学习地址1：https://pan.baidu.com/s/1ccnoXs_PCUg4eP5rSrD0UA 提取码：o0mu 学习地址2：https://pan.baidu.com/s/1-JYJ6dMkwgx0XWQnCM6Q0A 提取码: 2m68

AI Agent已成为企业在构建智能化的定制化需求、解决特定问题、提升竞争力、创造新商业机会的关键。无论你是否是LLM领域的开发者，都非常值得领先学习。我将通过本文给大家重点讲解关于AI Agent。

一、首先，我们先来认识AI Agent AI Agent，也称为人工智能体，是一种智能实体，它具备感知环境、进行决策和执行动作的能力。与传统人工智能不同，AI Agent能够独立思考并调用工具去逐步完成给定目标。AI Agent的核心驱动力是大模型，在此基础上增加了规划（Planning）、记忆（Memory）和工具使用（Tool Use）三个关键组件。这种智能体通常被翻译为“代理”，在计算机领域，Agent指那些在特定的环境可以执行特定任务的实体，它必须具备感知系统，可以执行一定的动作，并且是具有目的性的，而不是随意的。

二、AI Agent特征 虽然AI工具和AI代理都是自动执行任务的软件程序，但特定的关键特征将AI代理区分为更复杂的AI软件。 当AI工具具有以下特征时，可以认为是AI代理： 1、自治 (Autonomy)：AI虚拟代理能够独立执行任务，而无需持续的人为干预或输入。 2、感觉 (Perception)：代理功能通过各种传感器（例如摄像头或麦克风）感知和解释它们所处的环境。 3、反应 (Reactivity)：AI代理可以评估环境并做出相应的响应以实现其目标。 4、推理和决策 (Reasoning and decision-making)：AI代理是智能工具，可以分析数据并做出决策以实现目标。它们使用推理技术和算法来处理信息并采取适当的行动。 5、学习 (Learning)：他们可以通过机器、深度和强化学习元素和技术来学习和提高自己的表现。 6、交流 (Communication)：AI代理可以使用不同的方法与其他代理或人类进行交流，例如理解和响应自然语言、识别语音以及通过文本交换消息。 7、以目标为导向 (Goal-oriented)：它们旨在实现特定目标，这些目标可以预先定义或通过与环境的交互来学习。

三、工作流程 AI 代理通过感知其环境、处理信息并采取行动来实现特定目标或任务来工作。该过程通常包括以下步骤： 第 1 步：感知环境 (Perceiving the environment) 自主AI代理首先需要收集有关其环境的信息。可以使用传感器或从各种来源收集数据。 第 2 步：处理输入数据 (Processing input data) 代理在获取收集的数据后，需要进行处理。可能包括组织数据、创建知识库或制作代理可以理解和使用的内部表示形式。 第 3 步：决策 (Decision-making) 代理使用逻辑或统计分析等推理技术，根据其知识库和目标做出决策。可能涉及应用预先确定的规则或机器学习算法。 第 4 步：规划和执行操作 (Planning and executing an action) 代理制定计划或一系列步骤来实现其目标。可能涉及制定分步策略、优化资源分配或考虑各种限制和优先级。根据其计划，代理执行所有步骤以实现预期目标。 它还可以接收来自环境的反馈或新信息，这些信息可用于调整其未来的操作或更新其知识库。 第 5 步：学习和改进 (Learning and Improvement) 采取行动后，代理可以从自己的经验中进行学习。此循环反馈的过程能使代理提高性能并适应新的情况和环境。 总之，自主AI代理收集和分析数据，对其进行预处理，根据机器学习算法做出决策，采取行动并接收反馈。

四、生成智能体模拟 Generative Agents（Park 等人，2023）是一个超级有趣的实验，其中 25 个虚拟角色，每个角色都由 LLM 支持的智能体控制，在沙盒环境中生活和交互，其灵感来自《模拟人生》。生成智能体为交互式应用程序创建可信的人类行为模拟。生成智能体的设计将 LLM 与记忆、规划和反射机制相结合，使智能体能够根据过去的经验进行行为，并与其他智能体进行交互。

记忆流：是一个长期记忆模块（外部数据库），用自然语言记录智能体经验的完整列表。 每个元素都是一个观察，一个由智能体直接提供的事件。- 智能体间通信可以触发新的自然语言语句。 检索模型：根据相关性、新近度和重要性，显示上下文以告知智能体的行为。 新近度：最近发生的事件得分较高 重要性：区分平凡记忆和核心记忆。直接问LM。 相关性：基于它与当前情况/查询的相关程度。 反射机制：随着时间的推移将记忆合成更高层次的推论，并指导智能体未来的行为。它们是对过去事件的更高层次的总结（<-注意，这与上面的自我反思有点不同） 提示 LM 提供 100 个最新观察结果，并根据一组观察结果/陈述生成 3 个最显着的高级问题。然后请LM回答这些问题。 规划与反应：将反思和环境信息转化为行动 规划本质上是为了优化当前与时间的可信度。 提示模板：{Intro of an agent X}. Here is X's plan today in broad strokes: 1) 规划和反应时都会考虑主体之间的关系以及一个主体对另一个主体的观察。 环境信息以树形结构呈现。

当然，上面这个是一种比较简单的Agent，还有一些Agents需要做语义搜索，比如知识库搜索等，这里需要使用向量数据库。比如下面这个首席商务官的机器人，需要从几千个行业报告中获取答案。大体的制作过程是你先要准备好你的知识库文档（pdf，txt等等），然后获取这些文档的embeddings, 可以用OpenAIEmbeddings（不贵，但是得注意频率，太快会出错），然后将得到的这些embeddings存到向量数据库中（例如FAISS），准备工作做好之后，当用户有问题，也是将用户的问题转成embedding，然后去向量数据库中搜索答案。