墨水的花园

Hello-Agents 第一章笔记

12 min read

1.1 什么是智能体

在人工智能领域，智能体被定义为任何能够通过传感器（Sensors）感知其所处环境（Environment），并自主地通过**执行器（Actuators）采取行动（Action）**以达成特定目标的实体。

传统智能体严禁路线：
反射智能体
基于模型的反射智能体，状态，世界模型
基于目标的智能体
基于效用的智能体
学习型智能体，强化学习

大语言模型，LLM
工作方式：规划与推理，工具使用，动态修正

智能体的类型：

  1. 基于内部决策架构的分类
    1. 反应式智能体
    2. 模型式智能体
    3. 基于目标与基于效用的智能体
      • 学习能力
  2. 基于时间与反应性的分类
    • 权衡：追求速度的反应性&追求最优解的规划性
    1. 反应式智能体：简单反应式、基于模型，速度快、计算开销低
    2. 规划式智能体：基于目标、基于效用
    3. 混合式智能体：规划&反应，LLM
  3. 基于知识表示的分类
    1. 符号主义 AI，知识获取瓶颈
    2. 亚符号注意 AI（连接主义），神经网络和深度学习，黑箱
    3. 神经符号主义 AI（神经符号混合主义）

1.2 智能体的构成与运行原理

任务环境：PEAS 模型：性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors)
环境通常是部分可观察的
行动结果的可预测性，环境分为：确定性、随机性
多智能体环境
几乎所有任务都发生在序贯且动态的环境中。“序贯”意味着当前动作会影响未来；而“动态”则意味着环境自身可能在智能体决策时发生变化。
“感知-思考-行动-观察”循环

智能体循环：

  1. 感知：观察
  2. 思考：规划、工具选择
  3. 行动
    智能体的行动会引起环境 (Environment) 的状态变化 (State Change)，环境随即会产生一个新的观察 (Observation) 作为结果反馈。这个新的观察又会在下一轮循环中被智能体的感知系统捕获，形成一个持续的“感知-思考-行动-观察”的闭环。智能体正是通过不断重复这一循环，逐步推进任务，从初始状态向目标状态演进。

交互协议：规范 LLM 与环境间的信息交换
输出的机构化定义：思考，行动

Thought: 用户想知道北京的天气。我需要调用天气查询工具。
Action: get_weather("北京")

外部的解析器
感知系统，传感器，处理封装原始输出（观察）

1.3 动手体验：5 分钟实现第一个智能体

准备工作

  1. requests ：从 python 程序中访问网络 API
  2. tavily-python：一个强大的 AI 搜索 API 客户端，用于获取实时的网络搜索结果，可以在官网注册后获取 API
  3. openai： OpenAI 官方提供的 Python SDK，用于调用 GPT 等大语言模型服务

指令模板：提示工程
们需要设计一个“指令模板”，告诉 LLM 它应该扮演什么角色、拥有哪些工具、以及如何格式化它的思考和行动。这是我们智能体的“说明书”，它将作为 system_prompt 传递给 LLM。

工具 1

工具 2

将所有工具放入一个字典，供主循环调用

接入大语言模型
API_KEY , BASE_URL , MODEL_ID

执行行动循环

1.4 智能体应用的协作模式

基于智能体在任务中的角色和自主性程度，其协作模式主要分为两种：一种是作为高效工具，深度融入我们的工作流；另一种则是作为自主的协作者，与其他智能体协作完成复杂目标。

  1. 作为开发者工具的智能体
    1. Claude Code
  2. 作为自主协作者的智能体
    1. 单智能体自主循环
    2. 多智能体协作：角色扮演式对话、组织化工作流
    3. 高级控制流架构

Workflow 是让 AI 按部就班地执行指令，而 Agent 则是赋予 AI 自由度去自主达成目标。

工作流：一种传统的自动化范式，其核心是对一系列任务或步骤进行预先定义的、结构化的编排。
基于大型语言模型的智能体：一个具备自主性的、以目标为导向的系统。

这种基于实时信息进行动态推理和决策的能力，正是 Agent 的核心价值所在。

习题：

  1. 请分析以下四个 case 中的主体是否属于智能体，如果是，那么属于哪种类型的智能体（可以从多个分类维度进行分析），并说明理由：

    case A：一台符合冯·诺依曼结构的超级计算机，拥有高达每秒 2 EFlop 的峰值算力
    不是
    case B：特斯拉自动驾驶系统在高速公路上行驶时，突然检测到前方有障碍物，需要在毫秒级做出刹车或变道决策
    基于模型反应式智能体，部分可观察环境，混合智能体
    case C：AlphaGo 在与人类棋手对弈时，需要评估当前局面并规划未来数十步的最优策略
    效用式智能体
    case D：ChatGPT 扮演的智能客服在处理用户投诉时，需要查询订单信息、分析问题原因、提供解决方案并安抚用户情绪
    基于效用的智能体

  2. 假设你需要为一个”智能健身教练”设计任务环境。这个智能体能够：

    • 通过可穿戴设备监测用户的心率、运动强度等生理数据
    • 根据用户的健身目标（减脂/增肌/提升耐力）动态调整训练计划
    • 在用户运动过程中提供实时语音指导和动作纠正
    • 评估训练效果并给出饮食建议

    请使用 PEAS 模型完整描述这个智能体的任务环境，并分析该环境具有哪些特性（如部分可观察、随机性、动态性等）。
    序贯，动态，部分可观察，确定性

  3. 某电商公司正在考虑两种方案来处理售后退款申请：

    方案 A（Workflow）：设计一套固定流程，例如：

    A.1 对于一般商品且在 7 天之内，金额 < 100RMB 自动通过；100-500RMB 由客服审核；>500RMB 需主管审批；而特殊商品（如定制品）一律拒绝退款 i

    A.2 对于超过 7 天的商品，无论金额，只能由客服审核或主管审批；

    方案 B（Agent）：搭建一个智能体系统，让它理解退款政策、分析用户历史行为、评估商品状况，并自主决策是否批准退款

    请分析：

    • 这两种方案各自的优缺点是什么？
    • 在什么情况下 Workflow 更合适？什么情况下 Agent 更有优势？如果你是该电商公司的负责人，你更倾向于采用哪种方案？
    • 是否存在一个方案 C，能够结合两种方案，达到扬长避短的效果？

  4. 在 1.3 节的智能旅行助手基础上，请思考如何添加以下功能（可以只描述设计思路，也可以进一步尝试代码实现）：

    提示：思考如何修改 Thought-Action-Observation 循环来实现这些功能。

    • 添加一个”记忆”功能，让智能体记住用户的偏好（如喜欢历史文化景点、预算范围等）
    • 当推荐的景点门票已售罄时，智能体能够自动推荐备选方案
    • 如果用户连续拒绝了 3 个推荐，智能体能够反思并调整推荐策略

  5. 卡尼曼的”系统 1”（快速直觉）和”系统 2”（慢速推理）理论[2]为神经符号主义 AI 提供了很好的类比。请首先构思一个具体的智能体的落地应用场景，然后说明场景中的：

    提示：医疗诊断助手、法律咨询机器人、金融风控系统等都是常见的应用场景

    • 哪些任务应该由”系统 1”处理？
    • 哪些任务应该由”系统 2”处理？
    • 这两个系统如何协同工作以达成最终目标？

  6. 尽管大语言模型驱动的智能体系统展现出了强大的能力，但它们仍然存在诸多局限。请分析以下问题：

    • 为什么智能体或智能体系统有时会产生”幻觉”（生成看似合理但实际错误的信息）？
    • 在 1.3 节的案例中，我们设置了最大循环次数为 5 次。如果没有这个限制，智能体可能会陷入什么问题？
    • 如何评估一个智能体的”智能”程度？仅使用准确率指标是否足够？

Graph View

Backlinks