AI 科普 | 关于AI智能体必须掌握的20个核心概念

Agent（智能体）是指能够感知环境并采取行动以实现特定目标的代理体。它可以是软件、硬件或一个系统，具备自主性、适应性和交互能力。智能体通过感知环境中的变化（如通过传感器或数据输入），根据自身学习到的知识和算法进行判断和决策，进而执行动作以影响环境或达到预定的目标。

Env（环境）即是Environment，是智能体所处的外部系统，它与智能体交互。环境的状态可能对智能体可见(如游戏中的棋盘状态)，也可能对智能体不可见(如对手的策略)。例如:在无人驾驶中智能体是无人驾驶系统，环境则是汽车本身、其他的汽车及建筑等。

Tools（工具）是智能体感知环境、执行决策的辅助手段，如API调用、插件扩展等。举个例子，我们可以通过接入外部工具(如API、插件)扩展智能体的能力，如ChatPDF解析文档、Midiourney文生图等等。

State（状态）是环境中所有可观察和不可观察变量的完整表示，包括了环境内部的所有信息。在理想情况下，状态应该包含足够的信息以让智能体做出最优决策。状态类似于其他机器学习模型中的特征向量，是强化学习算法决策的依据。

Perception（感知）就像智能体的眼睛与耳朵，是AI智能体与外部环境进行交互的第一步。通过感知，智能体获得环境状态的信息。例如在物流仓储领域，感知系统被广泛应用于自动化分拣系统、输送线等设备中，能够精准地检测货物的位置、大小和形状，确保物流过程顺畅高效。在汽车制造领域，感知系统为焊接、装配、质量检测等环节提供数据支持，确保汽车制造的精度和一致性。

Learning Loop（循环学习）是指智能体借助构建的闭环流程来不断优化自身性能与决策能力的机制。具体而言，AI智能体采取行动后，会收集关于该行动结果的相关信息，比如智能体执行某个决策后所产生的环境变化数据，或任务完成效果的评价指标等。通过反馈信息微调智能体背后的模型参数，优化其知识储备结构，或者调整智能体认知决策层中的不同决策依据权重等，让智能体可以根据新的情况不断自我演进，使其在后续面对类似或全新的任务、场景时，能做出更合理、高效的决策。

React（框架）是一种开创性范式，首次将AI的内部推理过程与外部行动相结合。比如，它证明了让语言模型“大声思考”并在环境中决策/行动，比单独进行其中一种操作更能有效解决问题。然而，随着任务变得愈加复杂和冗长，受框架约束的智能体会在记忆和规划深度方面遇到限制。

Knowledge Base（知识库）用于存储和检索智能体在回答问题或执行任务时所需的信息。包括存储特定领域的知识、存储长期记忆（记住用户偏好、历史对话等）、增强大语言模型能力（提供额外的上下文，提高智能体的回答准确性等）。知识库的类型通常包括：结构化知识库、非结构化知识库、向量数据库。

Memory（记忆）即信息存储与回忆，包括短期记忆和长期记忆。两种实现方式如下：短期记忆用于存储会话上下文，支持多轮对话；长期记忆则存储用户特征、业务数据等，通常通过向量数据库等技术实现快速存取。

Chain of Thought（思维链）在人工智能领域是一个非常非常新的概念。AI智能体之所以会有了人一样的意识，就是因为展现了强大的逻辑推理能力，而推理能力的关键在于思维链。这是一种学者们发现的能够激发大模型通过“思考”来回答困难问题的技术，旨在将逻辑较为复杂的问题进行拆解，通过一系列有逻辑关系的思考，形成完整的思考的过程，通过向大语言模型展示少量的样例，并通过这些样例解释推理过程，让大语言模型学会在生成答案时展示推理过程，并引导其得到更准确的答案。

Orchestration（编排）是对多个自主人工智能智能体进行结构化管理和协调，以实现共同目标。与孤立运行的单个智能体不同，智能体编排将它们集成到一个统一的系统中，使它们能够高效地通信、交换信息，并协作处理复杂任务。其关键在于实现人工智能组件之间的无缝集成，确保它们协同工作。

Evaluation（评估）特指对智能体的性能、行为、决策质量或任务完成效果进行系统性衡量与分析的过程。其核心目的在于，判断智能体是否能有效实现设计目标，识别其能力边界与缺陷，为优化迭代提供依据。

Swarm（群体）智能研究起源于对蚁群、蜂群等简单社会性生物群体行为的观察与模拟。而智能体中的群体智能是一个实验性的多智能体框架，由OpenAI开发，旨在简化多智能体系统的构建、编排和部署工作。群体智能的关注的重点是让智能体协作和执行变得轻量、高度可控且易于测试。

Handoffs（交接）是智能体之间的一种协作机制，允许智能体在必要时将任务或对话转交给更合适或专业的智能体处理。目的是确保任务能够高效、准确地完成，同时提升系统的整体灵活性和适应性。

Planning（规划）是智能体的思维模型，负责拆解复杂任务为可执行的子任务，并评估执行策略。通过大模型提示工程(如ReAct、CoT推理模式)实现，使智能体能够精准拆解任务，分步解决。

Action（行动）是智能体将规划与记忆转化为具体输出的过程，包括与外部环境的互动或工具调用。智能体根据规划与记忆执行具体行动，如智能客服回复、查询天气预报、AI机器人抓起物体等。

LLM（大语言模型）全称是Large Language Models，当我们谈论大型语言模型时，通常指的是一种能够以类似人类语言的方式“说话”的软件——它们能够获取上下文并生成不仅连贯而且感觉像是来自真实人类的回复。这些语言模型通过分析大量的文本数据并学习语言使用的模式来工作，它们利用这些模式生成的文本几乎无法与人类所说或写的内容区分开来。

Reflex Agent（反射型智能体）就是指在特定动作或条件触发时运作，这类AI智能体完全依赖预设规则集进行响应，在决策过程中不考虑历史经验，因此仅适用于执行无需战略思维的简单任务。

Multi-Agent System（多智能体）系统是一种全新的分布式计算技术，是由在一个环境中交互的多个智能体组成的计算系统，能被用来解决分离的智能体以及单层系统难以解决的问题。多智能体系统自20世纪70年代出现以来得到迅速发展，已经成为一种进行复杂系统分析与模拟的思想方法与工具。

Agent Debate（智能体辩论）模式是一套极县创新性的协作架构。该模式的完整工作流程可分为五个关键阶段：任务分发，首轮求解，多轮辩论，结果汇总，群体决策。它通过模拟人类辩论的多轮交互机制，让智能体在观点碰撞中迭代优化结论，最终通过群体决策输出高质量结果。