初识智能体

何为智能体专用自动化工具转向构建能自主解决问题的系统。核心不再是编写代码而是引导一个通用的“大脑”去规划、行动和学习。智能体的工作流规划与推理智能体首先会将这个高层级目标分解为一系列逻辑子任务工具使用在执行规划时智能体识别到信息缺口会主动调用外部工具来补全。动态修正在交互过程中智能体会将用户的反馈视为新的约束并据此调整后续的行动重新搜索并推荐符合新要求的选项。展现了其根据上下文动态修正自身行为的能力。智能体的类型基于内部决策架构的分类和时间与反应性的分类反应式智能体(Reactive Agents)其核心优势在于速度快、计算开销低这在需要快速决策的动态环境中至关重要。规划式智能体(Deliberative Agents)评估不同行动序列的后果以期找到一条能够达成目标的最佳路径 。混合式智能体(Hybrid Agents)它旨在结合两者的优点实现反应与规划的平衡。基于知识表示的分类符号主义 AISymbolic AI其主要优势在于透明和可解释。亚符号主义 AISub-symbolic AI知识并非显式的规则而是内隐地分布在一个由大量神经元组成的复杂网络中是从海量数据中学习到的统计模式。神经符号主义 AINeuro-Symbolic AI是融合两大范式的优点智能体的构成与运行原理任务环境的PEAS模型-- 用来精确描述一个任务环境性能度量(Performance)环境(Environment)执行器(Actuators)传感器(Sensors)体现在对智能体每一次输出的结构化定义上。智能体的输出不再是单一的自然语言回复而是一段遵循特定格式的文本其中明确地展示了其内部的推理过程与最终决策。这个结构通常包含两个核心部分Thought (思考)这是智能体内部决策的“快照”。它以自然语言形式阐述了智能体如何分析当前情境、回顾上一步的观察结果、进行自我反思与问题分解并最终规划出下一步的具体行动。Action (行动)这是智能体基于思考后决定对环境施加的具体操作通常以函数调用的形式表示。Thinkingagent的构建本质上是对大模型添加更多已知量的补充给他增加了些得到现实世界的补充然后再去处理这些现实中的信息 。我们需要做的是如何构建好LLM获取现实中的信息。相同的promot豆包的结果是图一根据这个课程里的代码效果如图二代码在文章的最底部有。智能体应用的协作模式高效工具深度融入我们的工作流AI编程辅助工具自主的协作者与其他智能体协作完成复杂目标它标志着我们与 AI 的关系从“命令-执行”演变为“目标-委托”自主智能体单智能体自主循环其核心是一个通用智能体通过“思考-规划-执行-反思”的闭环多智能体协作角色扮演式对话组织化工作流高级控制流架构更侧重于为智能体提供更强大的底层工程基础Workflow和Agent的差异Workflow 是让 AI 按部就班地执行指令而 Agent 则是赋予 AI 自由度去自主达成目标。工作流是一种传统的自动化范式其核心是对一系列任务或步骤进行预先定义的、结构化的编排。基于大型语言模型的智能体是一个具备自主性的、以目标为导向的系统。Agent的自主性规划与工具调用推理与决策生成结果这种基于实时信息进行动态推理和决策的能力正是 Agent 的核心价值所在。代码仓库