1. 什么是AI Agent？

AI Agent可以理解為一個智能體，包括感知模塊、規(guī)劃決策模塊和行動模塊，類似于人類的五官、大腦和肢體。它能幫助人類處理復(fù)雜的任務(wù)，并能根據(jù)環(huán)境反饋進(jìn)行學(xué)習(xí)和調(diào)整。

五官可以理解為感知模塊，大腦為規(guī)劃決策模塊，肢體是行動模塊。如圖：
**舉個例子：**用手摸了一下電線，感知模塊被電麻了，此時大腦決策規(guī)劃模塊發(fā)出信號，把手拿走快逃。接著行動模塊控制手從電線上拿開（當(dāng)然也可能拿不開），這就是資料里常見的模型。將這個過程抽象出來，如圖：

可以看到，最關(guān)鍵的部分就是大腦部分，即規(guī)劃決策模塊。以前這兒比較薄弱，只有狀態(tài)、記憶，如今有了大模型，讓上述框架變得強(qiáng)大了起來。暫時忽略感知和反饋模塊，突出大模型LLM的作用，如圖：

再將其抽取整理，如圖：

從細(xì)節(jié)角度進(jìn)行梳幾個模塊：

1.1 記憶模塊

又分為短期記憶和長期記憶，如上下文學(xué)習(xí)就是短期記憶，一般被上下文窗口長度限制；長期記憶則保存較長時間，一般外部向量保存。注意，從某種程度上，感知也可以歸類在記憶模塊里，如視覺、聽覺、觸覺等。短期記憶如同電腦中的內(nèi)存，在LLM中受到Transformer和上下文窗口長度的限制，長期記憶可以理解為硬盤，包含陳述式記憶和（如事件或事實(shí)），程序式記憶（如打字技能等）。整理后，如圖：

1.2 規(guī)劃決策模塊

包含四個模塊，其中，思維鏈和子目標(biāo)分解是為了處理更為復(fù)雜的任務(wù)，反思和自我批評模塊能從錯誤中吸取教訓(xùn)，提高結(jié)果質(zhì)量。整理后如圖：

1.3 工具模塊

強(qiáng)調(diào)軟件、API的調(diào)用，如日歷、計(jì)算器、代碼解釋器、搜索等，目的是為了解決實(shí)際問題。整理后如圖：

總計(jì)一下，當(dāng)給予一個prompt，LLM記憶模塊的短期記憶和長期記憶相互配合，對任務(wù)進(jìn)行分解，并對錯誤進(jìn)行反思、批評糾正，最終做出了規(guī)劃決策，然后調(diào)用合適的外部工具，并最后付出行動。

2. Agent與LLM之間的關(guān)系

上述過程中，GPT扮演了大腦的角色，其他模塊扮演了其他的協(xié)同配合，從而突破了簡單的問答工作。在這兒插播一張圖：

是不是有些熟悉了，回到了最經(jīng)典的結(jié)構(gòu)，總結(jié)成公式，即：

$Agent=LLM+記憶+規(guī)劃決策+工具使用$

3. AI Agent能起到什么實(shí)際作用

引用一個HuggingFace的案例。HuggingFace上有很多有趣的模型，一般新手不知道怎么選擇模型，提出的HuggingGPT(Shen et al. 2023)就是一個AI Agent，借助ChatGPT根據(jù)描述，選擇可用模型并執(zhí)行。

在這個過程中包含四個階段：

1. 任務(wù)的規(guī)劃：LLM做大腦，任務(wù)請求分為多個任務(wù)。包括任務(wù)類型、ID、依賴項(xiàng)和參數(shù)。
2. 模型選擇：Agent根據(jù)模型ID，選擇對應(yīng)模型處理用戶請求。此處可以選擇多個模型。
3. 任務(wù)執(zhí)行：執(zhí)行特定的每個模型并記錄結(jié)果。
4. 響應(yīng)生成：LLM接受執(zhí)行結(jié)果，匯總至用戶。

過程匯總?cè)鐖D：

這就是一個比較有趣且好玩的Agent實(shí)踐案例。
類似的項(xiàng)目還有很多，如：ChatDev、AutoGPT、GPT-engineer

4. 如何上手學(xué)習(xí)

LLM是核心，底層是Transformer和LLaMA，搞定就ok，當(dāng)然Attention可以作為知識擴(kuò)展進(jìn)行學(xué)習(xí)。
感知部分是多模態(tài)，涉及的就是深度學(xué)習(xí)里的強(qiáng)化學(xué)習(xí)。

參考

1. 動畫科普AI Agent
2. AI Agent（或者LLM Agent）深度講解
3. LLM Powered Autonomous Agents
4. AI Agent，為什么是AIGC最后的殺手锏？