1概念
在计算机、人工自动专业技术畛域，普通将Agent译为“自动体”，其定义是在必定的环境中表现出自治性、反响性、社会性、预动性、思辨性（慎思性）、认知性等一种或多种自动特色的软件或配件实体。AI Agent则是指由LLM驱动的自动体。目前它还没有一个被宽泛接受的定义，但咱们可以把它形容成这样一个系统：应用LLM推理疑问，能自行创立处置疑问的方案，会借助一系列工具来执行方案。
简而言之，AI Agent是一个具备复杂推理才干、记忆力以及执行义务才干的系统，如下图所示：
AI Agent由以下**组件导致：
中央协调模块，治理**逻辑和自动体行为特点，能启动关键决策。咱们须要在这里定义以下内容：
自动体的总体目的自动体要达成的总体目的和目的。
执行工具自动体可以经常使用的一切工具的冗长列表（或“用户手册”）。
如何经常使用方案模块的解释说明详细说明不同方案模块的作用，以及在什么状况下经常使用。
相关记忆这是一个灵活局部，填充与用户过往对话中最相关的内容。“相关性”是依据用户提出的疑问判别的。
自动体共性（可选）假设要求LLM倾向于经常使用某些类型的工具，或许在最终照应里展现某些特点，则可以将所需共性形容分明。
下图是一个求解用户疑问“2024财年Q1与Q2之间，利润增长了多少？”的揭示模板：
当把揭示输入给LLM后，LLM做出的决策是须要经常使用搜查工具：
记忆模块表演十分关键的作用，记载了自动体外部日志以及和用户交互历史。有2种类型的记忆模块：
短期记忆自动体尝试回答用户提出的单个疑问而经验的思索和执行。通常就是揭示工程中的高低文，超越高低文的限度后，LLM就会遗记之前输入的信息。
常年记忆用户和自动体交相互关的行为和想法，蕴含跨度数周或数月的对话记载。通常是一个外部的向量库，可以简直有限地保管和极速取回历史信息。
记忆模块不只须要基于语义相似性的检索。通常，综合评分由语义相似性、关键性、早先水平，以及其它特定目的导致。记忆模块用于检索特定信息。
工具集是定义明白的可执行上班流，自动体经常使用它们来执行义务。通常，工具集就是专门的第三方API。
例如，自动体可以经常使用RAG（检索增强生成）依据高低文生成答案；经常使用代码解释器（如Python脚本解释器）来编程求解复杂义务；经常使用API从互联网搜查信息；或许经常使用任何便捷的API服务，如经常使用天气API失掉天气预告、经常使用即时信息API收发信息。
复杂的疑问，例如剖析一组财务报表以回答下层业务疑问，通常须要墨守成规的方法。关于由LLM驱动的自动体，方案才干实质是Prompt Engineering（揭示工程）很多初级玩法的初级通常。可以经过经常使用两种技术的组合来应回答杂疑问：
义务和疑问合成
复合疑问或推断信息须要某种方式的合成。例如这个疑问“2024财年Q1与Q2之间，利润增长了多少？”
该疑问可以合成为多个子疑问：
“Q1的利润是多少？”
“Q2的利润是多少？”
“上述两项结果之间的差是多少？”
专门的AI Agent必定能主导这种合成，例如驳回上方的揭示模版：
当填入详细疑问输入给LLM后，LLM会做出疑问拆解结果的照应：
反思或批评
ReAct（推理和举措协同）、Reflexion（反思）、Chain of Thought（思想链）和Graph of Thought（思想图）等技术已成为基于批评或基于证据的揭示框架。它们已被宽泛用于提高LLM的推理才干和照应才干。这些技术还可用于提升自动体生成的执行方案。
例如LangChain自动体框架允许的ReAct，即Reason+Act形式，把复杂疑问拆开，有些缺少的内容经过工具从外部失掉，而后补充到疑问回答里。
ReAct的揭示模版普通蕴含这些内容的屡次重复：
举例疑问“除了Apple Remote之外，还有什么设备可以控制Apple Remote原生设计用来交互的程序？”
ReAct会按如下的步骤思索和执行：
这个环节如下图所示：
2应战
基于LLM去构建Agent，目前也有一系列应战 :
有限的高低文长度限度了对历史信息、详细指令、API调用高低文、API照应的容纳量。Agent的系统设计必定在有限的通讯带宽中上班。与之矛盾的是，像“自我反思”这种机制若想要取得更好的成果，则须要更长甚至有限的高低文窗口。只管向量存取能提供访问更大常识库的才干，但它的表现力并不像高低文内的留意力机制那么弱小。
在针对常年历史做方案、有效地探求处置疑问时，Agent还面临应战。LLM在面对未知失误时，调整方案显得十分困难。和人类从失败经验中学习相比，LLM还不够弱小。
的Agent体系十分依赖经常使用人造言语作为LLM和外部组件（比如记忆和工具）的接口。但是，LLM自身的输入是存有疑虑的，LLM经常犯语法格局失误，也时常发生违抗表现（比如不遵循用户指令）。致使于很多Agent都在解析模型输入上花了很多功夫。
3展望
生成式AI的自动反派演变至今，人类与AI协同发生了三种形式：
在Agents（自动体）形式下人类设定目的和提供必要的资源，而后AI独立地承当大局部上班，最前人类监视进程以及评价最终结果。这种形式下，AI充沛表现了自动体的互动性、自主性和顺应性特色，凑近于独立的执行者，而人类则更多地表演监视者和评价者的角色。Agents形式相较于Embedding（嵌入）形式、Copilot（副驾驶）形式无疑更为高效，或将成为未来人机协同的关键形式。
AI Agent是人工自动成为基础设备的关键推进力。回忆技术开展史，技术的止境是成为基础设备，比如电力成为像空气一样不易被人们发觉，但是又必无法少的基础设备，还如云计算等。简直一切的人都认同，人工自动会成为未来社会的基础设备。而自动体正在促使人工自动基础设备化。AI Agent能够顺应不同的义务和环境，并能够学习和提升其性能，使得它可以被运行于宽泛的畛域，进而成为各个行业和社会优惠的基础撑持。
参考文献
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]