Agent基本概念和原理

什么是AgentAgent和大模型有什么本质的区别 Agent的核心就是抓住自主闭环。它本质上是一个可以主动完成用户提出的问题的AI系统就是能够主动实现目标的AI系统。Agent和传统AI的核心差距就是Agent有主动性并且能做出相应的行动。传统AI是用户提出一个问题他就对应回答一个问题每个问题之间都是独立的就是一个对话系统没有上下文没有记忆的能力而且没有自主行动的能力。例如你让他生成一个聊天机器人并且把这个机器人放到磁盘中的指定文件夹中这个传统的AI是无法实现的它只能给你生成对应业务的代码其他要求他是无法实现的而对于Agent而言是可以实现上述所说的要求的他有自己的规划能力了可以把用户提出的复杂的要求进行一步步拆解成多个步骤进行实现通过自主思考和调用工具一步步来实现目标。对于传统AI而言只会输出文字就相当于是文本生成器而Agent不仅仅能生成 文字它还能真正做出实际的动作其实在基本概念和原理这一部分网上很多的文档资料讲的都挺好的都差不多个人看法普通大模型和Agent比有什么局限性呢普通大模型本质上就是一个问答机器人不会主动去执行任务不能做出真正的执行动作不能预测下一步要执行什么工作不能对上文的内容有记忆。而且因为普通的大模型不能去调用工具获取实时的信息所以他的知识是有局限性的因为他的知识是根据他的最晚的训练时间来决定的。加入现在是26年4月但是他的最晚的训练时间是25年12月那么我们要查询某一个股票的股价它只能给出25年12月的股价无法获取最新的数据所以说普通的llm他的知识是死的没有主动学习的能力把普通llm比喻成人就是没有手脚且大脑发育不完全。即无法进行深入的对问题进行剖析和不能真正去执行动作Agent有什么优势为什么能打倒普通的llm首先Agent的核心就是运作闭环直到实现了最终的目标就停止这个闭环给出结果感知-规划-再感知例如输入一个目标调查市面上多个手机品牌的旗舰手机的对比并且整理成报告。它不会直接生成一大段文字首先做的是对这个目标进行拆解进行任务拆解要调用什么工具去访问什么网站然后一步步执行最终返回结果给出反馈继续去思考下一步又该如何执行要实现这种功能有三大核心工具调用、记忆机制、推理和纠错一工具调用这是从所谓的文本生成器不能真正执行的普通大模型变成可以做实事的Agent的关键。Agent可以调用外部的工具例如搜索引擎、代码执行器、数据库、调用API。需要注意一个点不是大模型自身去调用这些工具而是大模型去思考应该要调用什么工具然后在代码中去实现这些逻辑在代码中进行调用然后给出结果进行反馈给大模型再去思考下一步该如何去做。大模型就是大脑用于思考的。那么现在可以调用工具就相当于是有了手脚了脑子手脚并用必然更高级了例子给Agent配备两个工具查询指定城市的天气和推荐该城市旅游景点用户问题查询指定城市的天气然后推荐一个符合该天气的旅游景点# 首先先定义这两个工具但实际上是直接调用对应的api即可 # 就是说明白这两个技能需要什么参数是什么格式 # 这里并没有具体的执行逻辑只是告诉大模型你有这些功能需要什么参数 tools [ { name : get_weather, description : 获取指定城市的当前天气, parameters : { type : object, properties : { city : {type : string , description : 城市名称}, required : [city] } }, { name : get_view, descripyion : 给出该城市合适的景点, parameters : { type : object, properties : { weather : {type : string, description : 指定城市的天气} view : {type : string , description : 景点名称}, required : [cityview] } } } } ]告诉Agent需要查询北京的天气并且推荐一个该天气下的在北京合适游玩的景点Agent会把这个任务进行拆解一步步去执行调用get_weather(city北京)-晴天15摄氏度调用get_view(weather北京晴天 , view故宫)这段代码不存在执行逻辑就是一个工具说明书说明这个大模型具有什么样的功能「工具名字、参数、描述」。然后会把决策以JSON格式告诉你真正执行的还是代码在前面也说过了决策和执行分离二记忆机制因为不是执行了一次完整的步骤就能完全实现目标的所以还需要让Agent能够记住每次执行后得到的结果反馈。三多步推理和自我纠错如果在执行某一步任务的过程中出错了不会像代码执行器一样直接崩掉他会分析原因换另外一种合适的方式再去进行执行能够边反思边做