从零开始搞懂 AI Agent

一、AI Agent 的本质 —— 从 “听话” 到 “主动”

1.1 AI Agent 和普通 AI 的区别

• 普通 AI：被动执行单一指令，如 “你问我答”。
• AI Agent：主动规划多步操作达成目标，如 “接受研究任务后自主搜索、分析并输出报告”。

对比示意图：

案例：研究 “AI Agent 定义” 时，AI Agent 会自主搜索论文、抽取定义、对比差异并生成报告。

1.2 AI Agent 的定义和工作循环

工作循环框架：

• 目标：人类给定的终点（如 “赢围棋”）。
• 观察：感知当前环境（如 “棋盘棋子位置”）。
• 行动：根据观察结果执行操作（如 “落子”）。
• 循环：持续调整策略直至目标达成。

案例：AlphaGo 通过 “扫描棋盘→计算落子→对手回应→再观察” 的循环实现自主对弈。

1.3 与强化学习（RL）的关联

• 传统 AI Agent：依赖 RL 训练（如 AlphaGo 通过赢棋奖励优化模型），但任务泛化能力差。
• 现代 AI Agent：基于大型语言模型（LLM），无需重新训练即可处理多种任务。

二、AI Agent 的 “新灵魂”—— 大型语言模型（LLM）

2.1 LLM 如何变身 AI Agent？

工作流程：

1. 目标输入：文字描述目标（如 “帮我下赢围棋”）。
2. 环境转换：将环境信息转为文字 / 图片（如 “黑子在 A1，白子在 B2”）。
3. 行动输出：LLM 生成文字指令（如 “在 C3 落子”），由系统执行。
4. 循环优化：根据环境变化调整策略。

2.2 LLM 做 Agent 的优缺点

优点：

• 灵活性：支持文字描述的各类任务（如编程、数据分析）。
• 无需预设奖励：直接根据反馈调整（如代码报错后自动修正）。
• 行动空间广：可输出任意文字指令（如调用工具、生成方案）。

缺点：

• 可靠性不足：可能生成错误或不合理的指令（如象棋中 “兵走成马”）。
• 依赖环境描述：信息不清晰时易出错（如模糊的棋盘状态描述）。

三、AI Agent 的三大关键能力

3.1 根据经验调整行为

核心机制：通过 “上下文学习” 利用历史反馈优化行动。

• 案例：
  • 输入：“写加法函数” → 输出：def add(a, b): return a + b（缺类型）。
  • 反馈：“b 未定义类型” → 新输出：def add(a: int, b: int) -> int: return a + b。

挑战与解决方案：

• 记忆爆炸：通过 Write（筛选关键反馈）、Read（RAG 检索相关经验）、Reflection（总结策略） 管理记忆。

经验学习循环图：

3.2 使用工具

工具的作用：弥补 LLM 能力短板（如查天气、执行代码）。
调用流程：

1. 工具定义：告知 LLM 工具用法（如Temperature(地点, 时间)）。
2. 问题输入：“今天台北多热？” → 生成指令：[Tool] Temperature(台北, 现在)。
3. 结果整合：工具返回 “28°C” → 输出回答。

常用工具：搜索引擎、代码执行器、API 接口（如天气、图像识别）。
挑战：工具过多时通过 工具选择模块（RAG 检索匹配） 优化调用。

3.3 做计划

规划能力：将目标拆解为有序步骤（如 “成为百万订阅 YouTuber”→选主题→优化标题→制作视频）。
提升方法：

• 试错法（Tree Search）：生成多分支路径，剪除低效选项。
• 脑内模拟（World Model）：预演行动后果（如模拟网页点击流程）。
• 工具辅助：复杂限制（如预算、时区）调用专业求解器。

规划核心流程图：