为什么整个 AI 领域都朝着 AI Agent 的方向发展？
最近吴恩达在一次演讲中明确表态：AI Agent才是未来。他指出，通过精心设计的Agent工作流程，即便用GPT-3.5这种相对基础的模型，也能在应用层面实现超越GPT-4的表现。
整个AI圈的顶级人物几乎都达成了共识——AI Agent将深刻改变未来的工作方式。
那么，究竟什么是AI Agent？它又能给我们带来什么实质性的变化？
一、LLM、RAG 和 AI Agent
要理解AI Agent，不妨先看看它和LLM、RAG有什么不同。
LLM，也就是大语言模型，擅长的是语言理解和逻辑推理。
而RAG呢，可以理解为LLM配了一座图书馆——它弥补了LLM知识固化的问题。
LLM的知识是被训练数据锁死的。比如，LLM是用一年前的数据训练的，那它就只能回答一年前的内容。现在小米汽车上市了，你问它相关细节，它肯定答不上来。怎么办？你把小米汽车的技术资料、发布会内容一股脑喂给它，它就能当场复述出来。不过注意，这些外部知识只是临时借用的，并不会真正融入LLM的模型参数里。
所以说到底，LLM和RAG的区别主要在于内容的广度，而AI Agent则完全不同——它本质上是一个工作流程，是更高层次的概念。
AI Agent会利用LLM的推理能力，把一个大问题拆解成若干个小问题，并且规划好它们的执行顺序——先解决哪个，再解决哪个。然后依次调用LLM、RAG或者外部工具，逐个击破，最终搞定最初那个复杂问题。
二、AI Agent 特点
梳理一下AI Agent的几个核心特征：
1）目标导向行为
LLM和RAG的主要任务是文本的逻辑推理和生成，它们缺乏设定和追求特定目标的能力。而AI Agent天生就是目标导向的——它会明确自己的目标，并制定计划、采取行动去实现它。
2）记忆和状态跟踪
LLM和RAG没有记忆，也没有状态跟踪能力，每次输入都是独立的处理。AI Agent则可以维护一个内部状态，积累知识，基于状态信息来做决策和行动。
3）与环境互动
LLM只能在文本领域独立操作，无法与物理世界进行交互。AI Agent则能对接传感器等设备，感知外部环境。
4）持续学习
LLM的数据是训练好的，静态不变的。AI Agent则可以在与环境和情况交互时不断学习和调整自己的知识和技能。
5）多任务能力
LLM用于特定的语言任务。AI Agent可以被设计为通用的多任务系统，流畅地结合语言、推理、感知和控制等各种技能，来解决复杂的多方面问题。
三、AI Agent 示例
举个例子，假设你要规划一次复杂的旅行。
LLM
RAG
AI Agent
- 根据预算搜索航班和酒店
- 直接执行预订操作
- 把行程自动添加到日历
- 在各个环节发送提醒
简单来讲，AI Agent超越了信息层面，它可以规划、拆解任务，并真正地去执行任务。
四、更清晰的理解 AI Agent 的优势
1）任务导向 vs 通识知识
LLM就像一座庞大的信息库，擅长广泛的语言理解和生成。RAG通过检索相关信息来增强LLM的表现，但核心依然停留在知识和文本层面。而AI Agent则不同，它从一开始就是为特定目标而设计的——它存在的意义就是打破语言理解与实际行动之间的那堵墙。
2）多步推理
LLM和RAG主要处理单一输入并据此给出响应。AI Agent可以链式整合多个步骤：先检索信息（类似RAG），再处理信息、做决策，最后采取行动——比如发送邮件、预约、控制智能设备。
3）积极主动
LLM和RAG单纯根据提示词进行响应。AI Agent则很主动：它能监控数据流并发出报警，能根据你的偏好来启动行动，还能随着知识的积累调整自身行为。
4）集成已有系统
LLM和RAG在自己的环境中操作。AI Agent可以与不同的系统、API接口对接，例如访问邮箱和日历、操作数据库、控制智能硬件设备。
五、AI Agent 的基础架构
那么，一个典型的AI Agent架构长什么样？通常包括以下几个核心部件：
- ——Agent的大脑。它借助强大的LLM来理解自然语言、获取知识，并进行复杂问题的推理。
推理引擎
- ——充当Agent的记忆，存储与任务相关的事实信息、过去的经验和偏好。
知识库
- ——允许Agent通过API与各种软件应用程序和服务交互，扩展其操纵和控制环境的能力。
工具集成
- ——为Agent提供感知周围环境的能力，可以从文本、图像或各种传感器收集数据。
感觉输入
- ——与人类用户无缝沟通和协作的桥梁。
用户界面
这些元素共同构成了一个能够自主解决问题的智能系统。AI Agent可以分析一个问题，制定出步骤清晰的计划，然后从容不迫地执行到底——这正是它成为人工智能领域下一代变革力量的原因所在。
-
- 关于宇宙的好的网名有哪些
- 角色扮演 | 1
- 网名