一、Agent是什么Agent 的核心能力在于让大语言模型LLM围绕用户的查询语句Query、对话或任务相关的上下文Context以及各类可调用的应用程序接口即 Tools 工具通过规划Planning环节明确在当前场景下需调用哪些工具才能精准解决用户最关注的问题。在此过程中大语言模型还需依据工具调用返回的结果进一步判断并确定最终如何回应用户这一环节便是最终的动作执行Action1. Agent包括什么类比人类在社会中生存的逻辑人要适应复杂环境必须具备认知能力能感知外界变化并做出应对。Agent 的构成同样遵循这一逻辑主要包含三大核心模块控制中枢Brain、感知系统Perception与行动执行端Action。控制中枢Brain通常以大语言模型LLMs为核心载体是 Agent 实现智能的关键。它不仅能够存储任务相关的记忆与基础知识还承担着信息整合处理、决策制定等核心功能。此外控制中枢可清晰呈现推理过程与任务规划路径面对未接触过的未知任务时也能灵活应对充分体现出 Agent 的泛化能力与场景迁移能力。感知系统Perception打破了 Agent 传统的纯文本感知局限将其感知范围拓展至文本、图像、音频等多模态领域。通过这一系统Agent 能更全面、高效地从周围环境中获取关键信息并对信息进行有效解析与利用为后续决策提供充足依据。行动执行端Action除了完成常规的文本回复输出外更重要的是赋予 Agent “具身行动” 与 “工具使用” 的能力。借助这一模块Agent 可根据环境变化调整行动策略通过与环境的实时反馈交互实现目标甚至能主动对环境进行改造以推动任务完成以 “人类询问是否会下雨” 这一场景为例首先感知系统Perception会将人类的自然语言指令转化为控制中枢Brain可理解的结构化信息接着控制中枢调用当前天气数据与互联网中的天气预报工具进行推理分析并规划后续应对动作最后行动执行端Action一方面向人类反馈 “是否会下雨” 的结果另一方面可能执行 “递出雨伞” 的实体动作。通过不断重复 “感知 - 决策 - 行动 - 反馈” 的闭环流程Agent 能够持续优化交互效果实现与环境的深度融合。2.控制端Brain一旦 AI Agent 感知到环境信息依赖深度学习、强化学习带来的训练结果对这些信息进行识别与分析以便作出明智的决策。这个过程中会借助 RAG、联网搜索、外部应用和系统调用。这一阶段是 AI Agent 行为的核心直接决定了后续行动的有效性。但由于深度学习、强化学习的模型依旧缺乏完全的可解释性是输出结果不确定性的主要原因之一。(1)自然语言交互语言是沟通的媒介其中包含着丰富的信息。得益于 LLMs 强大的自然语言生成和理解能力智能代理能够通过自然语言与外界进行多轮交互进而实现目标。具体而言可以分为两个方面高质量文本生成大量评估实验表明LLMs 能够生成流畅、多样、新颖、可控的文本。尽管在个别语言上表现欠佳但整体上具备良好的多语言能力。言外之意的理解除了直观表现出的内容语言背后可能还传递了说话者的意图、偏好等信息。言外之意有助于代理更高效地沟通与合作大模型已经展现出了这方面的潜力。(2)知识基于大批量语料训练的 LLMs拥有了存储海量知识Knowledge的能力。除了语言知识以外常识知识和专业技能知识都是 LLM-based Agents 的重要组成部分。虽然 LLMs 其本身仍然存在知识过期、幻觉等问题现有的一些研究通过知识编辑或调用外部知识库等方法可以在一定程度上得到缓解。也就是RAG(3)记忆记忆模块Memory储存了代理过往的观察、思考和行动序列。通过特定的记忆机制代理可以有效地反思并应用先前的策略使其借鉴过去的经验来适应陌生的环境。通常用于提升记忆能力的方法有三种扩展 Backbone 架构的长度限制针对 Transformers 固有的序列长度限制问题进行改进。总结记忆Summarizing对记忆进行摘要总结增强代理从记忆中提取关键细节的能力。压缩记忆Compressing通过使用向量或适当的数据结构对记忆进行压缩可以提高记忆检索效率。此外记忆的检索方法也很重要只有检索到合适的内容代理才能够访问到最相关和准确的信息。messages-大模型是怎么实现记忆的messages是一个对话数组其中角色主要有system代表当前对话的系统指令一般放提示词user用户指令assistantLLM的回复只是因为后台系统给了他之前的对话并不是他自己记住。大模型的请求调用就是一个无状态的取决于每次给的对话内容。(4)推理 规划推理能力Reasoning对于智能代理进行决策、分析等复杂任务而言至关重要。具体到 LLMs 上就是以 思维链Chain-of-ThoughtCoT 为代表的一系列提示方法。而规划Planning则是面对大型挑战时常用的策略。它帮助代理组织思维、设定目标并确定实现这些目标的步骤。在具体实现中规划可以包含两个步骤计划制定Plan Formulation代理将复杂任务分解为更易于管理的子任务。例如一次性分解再按顺序执行、逐步规划并执行、多路规划并选取最优路径等。在一些需要专业知识的场景中代理可与特定领域的 Planner 模块集成提升能力。计划反思Plan Reflection在制定计划后可以进行反思并评估其优劣。这种反思一般来自三个方面借助内部反馈机制与人类互动获得反馈从环境中获得反馈。(5)迁移性 泛化性拥有世界知识的 LLMs 赋予智能代理具备强大的迁移与泛化能力。一个好的代理不是静态的知识库还应具备动态的学习能力对未知任务的泛化随着模型规模与训练数据的增大LLMs 在解决未知任务上涌现出了惊人的能力。通过指令微调的大模型在 zero-shot 测试中表现良好在许多任务上都取得了不亚于专家模型的成绩。情景学习In-context Learning大模型不仅能够从上下文的少量示例中进行类比学习这种能力还可以扩展到文本以外的多模态场景为代理在现实世界中的应用提供了更多可能性。持续学习Continual Learning持续学习的主要挑战是灾难性遗忘即当模型学习新任务时容易丢失过往任务中的知识。专有领域的智能代理应当尽量避免丢失通用领域的知识。3.感知端Perception人类通过多模态的方式感知世界所以研究者们对 LLM-based Agents 抱有同样的期待。多模态感知能加深代理对工作环境的理解显著提升了其通用性。这是唤醒 AI Agent 的第一步感知内容分为。来自物理世界的信息包括来自客户端的任务自然语言、代码、多模态等以及通过传感器、摄像头、麦克风硬件设备的传感信息。来自虚拟环境的信息从数据库、外部 API 接口等收集到的信息。4.行动端Action在大脑做出分析、决策后代理还需要做出行动以适应或改变环境(1)文本输出作为 LLMs 最基础的能力。(2)工具使用尽管 LLMs 拥有出色的知识储备和专业能力但在面对具体问题时也可能会出现鲁棒性问题、幻觉等一系列挑战。与此同时工具作为使用者能力的扩展可以在专业性、事实性、可解释性等方面提供帮助。例如可以通过使用计算器来计算数学问题、使用搜索引擎来搜寻实时信息。另外工具也可以扩展智能代理的行动空间。例如通过调用语音生成、图像生成等专家模型来获得多模态的行动方式。因此如何让代理成为优秀的工具使用者即学会如何有效地利用工具是非常重要且有前景的方向。目前主要的工具学习方法包括从演示中学习和从反馈中学习。此外也可以通过元学习、课程学习等方式来让代理程序在使用各种工具方面具备泛化能力。更进一步智能代理还可以进一步学习如何「自给自足」地制造工具从而提高其自主性和独立性。(3)具身行动具身Embodyment是指代理与环境交互过程中理解、改造环境并更新自身状态的能力。具身行动Embodied Action被视为虚拟智能与物理现实的互通桥梁。传统的基于强化学习的 Agent 在样本效率、泛化性和复杂问题推理等方面存在局限性而 LLM-based Agents 通过引入大模型丰富的内在知识使得 Embodied Agent 能够像人类一样主动感知、影响物理环境。根据代理在任务中的自主程度或者说 Action 的复杂程度可以有以下的原子 ActionObservation 可以帮助智能代理在环境中定位自身位置、感知对象物品和获取其他环境信息Manipulation 则是完成一些具体的抓取、推动等操作任务Navigation 要求智能代理根据任务目标变换自身位置并根据环境信息更新自身状态。通过组合这些原子行动代理可以完成更为复杂的任务。例如「厨房的西瓜比碗大吗」这类具身的 QA 任务。为了解决这个问题代理需要导航到厨房并在观察二者的大小后得出答案。受限于物理世界硬件的高成本和具身数据集缺乏等问题目前具身行动的研究仍主要集中于游戏平台《我的世界》等虚拟沙盒环境中。因此一方面作者们期待有一种更贴近现实的任务范式和评价标准另一方面也需要大家在高效构建相关数据集上面有更多的探索。二、为什么要做Agent同样的业务场景使用Agent无非就是构建了一个基于大模型按多步骤执行的流程如果通过传统的开发方法如硬编码Hard Code或者低代码的配置化平台如一些SOP配置平台、流程编排平台等其实也同样能实现类似Agent的流程功能。Agent其实就是让大模型去调用API接口完成一些相对复杂的步骤执行也完全同样可以直接用代码去开发这个功能或者使用低代码平台的表单配置、逻辑配置、API接口配置通过不同执行节点之间的参数配置、映射来构建复杂的业务流程。也就是说问这个问题的核心意图就是“Agent能做的事情在Agent出现之前其实就能做”。1.Agent构建挑战使用大模型构建的Agent还存在着非常多的挑战其中最常见的三个挑战是Agent响应速度慢由于Agent需要调用大模型而大模型通常是流式输出这就导致用户提问后需要等待一段时间可能需要十几秒钟才能得到完整输出如果Prompt再长一些那么就连首次token的响应速度都会很慢。当然Agent在执行过程中还涉及到思考Thought、推理Reasoning等中间过程有时候还需要将复杂问题拆解为多个步骤这些都会导致Agent的运行速度极其缓慢。Agent会出现幻觉由于大模型天然的设计问题可能会产生事实性错误或不遵循指令的幻觉相比运行速度慢这更加引发了信任危机对Agent执行结果的挑战就更大了。纯文本交互不友好由于大模型是基于自然语言进行交互的因此绝大部分的Agent的设计都是类似在机器人里使用对话流的形式提供服务的输入阶段使用文本还相对好一些输出阶段的时候很多Agent会有很多长篇大论的输出啰里啰嗦字太多人阅读起来就比较费劲这样的交互相比传统的一些结构化的、卡片式、表单式的交互体验就差很多因此很多人觉得这种对话式的交互并不是很友好。相比而言通过传统方式构建的流程相比Agent的技术而言优势就非常明显运行速度非常快、稳定、可以专门设计前端交互。所以问题就来了尤其是服务领域既然传统的SOP或业务流程管理平台也能够完成这些复杂的任务并且运行速度很快很稳定、交互更好那为什么要还非要使用Agent还一定要建设一个Agent平台呢更何况Agent还运行速度很慢、有幻觉、交互体验差。2.Agent的优势Agent的优势在哪里呢Agent可以“代理/模拟”「人」来完成相关事情它有一个非常聪明的大脑甚至在很多领域比人都聪明所以从这个角度来看Agent的出现其实是“解放了人的生产力”所以从这个角度来说Agent其实是一个极大提升效率的生产力。降低应用开发门槛过去想要实现一个功能我必须是一个专业的开发人员必须能够编写专业的代码。但现在如果你使用Agent而不是传统的硬编码方式那么首先的好处就是你不需要编写代码这降低了门槛。也就是说如果我不是专业的研发人员我是一个产品经理或者是一个运营人员我也可以通过自然语言描述prompt的方式实现一个Agent来满足我的个性化需求的开发。这是需求开发的巨大的效率提升也是应用开发的门槛的大幅降低。简化流程复杂度。能够自动处理参数转换、能够自动完成一些校验逻辑这就极大地减少了流程配置的工作量。这种自动化的能力使得开发过程更加高效。比如在流程中通常会调许多API如果是传统的流程编排前一步的API返回结果传进来与后一步API输入参数之间的映射你必须得严丝合缝包括变量类型和内容你必须要有完备的转换过程才能保证不会出现任何bug或错误。大模型就像「人」一样看到问题、AP接口、参数时它会自然而然地做转换。它可以把用户的问题输入内容自然地转换到相应的API入参上。协同完成复杂任务。比如多个Agent之间进行组装完成一些复杂的场景比如在服务领域的某些工单里面经常会出现客户在同一个工单中连续问多个问题这个时候就完全可以调用多个处理不同问题的Agent参与决策进行合作就像人一样进行接力把问题解决。有些时候也可能会面临一些疑难杂症的问题也可以有多个领域相关的Agent来进行专家会诊甚至Agent之间都可以相互交流最终讨论、解决同一个问题。LLM 驱动的 Agent 可以处理那些传统自动化方法难以应对的复杂任务。例如需要决策根据代码上下文灵活理解意图、自主定位错误、自主规划修复步骤如代码场景。传统自动化软件只能按规则跑流程遇到异常或不确定性时无法自主推理和修正。需要连续推理与多步计划自动完成有逻辑连贯性的复杂任务例如撰写长篇技术报告场景。传统自动化软件最多能模板化填充内容无法根据目标动态规划章节结构、铺设推理链条、前后自洽。需要跨系统自主整合数据在多个ERP、CRM、财务系统之间自动生成综合运营报告。传统 RPA机器人流程自动化只能定向拉取数据无法理解数据之间的隐含关联或异常。需要处理模糊、不完整输入用户只给出一句含糊需求如“帮我优化一下销售流程”系统理解后完成多步落地执行传统自动化软件需要结构化清晰指令无法理解模糊自然语言并自主澄清、细化、规划。需要自主学习和演化持续优化任务进行自我纠错。传统自动化工具需要人为设定优化规则无法根据实际结果自我改进。三、Agent in Practice多样化的应用场景帮助用户从日常任务、重复劳动中解脱出来减轻人类的工作压力提高解决任务的效率不再需要用户提出显式的低级指令就可以完全自主的分析、规划、解决问题在解放用户的双手以后尝试解放大脑在前沿科学领域充分发挥潜能完成创新性的、探索性的工作。在这个基础上代理的应用可以有三种范式1.单代理场景可以接受人类自然语言命令执行日常任务的智能代理目前备受用户青睐具有很高的现实使用价值。在任务导向的部署中代理帮助人类用户处理日常基本任务。它们需要具备基本的指令理解、任务分解、与环境交互的能力。具体来说根据现有的任务类型代理的实际应用又可以分为模拟网络环境与模拟生活场景。在创新导向的部署中代理能够在前沿科学领域展现出自主探究的潜力。虽然来自专业领域的固有复杂性和训练数据的缺乏给智能代理的构建带来了阻碍但目前已经有许多工作在化学、材料、计算机等领域取得了进展。在生命周期导向的部署中代理具备在一个开放世界中不断探索、学习和使用新技能并长久生存的能力。(1)任务感知Agent 首先接收并理解用户的输入请求明确用户的真实意图。此时良好的 Prompt 工程会提高模型识别准确性。(2)任务拆解与规划对于复杂任务Agent 会自动进行任务分解把大任务拆分为数个易执行的小步骤。例如“查询最近天气”这一任务可被拆分为“获取当前位置 → 查询天气API → 整理结果 → 回复用户”这几个子任务。(3)决策并调用工具Agent 基于任务规划结果生成具体的函数调用请求决定何时调用何种外部工具以及具体调用参数。此环节考验 Prompt 设计、模型推理能力以及工具设计的接口清晰度。(4)工具执行与结果反馈外部环境执行模型指定的工具如 Python 代码执行函数 exec_python_code并把执行结果回传模型。例如模型请求执行代码进行数学计算或网页数据抓取执行后结果会原路返回给模型。(5)循环与完成任务Agent 根据返回的执行结果持续调整规划、再次决策进入新一轮工具调用循环直至完整完成用户交付的任务给出最终答案。通过以上五步的循环互动LLM Agent 能够解决比单一模型预测更复杂的问题逐渐表现出具备通用智能的雏形。2.多代理场景多代理系统Multi-Agent System作为其中主要的研究问题之一主要关注代理们如何有效地协调并协作解决问题。(1)合作型互动作为实际应用中部署最为广泛的类型合作型的代理系统可以有效提高任务效率、共同改进决策。具体来说根据合作形式的不同作者们又将合作型互动细分为无序合作与有序合作。当所有代理自由地表达自己的观点、看法以一种没有顺序的方式进行合作时称为无序合作。当所有代理遵循一定的规则例如以流水线的形式逐一发表自己的观点时整个合作过程井然有序称为有序合作。(2)对抗型互动智能代理以一种针锋相对tit for tat的方式进行互动。通过竞争、谈判、辩论的形式代理抛弃原先可能错误的信念对自己的行为或者推理过程进行有意义的反思最终带来整个系统响应质量的提升。3.人机交互场景人机交互Human-Agent Interaction顾名思义是智能代理通过与人类交互合作完成任务。一方面代理的动态学习能力需要沟通交流来支持另一方面目前的代理系统在可解释性上的表现依然不足可能会存在安全性、合法性等方面的问题因此需要人类参与进行规范与监督。Instructor-Executor 模式人类作为指导者给出指令、反馈意见而代理作为执行者依据指示逐步调整、优化。这种模式在教育、医疗、商业等领域得到了广泛的应用。Equal Partnership 模式有研究观察到代理能够在与人类的交流中表现出共情能力或是以平等的身份参与到任务执行中。智能代理展现出在日常生活中的应用潜力有望在未来融入人类社会。4.Agent 社会从个性到社会性左侧部分在个体层面上代理表现出多种内化行为例如计划、推理和反思。此外代理还显现出内在的人格特征涵盖认知、情感和性格三个方面。中间部分单个代理可以与其他代理个体组成群体共同展现出合作等群体行为例如协同合作等。右侧部分环境的形式可以是虚拟的沙盒环境也可以是真实的物理世界。环境中的要素包括了人类参与者和各类可用资源。对于单个代理而言其他代理也属于环境的一部分。整体互动代理们通过感知外界环境、采取行动积极参与整个交互过程。(1)代理的社会行为与人格社会行为从社会的角度出发可以将行为分为个体和集体两个层次个体行为构成了代理自身运作和发展的基础。包括以感知为代表的输入、行动为代表的输出以及代理自身的内化行为。群体行为是指两个以上代理自发交互时产生的行为。包括以协作为代表的积极行为、冲突为代表的消极行为以及从众、旁观等中立行为。人格包括认知、情感和性格。就像人类在社会化过程中逐渐形成自己的特质一样代理也展现了所谓的 “类人智能”即通过与群体和环境的互动中逐渐塑造人格。认知Cognitive abilities涵盖了代理获取和理解知识的过程研究表明基于 LLM 的代理在某些方面能够表现出类似于人类的深思熟虑和智力水平。情感Emotional intelligence涉及主观感受和情绪状态如喜怒哀乐以及表现出同情和共情的能力。性格Character portrayal为了理解和分析 LLMs 的性格特征研究人员利用了成熟的评测方式如大五人格、MBTI 测试以探究性格的多样性和复杂性。(2)模拟社会的运行环境代理社会不仅由独立的个体构成还包括了与其交互的环境。环境对代理的感知、行动和互动产生影响。反过来代理也通过他们的行为和决策也改变着环境的状态。对于单个代理而言环境包括其他自主代理、人类以及可使用的资源。基于文本的环境由于 LLMs 主要依赖语言作为其输入和输出格式因此基于文本的环境是代理最自然的操作平台。通过文字的方式来描述社会现象和互动文本环境提供了语义和背景知识。代理存在于这样的文本世界中依赖文本资源来感知、推理和采取行动。虚拟沙盒环境在计算机领域沙盒是指一种可受控且隔离的环境常用于进行软件测试和病毒分析。而代理社会的虚拟沙盒环境则是作为模拟社会互动和行为仿真的平台其主要特点包括可视化可以使用简单的 2D 图形界面乃至复杂的 3D 建模来展示世界以一种直观的方式刻画模拟社会的方方面面。可扩展性可以构建和部署各种不同的场景Web、游戏等进行各种实验为代理提供了广阔的探索空间。真实的物理环境物理环境是由实际物体和空间组成的有形环境代理在其中进行观察和行动。这种环境引入了丰富的感官输入视觉、听觉和空间感。与虚拟环境不同物理空间对代理行为提出了更多的要求。即代理在物理环境中必须具备适应性生成可执行的运动控制。这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容