最终解决方案，因为模型得到鼓励能将问题分解为子任务。

• 这使模型能够更详细地考虑各子步骤，通常比尝试直接生成最终解决方案时更少出错。

行动：使智能体与其环境交互

在部分，我们探讨 AI 智能体与其环境交互所采取的具体步骤。
我们将介绍如何表示操作（使用 JSON 或代码）、停止与解析方法的重要性，并介绍不同类型的智能体。
操作是 AI 智能体与其环境交互时所采取的具体步骤。

无论是浏览网页获取信息，还是控制物理设备，每个操作都是智能体执行的有意图的动作。

例如，协助客户服务的智能体可能会检索客户数据、提供支持文档或将问题转交给人工客服代表。

智能体行动类型

不同类型的智能体以不同方式执行操作：

智能体类型	描述
JSON 智能体	操作以 JSON 格式指定。
代码智能体	智能体编写一段代码块，由外部解释执行。
函数调用智能体（Function-calling Agent）	JSON 智能体的一个子类别，经过微调以为每个操作生成新的消息。

行动的用途

操作本身可用于多种目的：

操作类型	描述
信息收集	执行网络搜索、查询数据库或检索文档。
工具使用	发起 API 调用、运行计算或执行代码。
环境交互	操作数字界面或控制物理设备。
通信	通过聊天与用户互动或与其他智能体协作。

智能体的一个关键能力是在操作完成时停止生成新 token，这一点对于所有格式的智能体（JSON、代码或函数调用）都适用。 这可以防止意外输出，确保响应清晰准确。

LLM 仅处理文本，并使用文本来描述它要执行的操作以及要传递给工具的参数。

停止与解析

实现操作的关键方法之一是“停止与解析”方法。此方法可确保智能体的输出具有结构化且可预测的特点：

1. 结构化格式生成。智能体以清晰的、预先定义的格式（JSON 或代码）输出其预期执行的操作。

2. 停止进一步生成。一旦操作完成，智能体停止生成额外的 token，防止产生多余或错误的输出。

3. 解析输出 。外部解析器读取格式化后的操作，确定要调用的工具，并提取所需的参数。

例如，需要检查天气的智能体可能会输出：

Thought: 我需要检查纽约的当前天气。
Action :
{
  "action": "get_weather",
  "action_input": {"location": "New York"}
}

框架随后可以轻松解析要调用的函数名称及其参数。这种清晰的机器可读格式将错误降至最低，并使外部工具能够准确地处理智能体的命令。

⚠️ 注意

函数调用型智能体以类似方式工作，通过结构化每个动作来调用指定函数并传入正确的参数。

观察：整合反馈以反思和适应

观察是智能体感知其行动后果的方式。 它们提供了推动智能体思考过程并指导后续行动的关键信息。 它们是来自环境的信号——无论是 API 返回的数据、错误信息还是系统日志——都可以指导下一轮思考。

在观察阶段，智能体会：

• 收集反馈：接收数据或确认其行动是否成功（或失败）。

• 附加结果：将新信息整合到现有上下文中，有效更新其记忆。

• 调整策略：利用更新后的上下文来完善后续的思考和行动。

例如，如果天气 API 返回“局部多云，15°C，60% 湿度”，该观察结果会被附加到智能体的记忆中（提示词末尾）。

智能体随后会根据该信息决定是否需要额外数据，或是否已准备好提供最终回答。

这种反馈的迭代整合确保智能体始终与其目标保持动态一致，不断根据现实世界的结果学习和调整。

这些观察可以采取多种形式，从读取网页文本到监控机器人手臂的位置。这类似于工具“日志”，为操作执行提供文本反馈。

观察类型	示例
系统反馈	错误信息、成功通知、状态码
数据变化	数据库更新、文件系统修改、状态改变
环境数据	传感器读数、系统指标、资源使用情况
响应分析	API 响应、查询结果、计算输出
基于时间的事件	达到截止日期、计划任务完成

观察结果如何附加？

执行操作后，框架按以下顺序进行：

1. 解析操作以确定要调用的函数及其参数。

2. 执行该操作。

3. 将结果作为“观察”附加。

Agent项目

商业项目

• Manus

• 扣子 Agent

开源

• OWL （ GAIA 基准测试中取得 58.18 平均分，在开源框架中排名，排名第一）

• OpenManus

常见的Agent框架

• smolagents

• LlamaIndex

• LangGraph

智能体基准测试

https://www.gaianet.ai/agents