編者按： 當(dāng)前大熱的大語(yǔ)言模型和檢索增強(qiáng)生成模型，雖然在語(yǔ)言理解和內(nèi)容生成方面取得了突破性的進(jìn)展，但仍然存在諸多限制。它們?nèi)狈Ω鶕?jù)目標(biāo)導(dǎo)引行為、持續(xù)學(xué)習(xí)和與環(huán)境交互的能力，難以應(yīng)對(duì)復(fù)雜多變的現(xiàn)實(shí)場(chǎng)景需求。

今天為大家?guī)?lái)的這篇文章，作者的觀(guān)點(diǎn)是人工智能領(lǐng)域正朝著開(kāi)發(fā)更智能、更自主的 AI Agent 系統(tǒng)邁進(jìn)，這將徹底改變我們使用人工智能的方式。

作者相信人工智能的未來(lái)必將呈現(xiàn)出更智能、更自主的 AI Agent 形態(tài)。這種新型人工智能系統(tǒng)不再是簡(jiǎn)單的語(yǔ)言模型，而是集成了推理引擎、知識(shí)庫(kù)、工具集成等多種能力于一體，能夠深入理解環(huán)境、制定目標(biāo)并自主采取行動(dòng)，從而在諸多領(lǐng)域大顯身手。我們有理由相信，AI Agent 將成為人工智能發(fā)展的新引擎，并最終改變?nèi)祟?lèi)的工作和生活方式。

本文對(duì) AI Agent 這一概念進(jìn)行了較為全面的解讀，讓我們一同認(rèn)識(shí) AI Agent ，認(rèn)清發(fā)展趨勢(shì)，做好迎接未來(lái)的準(zhǔn)備。

作者 | Aniket Hingane

編譯 | 岳揚(yáng)

生成式 AI 只是人工智能發(fā)展的開(kāi)端，未來(lái)可能會(huì)出現(xiàn)更先進(jìn)的 AI 智能體系統(tǒng)（AI Agent），我們應(yīng)當(dāng)重視 Andrew Ng（譯者注：Andrew Ng 是斯坦福大學(xué)計(jì)算機(jī)科學(xué)系和電氣工程系的客座教授，曾任斯坦福人工智能實(shí)驗(yàn)室主任。他與達(dá)芙妮·科勒一起創(chuàng)建了在線(xiàn)教育平臺(tái)Coursera。）、Andrej Karpathy （譯者注：Andrej Karpathy 是一名斯洛伐克裔加拿大計(jì)算機(jī)科學(xué)家，曾擔(dān)任特斯拉人工智能和自動(dòng)駕駛視覺(jué)總監(jiān)。他曾任職于OpenAI，專(zhuān)門(mén)研究深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)。）等 AI 領(lǐng)域權(quán)威人士對(duì)于這一趨勢(shì)的分析和看法。

01 本文主題

人工智能的未來(lái)將會(huì)是 Agentic（譯者注：能夠像人類(lèi)一樣，根據(jù)環(huán)境、知識(shí)和目標(biāo)來(lái)自主進(jìn)行決策和做出相應(yīng)行為。）！本文將探討什么是 AI Agents ，并梳理 AI 行業(yè)內(nèi)部對(duì)這一概念的理解和定義。

文章的核心內(nèi)容是闡釋和探索 “AI Agents” 這一概念，這種技術(shù)將在決定和影響未來(lái)發(fā)展方向上變得越來(lái)越關(guān)鍵。期望讀者能通過(guò)閱讀本文對(duì) “AI Agents” 有一個(gè)全方位的認(rèn)識(shí)，不僅掌握它們的基本特性，還能了解到它們是如何被運(yùn)用于各種行業(yè)場(chǎng)景中的。接下來(lái)，本文將展開(kāi)討論這些內(nèi)容。

02 為何不容錯(cuò)過(guò)本文？

我相信本文的內(nèi)容你絕不會(huì)想錯(cuò)過(guò)的——因?yàn)?strong>當(dāng)前正處于一個(gè)工作模式和工作環(huán)境快速變化的關(guān)鍵時(shí)期。

人工智能領(lǐng)域正不斷發(fā)展，不再局限于狹窄、專(zhuān)業(yè)化的應(yīng)用模型，而是朝著創(chuàng)造高度智能、較為自主的 AI Agent 這一技術(shù)方向前進(jìn)。 這些 Agent 能夠在大多數(shù)領(lǐng)域中真正幫助人類(lèi)提高思維能力、工作效率或解決問(wèn)題的能力，實(shí)現(xiàn)與人類(lèi)智能的有效互補(bǔ)和增強(qiáng)。

閱讀本文，我十分相信你將理解為什么整個(gè) AI 領(lǐng)域都傾向于開(kāi)發(fā) advanced AI agents ，這些 Agent 有可能徹底改變我們處理和利用人工智能的方式。

無(wú)論您是對(duì)人工智能有著豐富經(jīng)驗(yàn)的“老鳥(niǎo)”，還是剛踏入這個(gè)領(lǐng)域的“菜鳥(niǎo)”，了解 AI Agent 的發(fā)展軌跡對(duì)于保持信息暢通和積極參與未來(lái)的變革之旅都至關(guān)重要。

若你想要探究以下內(nèi)容，本文必定不容錯(cuò)過(guò)：

• 洞悉行業(yè)革新路徑：洞悉 AI Agent 將如何革新各行各業(yè)及個(gè)人職業(yè)生涯？
• 成為 Agent 的先行者：掌握創(chuàng)建并用好 AI Agent 的秘訣。
• 突出重圍，搶占高地：在瞬息萬(wàn)變的科技浪潮中不掉隊(duì)，甚至成為 AI Agent 時(shí)代的“弄潮兒”。

03 LLMs 和 RAG 不好用嗎，為什么還需要 AI Agent 呢？

盡管大語(yǔ)言模型（LLMs）和檢索增強(qiáng)生成（RAG）模型已經(jīng)極大地?cái)U(kuò)展了我們?cè)谡Z(yǔ)言生成任務(wù)方面所能達(dá)到的界限。但是 AI Agent 強(qiáng)調(diào)的是綜合智能，包括但不限于決策制定、環(huán)境交互和跨領(lǐng)域的知識(shí)應(yīng)用，這樣的智能系統(tǒng)能夠適應(yīng)更復(fù)雜的任務(wù)需求，并在與人的交流合作中展現(xiàn)出更強(qiáng)的靈活性和實(shí)用性。

AI Agent 之所以不可或缺，歸結(jié)于幾個(gè)核心因素：

• 根據(jù)目標(biāo)任務(wù)導(dǎo)引行為（Goal-oriented behavior）：大語(yǔ)言模型（LLMs）與檢索增強(qiáng)生成模型（RAG）的主要任務(wù)是根據(jù)訓(xùn)練數(shù)據(jù)中的 patterns （譯者注：指代算法在訓(xùn)練過(guò)程中從大量輸入數(shù)據(jù)中學(xué)習(xí)到的常規(guī)性特征或規(guī)律，在此處應(yīng)當(dāng)是指語(yǔ)言模型通過(guò)分析文本學(xué)習(xí)到的詞匯使用、句法結(jié)構(gòu)或語(yǔ)境含義的規(guī)律。）創(chuàng)造出類(lèi)似人類(lèi)創(chuàng)造的文本內(nèi)容。盡管如此，它們?cè)陟`活且智能地設(shè)定和追求具體目標(biāo)等方面仍存在一定的劣勢(shì)。反之，AI Agent 則能夠被設(shè)計(jì)為具備清晰目標(biāo)，并能夠策略性地規(guī)劃和采取行動(dòng)，實(shí)現(xiàn)既定目標(biāo)。
• 記憶和狀態(tài)跟蹤的能力（Memory and state tracking）：目前大多數(shù)語(yǔ)言模型并不具備持續(xù)記憶或跟蹤狀態(tài)的功能，每個(gè)輸入信息（input）都會(huì)被單獨(dú)處理，不會(huì)考慮前后關(guān)聯(lián)。相比之下，AI Agent 設(shè)計(jì)有 internal state （譯者注：Agent 在運(yùn)行過(guò)程中維護(hù)的一種數(shù)據(jù)結(jié)構(gòu)，存儲(chǔ)了到目前為止處理的所有信息和過(guò)去的經(jīng)驗(yàn)。能夠表現(xiàn)出某種形式的記憶能力，基于過(guò)去的信息來(lái)影響當(dāng)前的決策或輸出。）維護(hù)機(jī)制，能夠不斷積累知識(shí)，并運(yùn)用這些累積的 state 信息為后續(xù)的決策（decisions）和行為（actions）提供依據(jù)，實(shí)現(xiàn)更加智能化的 AI 系統(tǒng)運(yùn)作模式。
• 與環(huán)境進(jìn)行互動(dòng)的能力（Interaction with the environment）：大語(yǔ)言模型（LLMs）的工作局限于文本范疇，一般不涉及與物理現(xiàn)實(shí)世界的直接互動(dòng)。相比之下，AI Agent 能夠感知并干預(yù)它們所處的環(huán)境，無(wú)論是數(shù)字世界（digital world）、機(jī)器人系統(tǒng)（robotic systems），乃至通過(guò)傳感器（sensors）與執(zhí)行元件（actuators）感知的真實(shí)物理世界。
• 知識(shí)遷移與場(chǎng)景泛化（Transfer and generalization）：雖然 LLMs 擅長(zhǎng)與其訓(xùn)練數(shù)據(jù)類(lèi)似的語(yǔ)言任務(wù)，但它們往往難以將知識(shí)遷移到全新的領(lǐng)域或任務(wù)中。而 AI Agent ，憑借其學(xué)習(xí)、推理及策略規(guī)劃的綜合能力，有能力更好地將知識(shí)遷移和推廣應(yīng)用到新的場(chǎng)景中。
• 長(zhǎng)期學(xué)習(xí)能力（Continual learning）：大多數(shù)語(yǔ)言模型一旦訓(xùn)練完畢，其狀態(tài)就會(huì)趨于靜態(tài)固定。而 AI Agent 則可以在與新環(huán)境進(jìn)行交互和不斷處理新情況的過(guò)程中，邊學(xué)習(xí)邊優(yōu)化自身知識(shí)體系與掌握的技能。
• 多領(lǐng)域任務(wù)處理能力（Multi-task capability）：LLMs 通常是針對(duì)特定語(yǔ)言任務(wù)（比如文本生成、機(jī)器翻譯等）而專(zhuān)門(mén)設(shè)計(jì)的，它們的能力比較專(zhuān)一。而 AI agents 則可以被設(shè)計(jì)為通用的、多任務(wù)的 AI 系統(tǒng)，擅長(zhǎng)無(wú)縫融合語(yǔ)言處理、邏輯推理、感知理解及控制操作等多種技能，來(lái)與人類(lèi)一同應(yīng)對(duì)那些既繁復(fù)又多元的難題。

04 AI Agent 將如何改變世界？

假定你正在規(guī)劃一次行程繁復(fù)的旅行：

LLM：能為你介紹各色旅游景點(diǎn)，或分享一些旅行小貼士。

RAG：擅長(zhǎng)尋找、挖掘關(guān)于旅行??目的地的精彩博客與深度文章。

AI Agent：在此基礎(chǔ)之上，更能：

• 根據(jù)你的旅行預(yù)算精挑細(xì)選航班與住宿信息
• 一鍵完成所有預(yù)訂流程
• 自動(dòng)整合個(gè)人旅行行程至個(gè)人日歷
• 出發(fā)前搭配相關(guān)溫馨提醒，附上必備資訊，確保無(wú)憂(yōu)出行。

05 清晰理解 LLM、RAG 和 AI Agent 等概念

1. 任務(wù)導(dǎo)向（Task Orientation） vs. 通用知識(shí)（General Knowledge）

• LLM：在語(yǔ)言理解和內(nèi)容生成方面表現(xiàn)出色，堪比包羅萬(wàn)象的信息寶庫(kù)。
• RAG：通過(guò)查找、搜尋相關(guān)關(guān)鍵信息來(lái)增強(qiáng) LLMs 的能力，但其重點(diǎn)仍聚焦于知識(shí)整合與文本內(nèi)容創(chuàng)造。
• AI Agent：因?qū)崿F(xiàn)特定任務(wù)而生，能夠在理解語(yǔ)言和在現(xiàn)實(shí)世界或數(shù)字系統(tǒng)中采取行動(dòng)之間架起一座橋梁。

2. 環(huán)環(huán)相扣的多步邏輯推理

• LLM 和 RAG：通常聚焦于單個(gè)輸入（input）的即時(shí)解析與反饋。
• AI Agent：能步步為營(yíng)，執(zhí)行復(fù)雜任務(wù)鏈條。

• 首先，檢索信息（類(lèi)似 RAG 策略）
• 繼而，處理信息，并基于這些信息做出決策
• 最后，付諸行動(dòng)，例如：

• 發(fā)送電子郵件
• 自動(dòng)預(yù)約服務(wù)
• 智能家居設(shè)備操控

3. 掌握主動(dòng)權(quán)

• LLM 和 RAG：通常僅對(duì) prompt 直接做出回應(yīng)。
• AI Agent：可以主動(dòng)行動(dòng)、操作。它們能夠：

• 監(jiān)控?cái)?shù)據(jù)流，并提醒出現(xiàn)的關(guān)鍵性變化
• 根據(jù)用戶(hù)偏好主動(dòng)行動(dòng)
• 隨著對(duì)用戶(hù)的了解加深，能夠?qū)W習(xí)并逐步調(diào)整行為，以便更好地符合用戶(hù)需求

4. 能夠與現(xiàn)有系統(tǒng)進(jìn)行集成

• LLM 和 RAG：傾向于在獨(dú)立環(huán)境中運(yùn)行。
• AI Agent：則被設(shè)計(jì)為與多種系統(tǒng)及 API 接口進(jìn)行對(duì)接：

• 可以無(wú)縫接入、訪(fǎng)問(wèn)用戶(hù)電子郵件或日程信息
• 能夠與數(shù)據(jù)庫(kù)進(jìn)行交互
• 調(diào)度管理用戶(hù)授予權(quán)限的軟件與硬件設(shè)備

06 AI Agent 架構(gòu)主要包含哪些核心要素？

AI Agent 擁有構(gòu)建一個(gè)能夠自主地理解環(huán)境、做出決策并執(zhí)行任務(wù)的 AI 系統(tǒng)所需的核心結(jié)構(gòu)元素和關(guān)鍵組成部分。通常涵蓋了以下幾個(gè)基本方面：

• 智能推理引擎（A Reasoning Engine）：AI Agent 的核心，通過(guò)利用強(qiáng)大的大語(yǔ)言模型（LLM）來(lái)深度理解自然語(yǔ)言、獲取知識(shí)并推理復(fù)雜問(wèn)題。
• 知識(shí)庫(kù)（Knowledge Base）：作為 AI Agent 的“大腦”，存儲(chǔ)著與任務(wù)相關(guān)的事實(shí)資料、過(guò)往經(jīng)驗(yàn)和執(zhí)行任務(wù)相關(guān)的個(gè)性化設(shè)定。
• 工具集成、聯(lián)結(jié)平臺(tái)（Tool Integration）：允許 AI Agent 通過(guò)應(yīng)用程序接口（API）與各種軟件應(yīng)用程序和服務(wù)進(jìn)行交互，從而擴(kuò)展其操縱和控制環(huán)境的能力廣度和深度。
• 環(huán)境感知模塊（Sensory Input）：為 AI Agent 裝備上感知周遭世界的“眼睛”和“耳朵”，從文本、圖像乃至各種感應(yīng)器中獲取實(shí)時(shí)數(shù)據(jù)。
• 人機(jī)交互界面（應(yīng)當(dāng)屬于其中的一個(gè)關(guān)鍵部分）：一座搭建在用戶(hù)與 AI Agent 之間的溝通橋梁，促進(jìn)與人類(lèi)用戶(hù)之間的無(wú)縫溝通和高效協(xié)作。（雖然目前尚無(wú)廣泛認(rèn)可的標(biāo)準(zhǔn)化用戶(hù)體驗(yàn)框架，但隨著技術(shù)的飛速進(jìn)步，出現(xiàn)一套更為成熟或普及的交互標(biāo)準(zhǔn)可計(jì)日而待。）

上述所提到的這些核心結(jié)構(gòu)元素共同構(gòu)成了一個(gè)能夠自主解決問(wèn)題的智能 AI 系統(tǒng)。AI Agent 能夠分析問(wèn)題，制定分步驟執(zhí)行的解決方案和行動(dòng)計(jì)劃，并且具備充分的能力和決心去實(shí)施其解決方案，從而使得它們成為人工智能領(lǐng)域內(nèi)一股變革性的新力量，有望推動(dòng) AI 向更高級(jí)階段邁進(jìn)。

Thanks for reading!

Aniket Hingane

Passionate about applying AI to practical uses,I simplify complex concepts & designs in concise articles, making complexity accessible one short piece at a time

END

本文經(jīng)原作者授權(quán)，由 Baihai IDP 編譯。如需轉(zhuǎn)載譯文，請(qǐng)聯(lián)系獲取授權(quán)。

原文鏈接：

??https://medium.com/@learn-simplified/why-entire-ai-field-is-headed-towards-ai-agents-a268ac9661ed??