2. 什么是 Agent？

2.1 概念：应用程序

宽泛地来说，生成式 AI Agent 可以被定义为一个应用程序，通过观察周围世界并使用可用的工具来实现其目标。

• 自主性：Agent 是有自主能力的（autonomous），只要提供了合适的目标，它们就能独立行动，无需人类干预；
• 推理能力：即使是模糊的人类指令，Agent 也可以推理出它接下来应该做什么，并采取行动，最终实现其目标。

在 AI 领域，Agent 是一个非常通用的概念。本文讨论的 Agent 更具体，指的是基于生成式 AI 模型能够实现的 Agents。

2.2 架构：认知架构

为了理解 Agent 的内部工作原理，我们需要看看驱动 Agent 行为、行动和决策（behavior, actions, and decision making）的基础组件。

这些组件的组合实现了一种所谓的认知架构（cognitive architecture），通过这些组件可以实现许多这样的架构。

2.3 组件

Agent 架构中有三个核心组件：

2.3.1 模型（model）

这里指的是用作 Agent 中用来做核心决策的语言模型（LM）。

• 可以是一个或多个任何大小的模型，能够遵循基于指令的推理和逻辑框架，如 ReAct、Chain-of-Thought、Tree-of-Thoughts。
• 可以是通用的、多模态的，或根据特定 Agent 架构的需求微调得到的模型。
• 可以通过"能展示 Agent 能力的例子或数据集"来进一步微调模型，例如 Agent 在什么上下文中使用什么工具，或者执行什么推理步骤。

2.3.2 工具（tool）

基础模型在文本和图像生成方面非常强大，但无法与外部世界直接交互。工具是模型通往现实世界的桥梁，使 Agent 能够：

• 访问实时信息（如天气、新闻、股票价格）
• 执行计算（如数学计算、代码执行）
• 与外部系统交互（如数据库、API、设备）
• 处理文件和数据

2.3.3 编排层（orchestration）

编排层负责协调模型和工具的交互，管理 Agent 的执行流程：

• 记忆模块：存储和检索历史信息，保持上下文连贯性
• 规划模块：制定任务执行计划，分解复杂任务
• 执行模块：协调工具使用和结果处理
• 学习模块：从经验中学习，改进未来的决策

2.4 Agent 与 model 的区别

特性	大语言模型	Agent
响应方式	被动响应，基于输入生成输出	主动规划，能够自主决策
工具使用	无法直接使用外部工具	能够使用外部工具扩展能力
上下文处理	依赖上下文窗口，有限制	可以使用外部记忆，突破上下文限制
任务完成	一次性生成，缺乏连续性	多步骤执行，持续与环境交互
适应性	固定能力，难以适应新任务	能够通过工具和学习适应新任务

2.5 常见的 Agent 类型

2.5.1 反应式 Agent

• 特点：基于当前状态直接反应，没有复杂的规划
• 优势：响应速度快，适合简单任务
• 应用场景：简单的问答、信息检索

2.5.2 深思熟虑的 Agent

• 特点：会进行详细的规划和推理
• 优势：能够处理复杂任务，决策质量高
• 应用场景：复杂问题解决、多步骤任务

2.5.3 混合 Agent

• 特点：结合反应式和深思熟虑的方法
• 优势：平衡速度和准确性
• 应用场景：大多数实际应用

2.6 Agent 的应用场景

个人助手

• 日程管理、信息查询
• 任务自动化、个性化建议

专业助手

• 法律咨询、医疗诊断
• 金融顾问、教育辅导

科研助手

• 文献检索、实验设计
• 数据分析、论文写作

企业应用

• 客户服务、销售支持
• 数据分析、流程自动化

2.7 小结

• Agent 是扩展了大模型出厂能力的应用程序
• Agent 由模型、工具和编排层三个核心组件组成
• Agent 具备自主性和推理能力，能够使用工具与外部世界交互
• Agent 比传统大语言模型更适合处理复杂任务和持续交互

---

现在你已经了解了 Agent 的基本概念和架构，接下来让我们深入探讨 Agent 的认知架构和工作原理。