AI Agent（智能体）：从技术概念到场景落地

不同于传统的人工智能， AI Agent 具备通过独立思考、调用工具去逐步完成给定目标的能力。

受限于数据和算力限制， 想要实现真正智能的 AI Agents 缺乏必要的现实条件。

大模型、AI agent、RPA

大语言模型和 AI Agent 的区别在于 AI Agent 可以独立思考并做出行动，和 RPA 的区别在于它能够处理未知环境信息。

在AI领域，大语言模型与人的互动是基于一种称为“提示词”（prompt）的机制实现的。用户所提供的提示词的明确性和准确性对模型回答的质量具有直接影响。一些强大的AI工具也需要用户明确地描述任务需求，才能提供有效的解决方案。

AI智能体（Agent）只需为其设定一个目标，它便能够独立地进行思考和行动。AI智能体能够对目标任务进行详尽的拆解，制定出具体的执行步骤，依赖于外部反馈以及自身的智能处理能力，自主地生成执行任务所需的提示词（prompt），以实现预设目标。

RPA主要在既定规则和预设流程下执行任务，面对充满未知和不可预测的环境时，RPA的处理能力受限。AI智能体则能够通过与环境的互动，感知并适应新信息，进行相应的思考和行动调整，从而在复杂多变的环境中实现目标任务。

• 嵌入式模式（Embedding Mode）：大语言模型能够补充信息的空缺，执行一些子任务，例如信息摘要等。用户将对AI提供的信息进行筛选和整合，以完成最终的任务。
• 协同驾驶模式（Copilot Mode）：AI能够根据用户定义的流程执行任务，如撰写文稿或根据特定需求进行编程。然而此模式对用户的指令（Prompt）提出了更高的要求。AI完成任务流程后，用户需要对结果进行审查和调整，以确保工作的正确性和有效性。
• 智能体模式（Agent Mode）：用户需要为AI设定目标、定义角色，并提供完成任务所需的工具。通过更复杂的指令（Prompt），AI能够独立拆分任务、利用工具，并最终完成任务。用户的角色转变为设定目标、提供必要资源和监督任务的执行结果。

• 记忆模块：智能体如同人类一样具备记忆能力，能够保留所学知识和交互习惯。这种记忆机制使得智能体能够在处理相似任务时借鉴以往的经验，减少用户的重复性工作。
• 短期记忆负责处理即时的上下文信息，与我们日常和ChatGPT的互动类似；
• 长期记忆则存储知识和历史交互，使智能体能够提供基于丰富数据和经验的、更为专业和个性化的服务。
• 规划模块：智能体能够将复杂的任务分解为多个子目标，并逐一规划和解决。在完成每个任务后，智能体会进行自我反思，评估和总结执行过程中的问题，如内容的重复输出或在某个子目标上花费时间过长，并将这些经验教训纳入长期记忆中，以避免未来犯同样的错误。
• 工具模块：智能体能够利用各种工具来补充自己的能力，特别是通过调用外部应用程序接口（API），来扩展自己的功能。可以调用访问互联网的API来获取最新的信息。
• 行动模块：智能体将通过一系列有序的步骤来实施计划。它首先回顾以往的工作经验和记忆，然后规划出实现子目标的策略，并选择合适的工具来解决问题，最终将结果呈现给用户，并进行最后的反思。

这种类型的智能体在许多领域都有应用，如在赛车游戏的AI训练中，智能体需要学习如何操作方向盘、油门和刹车等，通常可以通过DDPG、A3C、PPO等算法进行决策。同样，在像围棋这样的策略游戏中，AlphaGo智能体就是通过Q-Learning等算法来决策的。

AI Agents地图