AI Agent
AI Agent是一个系统，它通过为大模型(LLM)提供工具和知识访问权限，使其能够执行操作并扩展其能力。
AI Agent是一个由多个组件组成的系统，它包括:
- • Sensors(传感器):负责从环境中收集各种类型的信息，并将这些信息传递给Agent的核心决策系统
- • Actuators(执行器):执行Agent的决策动作，获得环境反馈，影响环境状态
- • Memory(记忆):存储和管理Agent的信息，包括历史记录、经验积累、知识管理和上下文保持
- • Planner(规划器):制定行动计划和策略，包括目标分析、路径规划、资源分配和风险评估
- • Reasoner(推理器):进行逻辑推理和决策分析，包括因果分析、决策支持和问题诊断
- • Communicator(通信器):处理信息交换和交互沟通，支持多模态通信和协议适配
AI Agent系统采用双层认知架构,包括认知层(Cognitive Layer)和元认知层(Metacognitive Layer),这种设计使Agent能够像人类一样进行智能思考和自我调节。
- • 认知层(Cognitive Layer) 感知(Sensors)、推理(Reasoner)、决策(Planner)、执行(Actuators)、记忆(Memory)、通信(Communicator)
- • 元认知层(Metacognitive Layer) 监控、评估、调节、优化、策略选择、学习
AI Agent类型
| AI Agent类型 | 描述 | 优缺点 |
|---|---|---|
| Simple Reflex Agents(简单反射型Agent) | 基于预定义规则执行即时动作，不考虑历史或未来 | 响应快速，实现简单，无法处理部分可观察环境，缺乏记忆 |
| Model-Based Reflex Agents(基于模型的反射型Agent) | 基于世界模型和模型变化执行动作 | 能够处理部分可观察环境，具有记忆，但实现复杂 |
| Goal-Based Agents(目标导向型Agent) | 通过解释目标并确定达成目标的行动来创建计划 | 能处理复杂任务，方向明确，可能陷入局部最优 |
| Utility-Based Agents(基于效用的Agent) | 考虑偏好并通过数值权衡来确定如何达成目标 | 能平衡多个目标，决策更理性，效用函数设计复杂 |
| Learning Agents(学习型Agent) | 通过响应反馈并相应调整行动来随时间改进 | 适应性强，能处理未知情况，需要大量训练数据 |
| Hierarchical Agents(层次型Agent) | 具有分层系统中的多个代理，高层代理将任务分解为子任务供低层代理完成 | 能处理复杂任务，模块化设计，层级设计复杂，通信开销大 |
| Multi-Agent Systems (多Agent系统) | 多个Agent协作或竞争完成任务 | 能处理分布式复杂问题，协调困难，可能出现冲突 |
AI Agent框架
AI Agent框架是软件开发框架，专门用于构建、部署和管理AI Agent系统。它提供了一套完整的工具、库、API和基础设施，让开发者能够快速创建智能代理应用。
主流AI Agent框架对比
| 框架名称 | 开发语言 | 核心特性 | 适用场景 | 学习曲线 |
|---|---|---|---|---|
| LangChain | Python/JS | 链式调用、工具丰富、生态完善 | 通用应用、快速原型 | 中等 |
| AutoGPT | Python | 自主执行、目标导向、任务分解 | 自动化任务、创意工作 | 简单 |
| CrewAI | Python | 多Agent协作、角色定义、任务分配 | 团队协作、复杂项目 | 中等 |
| LlamaIndex | Python | 数据索引、知识检索、RAG优化 | 知识库、文档处理 | 简单 |
| Semantic Kernel | C#/Python | 企业级、多语言、插件系统 | 企业应用、.NET生态 | 中等 |
| LangGraph | Python | 图状态机、复杂流程、状态管理 | 复杂工作流、状态机 | 较难 |
Agentic RAG(智能代理检索增强生成)
Agentic RAG是传统RAG(Retrieval-Augmented Generation)的升级版本，它将AI Agent的智能决策能力与RAG的信息检索能力相结合，创造出更加智能和主动的信息处理系统。
Agentic RAG的循环交互模式
Agentic RAG系统依赖循环交互模式，通过多轮迭代不断优化检索策略和结果质量。
1. 初始调用(Initial Call)
- • 用户目标传递:用户提示被传递给LLM
- • 意图分析:系统分析用户的具体需求和目标
- • 任务规划:制定初步的信息检索和处理计划
2. 工具调用(Tool Calling)
- • 信息缺口识别:模型识别当前信息的不完整性或模糊性
- • 工具选择:选择合适的工具或检索方法
- • 检索执行:
- • 向量数据库查询(如Azure AI Search Hybrid搜索)
- • 结构化SQL调用
- • 外部API调用
- • 知识图谱查询
3. 评估与优化(Evaluation & Optimization)
- • 信息充分性评估:审查返回的数据是否满足需求
- • 质量检查:评估信息的准确性、相关性和完整性
- • 策略调整:
- • 优化查询参数
- • 尝试不同的检索工具
- • 调整检索策略和方法
4. 重复直到满意(Iterate Until Satisfied)
- • 持续循环:重复检索-评估-优化过程
- • 收敛判断:直到模型认为已获得足够清晰度和证据
- • 最终响应:提供经过深思熟虑的最终答案
5. 记忆与状态(Memory & State)
- • 状态保持:系统在步骤间保持状态和记忆
- • 历史记录:回忆之前的尝试及其结果
- • 智能决策:避免重复循环，做出更明智的决策
MCP
MCP(Model Context Protocol)是由Anthropic发布了一种大模型与外部数据源工具的集成标准。它定义了大模型如何安全、高效地访问和利用外部资源。
- • 模型幻觉 大模型回答不了解的问题时可能产生虚假信息
- • 信息过时 训练数据可能过时，无法提供最新信息
- • 功能局限 大模型只能对话，无法执行实际任务
MCP Host(宿主应用)
通常是LLM的宿主应用。主要负责
- • 创建和管理MCP Client
- • 与大模型LLM交互
- • 实现安全策略和权限控制
- • 协调整个MCP系统
MCP Client(客户端)
MCP Client是与大模型直接交互的组件
- • 与MCP Server交互获取可用工具
- • 接收大模型的工具调用请求
- • 执行对MCP Server的工具调用
- • 将结果返回给大模型
MCP Server(服务器)
MCP Server提供具体工具和服务的组件
- • 提供各种工具和服务
- • 处理来自Client的工具调用
- • 执行具体的业务逻辑
- • 返回执行结果
A2A
A2A(Agent-to-Agent)是一种专门用于AI Agent之间进行通信、协作和协调的协议标准，它定义了多个Agent如何相互理解、协作和协调行动。
协议层次结构
┌─────────────────────────────────────┐│ 应用层协议 ││ (任务协作、知识共享、决策协调) │├─────────────────────────────────────┤│ 会话层协议 ││ (对话管理、状态同步、上下文维护) │├─────────────────────────────────────┤│ 传输层协议 ││ (消息传递、数据交换、安全传输) │├─────────────────────────────────────┤│ 网络层协议 ││ (连接建立、路由选择、网络管理) │└─────────────────────────────────────┘
核心组件
- • Agent Registry: Agent注册和发现服务
- • Message Router:消息路由和分发
- • Collaboration Engine:协作引擎和协调器
- • Security Manager:安全管理和权限控制
A2A通信模式
点对点通信
Agent A ←→ Agent B
- • 直接通信:两个Agent直接交换消息
- • 双向交互:支持双向的信息交换
- • 实时响应:支持实时的交互和响应
广播通信
Agent A → 广播消息 → Agent B, C, D...
- • 一对多通信:一个Agent向多个Agent广播消息
- • 事件通知:通知系统中的重要事件
- • 状态同步:同步系统状态信息
组播通信
Agent A → 组播消息 → Agent组 {B, C, D}
- • 选择性广播:向特定的Agent组发送消息
- • 角色管理:基于角色和权限的消息分发
- • 协作协调:协调特定组内的Agent行动
A2A协作模式
主从协作
主Agent → 任务分配 → 从Agent ↓结果收集 ← 任务执行 ← 从Agent
- • 任务分解:主Agent将任务分解为子任务
- • 资源分配:分配任务给合适的从Agent
- • 结果整合:收集和整合各从Agent的执行结果
对等协作
Agent A ←→ 协商 ←→ Agent B ↓ ↓任务A 任务B ↓ ↓结果A ←→ 结果整合 ←→ 结果B
- • 平等地位:所有Agent地位平等
- • 协商机制:通过协商确定协作方式
- • 结果整合:整合各Agent的执行结果
竞争协作
Agent A ←→ 竞争 ←→ Agent B ↓ ↓资源竞争 任务竞争 ↓ ↓协商解决 ←→ 冲突解决 ←→ 协商解决
- • 资源竞争:竞争有限的资源
- • 任务竞争:竞争任务执行权
- • 冲突解决:通过协商解决冲突
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01 教学内容
-
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
-
大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03 入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04 视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05 行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
06 90+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
