【干货收藏】大模型智能体四大核心能力详解，从小白到高手必学

不秃头de程序猿

墨衍会员 · AI 创作全网分发码龄5年

关注

原创最新推荐文章于 2026-08-18 11:00:59 发布 1.9k 阅读 AI 写同款· GEO 优化 ›

基于LabVIEW控制仪器检测与监控 --普源示波器DS1102Z-E LabVIEW 控制普源示波器代码实现与解释阅读详情

大模型智能体想要真正“聪明”起来，离不开四大核心能力：感知、规划、记忆和工具使用。有了它们，模型才能突破传统大语言模型只会“纸上谈兵”的局限，真正学会和外部世界互动。

不过，最早的大语言模型并没有这些“外挂”。它们只是靠着海量文本训练出来的“语言高手”，擅长写作、对话和理解文字，但一旦遇到需要调用外部工具、分步骤解决复杂问题，或者记住用户长期对话内容时，就显得力不从心。

为了弥补这些短板，研究人员开始探索各种方法：怎样让模型学会熟练地使用工具？怎样让它能像人类一样进行推理和规划？又怎样给它装上“记忆”，记住更长的对话历史？这些正是大模型智能体走向更强大、更实用的关键方向。

1 工具学习

大语言模型虽然能聊天、写文章，但要真正帮我们解决问题，光靠说是不够的，还得学会用工具。比如你问它：请告诉我上海今天的天气。如果它具备工具使用能力，就不会凭空编答案，而是会调用一个天气查询API，返回最新的天气情况。

研究人员把这种能力称为 工具学习（Tool Learning）。核心目标是让模型不仅会说话，还会动手去操作外部工具，从而满足各种现实需求。

工具学习是怎么训练出来的？

以 ToolLLaMA 为例，研究者们设计了一个三步走的流程来教模型：

收集工具（API）
研究人员从 RapidAPI 这样的平台上抓取了大量真实世界的工具和接口说明，比如输入参数、调用方法和示例返回值。经过筛选，最后留下了 3451 个高质量工具，覆盖 49 大类和 500 多个细分领域。
生成指令
光有工具还不够，还要让模型知道用户可能会如何提问。于是研究人员用 ChatGPT 自动生成了各种与工具相关的任务指令，比如单一工具调用、多工具组合调用等，最后得到了近 20 万条“问题—工具”配对数据。
标注解决路径
每条任务指令对应的“调用步骤”也要明确。研究人员用 ChatGPT 的函数调用功能来生成这些路径，并引入一种类似深度优先搜索的方法，让模型能够探索多种可能的调用方式。最终得到了 12.6 万条高质量的指令-解决路径数据。

工具学习中的挑战

虽然看起来很完善，但现实中仍有不少问题：

数据错误：很多训练数据集都是用 GPT-4 自动生成的，但其中约有 17% 的调用轨迹是错误的，比如调用了不存在的工具、参数写错了等。这些错误会误导模型，降低性能。
关键词元问题：研究发现，模型在工具调用时，一旦第一个关键词（比如工具名的开头）预测错误，后面就很容易一路错下去；但如果人工纠正第一个词，后续往往就能正确生成。
性能瓶颈：即使用大规模数据集训练，像 ToolLLaMA-2-7B 的效果也只达到 GPT-4 的 80% 左右。

新方法：TL-Training

为了解决这些问题，研究人员提出了一种叫 TL-Training 的改进训练方法，它包含三大策略：

过滤错误数据
自动识别并屏蔽错误的调用轨迹，避免它们对模型产生负面影响。
重点学习关键词
对工具名称和关键参数等“关键词元”赋予更高的权重，让模型在预测时更重视这些词。
强化学习优化
引入奖励机制，不同类型的错误给出不同的扣分，例如：

调用了不存在的工具：-2
工具名称对了但参数写错：-0.5 ~ -1.5
正确调用：+1
然后用强化学习（PPO 算法）不断调整模型，使它越来越“靠谱”。

实验结果显示，只用 1217 条训练数据，TL-Training 就能让 CodeLLaMA-2-7B 的工具使用能力接近 GPT-4o。这说明，靠更聪明的训练方法，而不是一味依赖大规模数据，也能让模型更好地学会用工具。

2 推理规划

对一个智能体来说，光能聊天还不够，它必须具备推理和规划能力。只有这样，AI 才能理解环境和任务，制定合理的行动步骤，并一步步执行，最终达成目标。

不过，研究发现：单纯把模型做大，并不能显著提升它的推理能力。比如在常识推理、逻辑推理、数学题解答上，大模型还是容易犯错。那该怎么办呢？

研究人员借鉴人类的解题习惯，提出了两种特别有效的方法：思维链提示（Chain-of-Thought, CoT） 和 由少至多提示（Least-to-Most Prompting）。

1）思维链提示

方法一：思维链提示，一步一步想

人类在解题时，通常会把解题过程写下来：先分析条件，再列式子，最后得出答案。相比之下，大模型以前的做法往往是，直接蹦出答案，没有任何中间推理步骤。结果往往准确率不高，还缺乏解释性。

为了解决这个问题，Google Brain 的研究人员提出了 思维链提示（CoT）：

在给模型问题时，不只提供最终答案，还提供“中间的解题思路”；
引导模型先输出推理步骤，再得出结果。

这样，模型就像学生一样，边思考边写草稿，最后得到更靠谱的答案。

更有意思的是，后来研究人员发现，只需要在问题前面加上一句 “让我们一步一步思考”，哪怕没有示例，模型也会自动生成中间步骤。这就是所谓的 零样本思维链（Zero-shot CoT）。

在这里插入图片描述

方法二：由少至多提示，化整为零

面对一个复杂的问题，人类常常会先拆解：把大问题分成小问题，逐个解决，最后拼出答案。大模型同样可以这样做。

这种方法被称为 由少至多提示（Least-to-Most Prompting）：

先让模型把复杂任务拆成多个简单子任务；
然后逐一求解；
最后合并结果，完成整体推理。

通过这种方式，模型在处理复杂任务时的成功率大大提高。

自动化的思维链构建

虽然思维链方法很有效，但最初的研究大多依赖人工写的推理过程。问题在于，不同人写的示例质量差异很大，准确率差别甚至能达到 28%！

后来，研究人员发现：

示例的多样性 比单纯的相似度更重要；
也就是说，要让模型学得好，给它看的推理示例不能千篇一律，而要覆盖不同风格和角度。

基于这一发现，上海交通大学和 AWS 的研究团队提出了 Auto-CoT 方法：通过自动收集多样化的问题，并为它们生成推理链，来构建更有效的训练示例。

Auto-CoT 包括以下两个主要阶段：

（1）问题聚类：将给定数据集中的问题划分为几个簇（Cluster）

（2）范例采样：从每个簇中选择一个代表性问题，并基于简单的启发式方法使用 Zero-shot CoT生成问题的推理链。

在这里插入图片描述

在链式思维的研究中，Auto-CoT 算法提供了一种自动化生成推理示例的方法。它的核心思路是：通过聚类来保证示例的多样性，从而避免因为样本过于相似而带来的推理偏差。

具体来说，Auto-CoT 会先利用 Sentence-BERT 把问题集合转化为向量表示，然后使用 K-means 聚类将问题分成若干簇。在每个簇中，问题会根据与簇中心的距离排序，越接近中心的问题越优先被选为候选。

在生成推理链时，Auto-CoT 会对每个候选问题构造提示，让模型按照“让我们一步一步思考”的方式作答，并得到解释和答案。如果生成的推理步骤不超过 5 步、问题本身长度不超过 60 个词元，那么该示例就会被保留下来，作为该簇的代表性范例。这样得到的推理链示例既简洁，又具有代表性。

在此基础上，研究者还提出了几种改进方法：

Complex-CoT：优先选择那些推理过程最复杂的问题作为示例，帮助模型更好地处理复杂任务。
Self-Polish：从问题本身入手，把原本复杂、模糊甚至质量较低的问题改写成更清晰、更高质量的形式，从而提升模型理解和生成推理链的能力。

总体而言，这些方法的共同目标都是提升 CoT 的有效性：既要保证示例的多样性，又要提升示例的质量。

2）由少至多提示

在面对复杂问题时，人类通常会把大问题拆解成若干个小问题，然后逐一解决，最后再把答案拼接起来得到完整的结果。这种思维方式被称为 任务分解（Task Decomposition）。

研究人员受到这一启发，提出了一种叫做 由少至多提示 的方法。它的核心思想是利用大语言模型的规划能力，把一个复杂问题拆分成一系列更容易处理的子问题，并一步步解决它们。

整个流程大致分为两个阶段：

问题分解阶段：模型先学习如何把原始问题拆分成子问题，并形成一个子问题列表。
逐步解决阶段：模型会按照子问题的顺序逐一作答，每解决一个子问题，就把结果作为“中间答案”保存下来，帮助它继续解下一个问题，直到得出最终答案。

这种方式就像解谜游戏：先把大谜题分解成小块，再逐一拼接，最终得到完整的图景。

3. AgentTuning

为了让大语言模型在更多场景下具备动手能力，研究人员提出了一种叫做 AgentTuning 的方法。它的目标是让模型在保持通用推理能力的同时，更好地完成各种智能体任务，比如操作系统指令、网页交互、数据库查询等。

AgentTuning 的核心有两部分：

一个轻量级的数据集： AgentInstruct
它收集了 1,866 条高质量的交互数据，这些数据不仅有“答案”，还包含模型的完整推理过程（Chain-of-Thought），覆盖了六类任务：虚拟环境操作（AlfWorld）、网络购物（WebShop）、网页浏览（Mind2Web）、知识图谱、操作系统和数据库。
一种混合调优策略
通过结合不同类型的指令调优方式，提升模型的泛化性。

数据构建方式很有意思：