还不清楚现在爆火的AI Agent 是什么？看完这篇你就懂了！

最新推荐文章于 2025-04-27 11:09:23 发布

大模型玩家

最新推荐文章于 2025-04-27 11:09:23 发布

阅读量1.1k

点赞数 27

文章标签：人工智能 chatgpt 机器学习学习 ai 架构大模型

本文链接：https://blog.youkuaiyun.com/2401_85375186/article/details/146510247

版权

黄仁勋曾说：AI Agent（智能体）将是下一个万亿美元的新机会！

很多专业人士也称，2025年将会是智能体应用爆发的一年！

那么，智能体到底是什么，它究竟为何获得如此殊荣。今天小编就带大家一次性了解清楚。

1. 什么是AI Agent

Agent，中文意思为 “代理”，AI Agent 则为“智能代理”或者“智能体”。通常为了方便读写，Agent也会统一被称作“智能体”。

Agent智能体是一个具有一定程度自主性的人工智能系统，该系统能够感知环境、做出决策并采取行动。

智能体的呈现方式有两种：物理实体、虚拟程序。物理实体即硬件智能体，比如机器人，智能汽车等；虚拟程序即软件智能体，比如语音助手。

不管是软件智能体，还是硬件智能体，其核心能力是自感知、自决策、自执行。

如果说大模型是静态的、被动的存在，那么智能体就是动态的、主动的实体。大模型只能被动接受输入后进行精准的内容输出，但却无法做到感知周围环境（物理/虚拟世界）–做出决策-主动执行。

• 感知环境： AI Agent能够接收来自环境的信息。例如，一个自动驾驶Agent可以感知周围的交通情况、道路状况等信息。

• 做出决策：AI Agent根据感知的信息，进行自行理解后制定下一步的行动计划。例如，自动驾驶Agent根据感知的信息决定是否加速、减速、转弯等。

• 采取行动：AI Agent根据决策执行相应的行动。例如，自动驾驶Agent根据策控制汽车的加速器、刹车和方向盘等。

2. 与Copilot、LLM、RAG的联系&区别

1）LLM（ 大语言模型）

大语言模型（LLM）实质上是一个使用海量数据训练而成的深度神经网络模型，你可以把它理解成一个复杂程度在千万亿级别的函数公式。在巨大的数据和参数规模下，实现智能化，展现出类似人类的智能。

最先涌现的ChatGPT，以及如今爆火的DeepSeek，都属于大语言模型，人们通过文本输入与大模型进行对话，而大模型给出的答案，也越来越接近人类智能，并在智力上逐渐超越人类。

如果把AIAgent理解为一个智能实体的话，LLM则充当着智能体的“大脑”角色，大语言模型就是Agent的大脑。

2）RAG（检索增强生成）

由于LLM的知识是提早训练好的内容，时效性不强，加上用于训练的知识一般来源于公域的标准化知识，存在局限性。

为了解决LLM知识有限的问题，需要把外部的知识提供给LLM进行学习，让它理解之后表达出来，这时候就需要用到RAG技术。

RAG是一种结合了外部信息检索与大型语言模型生成能力的技术，用于处理复杂的信息查询和生成任务。在大模型时代，RAG通过加入外部数据（如本地知识库、实时数据）等增强AI模型的检索和生成能力，提高信息查询和生成能力。

因此RAG是一种技术，作用于LLM，目的是增加输出结果的准确性。

3）Copilot（副驾驶）

Copilot 通常指的是飞机的“副驾驶”，在人工智能领域，它指依托于底层大语言模型（LLM），用户只需说几句话，做出指示，它就可以创建类似人类撰写的文本和其他内容。

Copilot可以被视为一种智能体，但通常更侧重于辅助用户完成任务，而不是完全独立地执行任务。即Copilot需要人的指挥，而Agent则是直接面对目标任务，具有自主记忆、推理、规划和执行的全自动能力，只在输入和结果反馈环节需要人为的介入。

所以**自主性是AI Agent和Copilot最大的区别，Copilot是“副驾驶”，只提供建议而非决策，而AI Agent是“主驾驶”需要真正做出决策并执行行动。

4）三者的联系

AI Agent利用大语言模型（LLM）的推理能力，将复杂问题分解为多个小问题，并确定它们的解决顺序。然后依次调用LLM、RAG或外部工具来解决每个小问题，最终解决原始问题。

Copilot是Agent的发展和探索阶段，它可以是简单的辅助决策工具，也可以发展为具备Agent形态的智能体。Copilot则是这些技术在特定应用场景下的一个实现，而Agent则需要对业务关系有更深刻的理解，其训练和应用应基于对产业大模型的深入认识。

3. AI Agent的推理能力

我们知道，大模型出现以后，即使成功落地的现象级产品仍未出现，但人们对Agent真正智能化化乃至走进千家万户的信心有了极大的提升，具体原因如下。

首先，大模型在预训练阶段获取了广泛的世界知识。这些预训练时获得的知识都属于大模型这个Agent的大脑的记忆的一部分。大模型通过调整“神经元”的权重来理解和生成人类语言，这可以被视为其“记忆”的形成。Agent会结合记忆的知识和上下文来执行任务。此外，还可以通过检索增加生成（RAG）和外部记忆系统整合来形成外部记忆。

其次，大模型极大地丰富了Agent的理解和表达能力。AI现在能够理解语境、把握语义，甚至在一定程度上理解复杂的人类情感和幽默，这使得能够更加自然和高效地与人类交流。

再次，大模型的推理能力提高了Agent的自主性和适应性。传统的AI系统往往需要明确的指令和固定的规则，但现在的Agent，借助大模型，能够自主学习和适应。这种自主学习和适应的能力，让Agent看起来更像一个能够独立思考和行动的实体，而不仅仅是一台执行预设任务的机器。

最后，基于大模型的自我学习能力，Agent可以不断学习新的知识和经验，优化决策过程。

所以在大模型逐渐趋向更高阶的发展之后，智能体会不断地涌现，那么出现现象级的产品，一定也会如期而至。

4. AI Agent的基础架构

上文中提到，LLM充当着智能体的大脑，但仅仅有“大脑”并不能完成复杂任务的执行。作为智能体，还需要如“神经感官系统”以及“肢体”的参与，通过AI Agent基础架构图，让我们一起更加全面地理解智能体的工作流程。

图中所示的架构中，Agengt位于中心位置，它通过协同各种组件来处理复杂的任务和决策过程。

规划（Planing）

大模型赋予Agent的规划和决策能力是重中之重。规划是将复杂任务分解成更小、更易管理的子任务过程。这个过程可以帮助我们更好地理解和完成任务。

“规划”我们可以理解为智能体的“思维模式”，如果这个思维模拟人类思考方式的时候，当我们遇到一个接到一个任务的时候，会有以下思考步骤：

• 明确目标：确定任务的目的、必要性、完成方式和预期时间。

• 任务分解：将复杂任务拆分为更小、更易管理的子任务。

• 资源评估：评估现有资源是否足以高效完成目标。

• 执行与优化：在执行过程中进行反思和调整，以持续优化任务执行。

• 任务终止：判断何时任务可以结束。

那么为了赋予AI Agent也具备这样的思维能力，可以采用以下技术：

• LLM提示工程：使用思维链提示技术，引导模型逐步思考。

• 思维树技术：探索多种推理可能性，并通过提示或投票评估每一步。

• ReAct框架：结合动作和语言空间，使模型能与环境交互并生成推理轨迹。

• Reflexion框架：利用动态记忆和自我反思提高推理能力。

• CoH方法：通过展示带有反馈的历史输出，鼓励模型改进输出。

记忆（Memory）

Agent要模仿人类大脑实现记忆能力，智能体需要具有长期记忆、短期记忆、微调、外部记忆系统等机制，实现智能体能够像人类一样拥有记忆。

长期记忆： 大模型在大量包含世界知识的数据集上进行预训练，在预训练中，大模型通过调整神经元的权重来学习理解和人类语言，这个过程可以视为其“记忆”的形成过程，以形成世界知识和长期记忆。

短期记忆： 通过知识意识型微调，增加大模型上下文和记忆知识方面的能力，大模型会将长期记忆和上下文结合起来使用，当两者出现冲突时，会优先考虑上下文，以生成更准确的回应。

特定任务微调： 大模型在更具体的数据集上进一步微调，用以适应特定任务以及提升特定任务的性能。

外部记忆系统： 即外挂知识库，可以理解为一种长期记忆库，大模型与外部系统的整合，在任务执行过程中可以根据具体任务调用外部知识库信息，前文中讲到的RAG就是这种机制。

工具（Tools）

人类在进化的过程中，使用的工具也在变化，其工具会极大拓展人类的能力界限，比如生产工具，从锄头到机械，生产效率可以说得到了质的变化。智能体作为一个动态的实体，我们也可以让其去调用各种工具，用以提高效率，调用工具的能力被视为Agent的核心技能之一，可谓之重中之重。

所以，Agnet的能力和效率很大程度上取决于它们能否灵活地调用和利用各种工具。这些工具可以是应用程序、数据库、及其学习模型，甚至是其他Agent，一个熟练调用工具的Agent能够执行更复杂的任务，更好地适应环境变化，以及更有效地解决问题。

执行（Action）

智能体基于推理引擎（如ReAct）（引擎大家可以理解为一个提前设计好的框架或者系统），推理引擎是规划、决策和调用工具的核心，它决定了Agent如何从感知的环境中抽取信息，如何规划未来的任务，如何利用过去的经验，以及如何调用工具。

推理引擎的构建路径是理解和回应用户输入的基本思想，着重于让大模型在收到任务后进行思考，然后决定采取的行动。推理引擎不是一个简单的决策树或固定算法，而是一个综合系统，能够实时地进行信息处理、决策制定、以及行动执行。

5. AI Agent 示例

除了以上理论阐述，接下来小编再以新能源汽车充电这个场景为例，来举证说明一下，AI Agent究竟是如何实现更智能的服务的。相信看完之后，大家对AI Agent一定会有更进一步的了解。

案例：用户对车机说“帮我找附近能快充的充电站，要24小时营业的”
1. 规划阶段：需求拆解与任务分析a. 语义解析：通过自然语言处理（NLP）模型解析用户指令，提取关键词：附近、快充、24小时营业。b. 任务分解：i. 定位用户位置：获取用户的实时GPS坐标。ii. 筛选充电桩：通过自然语言处理（NLP）模型解析用户指令，提取关键词。iii. 排序与推荐：根据距离、空闲桩数、用户历史偏好（如常去站点）进行排序，推荐最优站点。
2. 决策阶段：多维度方案生成a. 数据融合：实时定位+充电站数据+空闲桩数。b. 风险评估：若用户当前电量低于20%，优先推荐距离最近的站点。若所有站点均无空闲桩，提示用户调整行程或选择支持预约的站点。c. 生成方案：根据用户位置、充电站状态、距离等因素，生成推荐列表：i. 解放碑附近站点A：距离500米，空闲2个快充桩，24小时营业。ii. 解放碑附近站点B：距离800米，空闲1个快充桩，24小时营业。iii. 洪崖洞附近站点C：距离1.5公里，空闲3个快充桩，24小时营业。
3. 调用工具：API与跨平台协作a. 定位工具（GPS）+充电站数据接口（国家电网API/星星充电）+实时路况查询（高德/百度地图API）+预约功能（充电桩API）。
4. 执行：闭环服务于动态调整a. 推荐导航i. 在车机屏幕或手机App上展示推荐站点列表，并标注距离、空闲桩数、预计到达时间。 ii. 用户选择站点后，自动调用地图导航功能，规划最优路线（如“从解放碑到站点A，步行5分钟”）。b. 实时引导i. 在导航过程中，推送实时提醒：“您距离站点A还有300米，预计到达时间2分钟”；“站点A当前空闲桩数减少至1个，建议尽快前往”。c. 动态调整i. 若用户出发后站点A无空闲桩，自动切换至备选站点B，并重新规划路线：1. 推送通知：“站点A已满，推荐前往站点B，距离800米，空闲1个快充桩”。d. 完成任务i. 用户到达站点后，推送提示：“已为您预约站点A的2号快充桩，二维码已生成，请扫码启动充电”。

以上案例用到的技术栈支撑如下：

规划层： NLP模型（需求解析）+ 知识图谱（充电站关联性分析）。

决策层： 强化学习（动态路径优化）+ 实时数据融合（路况+充电桩状态）。

工具层： GPS定位模块（获取用户位置）。充电站API（特来电、星星充电、国家电网）。地图导航API（高德地图/百度地图）。

执行层： LBS定位服务 + 自动语音交互模块 + 预约锁定功能。

那对比传统导航，Agent导航把听懂话（大模型） + 会干活（API联网） + 能应变（实时数据）组合成“一条龙服务”，像有个隐形助手帮你跑腿办事。

步骤	传统导航（大模型）	智能体（AI Agent）
找充电站	显示列表，需要用户手动筛选	自动过滤“快充+24小时”，直接推荐最有选项
预约	无此功能，需用户自己打电话	自动联机预约，锁定充电桩
突发状况	不提醒，用户到现场才发现问题	实时监控，自动切换备用方案

最后，Agent作为AI的行动者，随着技术进步，我们可以期待各种智能Agent走入我们的生活，帮我们解决问题，提升生活质量。

零基础如何学习AI大模型

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。

大模型就业发展前景

根据脉脉发布的《2024年度人才迁徙报告》显示，AI相关岗位的需求在2024年就已经十分强劲，TOP20热招岗位中，有5个与AI相关。
在这里插入图片描述字节、阿里等多个头部公司AI人才紧缺，包括算法工程师、人工智能工程师、推荐算法、大模型算法以及自然语言处理等。

除了上述技术岗外，AI也催生除了一系列高薪非技术类岗位，如AI产品经理、产品主管等，平均月薪也达到了5-6万左右。
AI正在改变各行各业，行动力强的人，早已吃到了第一波红利。