4.7 KiB
7.4 Agent
7.4.1 什么是 LLM Agent？
LLM Agent，即基于大型语言模型（LLM）构建的智能代理，是一种能够自主进行推理、规划、行动并与环境交互的 AI 系统. 与传统的聊天机器人不同，LLM Agent 具备独立决策能力，能够利用各种工具，记住之前的交互信息，并执行复杂的任务流程，而这一切只需要最少的人工干预. 这种自主性使得 LLM Agent 非常适合处理需要多步骤推理和规划、与 API 和工具进行实时交互、感知环境变化并做出适应以及在不确定性下自主执行的任务。
例如，当用户提出“在中国合同违约可能有哪些法律后果？”这样的问题时，一个 LLM Agent 可以自主地完成以下步骤：搜索法律数据库，提取相关信息，总结案例，并最终呈现潜在的法律结果，而无需人工的逐步指导。
LLM Agent 的核心在于其能够像人类一样进行“链式思考”推理，理解问题解决的原理，并将复杂的任务分解为更小、更简单的步骤. 这种能力是通过提示模型逐步思考来实现的，并且可以通过让模型回顾自身过去的行动并纠正错误来进行改进。
一个设计完善的 LLM Agent 通常由四个关键模块组成：
- 大脑（核心 LLM）: 作为中央决策者，负责执行推理、规划和语言生成。
- 记忆: 用于存储和检索信息的模块，帮助 Agent 记住之前的交互和决策。
- 感知: 将输入（文本、图像、音频）转换为可理解的格式，使 Agent 能够观察和解释环境。
- 行动: 通过调用 API、与工具交互或生成文本/代码来执行决策，有时也包括具身行动（例如，在机器人具身只能技术中）
LLM Agent 通过将大型语言模型的强大语言理解和生成能力与规划、记忆和工具使用等关键模块相结合，实现了超越传统大模型的自主性和复杂任务处理能力，这种能力使得 LLM Agent 在许多垂直领域（如法律、医疗、金融等）都具有广泛的应用潜力。
7.4.2 LLM Agent 的类型
LLM Agent 可以根据其功能、设计和应用场景进行多种分类. 以下是一些常见的类型：
-
对话型 Agent (Conversational Agents): 这些 Agent 旨在与用户进行自然的对话，提供信息、回答问题并协助完成各种任务。它们依赖 LLM 来理解和生成类似人类的响应，例如客户支持聊天机器人和医疗保健聊天机器人.
-
任务型 Agent (Task-Oriented Agents): 这些 Agent 专注于执行特定的任务或实现预定义的目标。它们与用户交互以理解需求，然后执行操作以满足这些需求，例如 AI 助手和 HR 机器人. 任务型 Agent 能够分解复杂的目标，制定行动计划，并利用工具来完成任务. 它们通常用于自动化重复性工作流程，提高生产力.
-
创造型 Agent (Creative Agents): 这些 Agent 能够生成原创和创造性的内容，如艺术品、音乐或写作。它们使用 LLM 来理解人类的偏好和艺术风格，从而产生能引起受众共鸣的内容，例如内容生成工具和图像生成工具.
-
协作型 Agent (Collaborative Agents): 这些 Agent 与人类或其他 AI 协同工作以完成共同的目标或任务，促进团队成员之间或人机之间的沟通、协调与合作。LLM 可以通过协助决策、生成报告或提供见解来支持协作型 Agent，例如企业 AI Agent 和项目管理聊天机器人.
-
多模态 Agent (Multimodal Agents): 这些 Agent 不仅限于文本，还可以处理和生成各种格式的内容，包括音频、图像和视频。这种能力实现了更丰富和更具沉浸感的交互，例如能够解释视觉数据或根据文本描述生成图像的虚拟助手.
-
自主型 Agent (Autonomous Agents): 这些 Agent 被设计为以最少的人工干预运行，能够独立做出决策并执行操作。它们通常用于需要持续运行的环境中，例如处理重复性业务流程的机器人流程自动化机器人.
-
多 Agent 系统 (Multi-Agent Systems): 这些系统涉及多个 LLM Agent 协同工作，通过利用各种专业 Agent 的优势来处理复杂的任务。它们相互通信和协调以实现共同目标，例如一个 Agent 收集数据，另一个分析数据，第三个根据分析生成报告.
-
规则型 Agent (Rule-Based Agents): 这些 Agent 基于预定义的算法和严格的协议运行。它们遵循确定性原则，即某些输入会导致基于既定规则的特定响应。这些 Agent 在需要一致输出的情况下非常有效，例如客户支持或故障排除指南。然而，规则型 Agent 缺乏灵活性，难以处理超出其编程规则的情况.