为什么需要AI Agent

AI Agent 的应用价值

FSD(Full-Self Driving，完全自动驾驶)
AIGC应用需要经历的5个层级

• L1-Tool（工具）
• L2-Chatbot（聊天机器人）
• L3-Copilot（协同）
• L4-Agent（智能体）
• L5-Inteligence（智能）

AI Agent 的本质

AI Agent基础组件的组合被描述为认知架构（Cognitive Architecture），由模型（Model）、工具（Tool）和编排（Orchestration）组成，编排使用ReAct、CoT（Chain-of-Thought，思维链）、ToT（Tree-of-Thought，思维树）等方法进行推理。

AI Agent、RAG与Workflow的区别和联系

AI Agent 的历史与发展

从传统智能体到生成式AI Agent

传统智能体与生成式AI Agent 的本质区别在于是否使用了LLM。从传统智能体到生成式AI Agent的演进过程，可以主要分为4个时代，分别是规则时代、机器学习时代、LLM时代和AI Agent时代。通过这些时代的演进，智能体从简单的规则驱动系统发展到了高度自主、能够高效完成复杂任务的生成式AI Agent。

• 传统智能体：医疗专家系统MYCIN
• 机器学习时代：IBM Waston
• LLM时代：ChatGPT、Copilot
• AI Agent时代：Manus、AutoGPT

LLM-Agent 的兴起

基于LLM的自主AI Agent框架涵盖了角色定义、记忆、规划和行动4个关键部分，赋予了AI Agent强大的感知、思考、学习和决策能力。

• MaaS模型即服务

AI Agent的类别与特点

AI Agent主流分类

按决策机制分类

• 反应式智能体：工业PLC控制逻辑
• 目标驱动智能体：A-Star路径规划算法
• 效用驱动智能体：马尔可夫决策过程(MDP)
• 学习型智能体：DQN（深度Q网络）

按架构复杂度分类

• 简单反射智能体：规则引擎(Drools)
• 认知型智能体：Prolog推理引擎
• 混合架构智能体：ROS(机器人操作系统)

按协作方式分类

• 单智能体系统
• 多智能体系统：合同网协议(CNP)
• 联邦式智能体系统：联邦学习框架(FATE)

按前言技术原理分类

• 大模型驱动智能体
• 元学习智能体
• 因果推理智能体
• 具身智能体

AI Agent 的特点

• 自主性（Autonomy）
• 工具调用能力(Tool Invocation Capabitility)
• 动态适应性(Dynamic Adaptability)