Single Agent 阶段性总结

Agent 通常指的是一类具备高度自主性的智能实体，它们能够巧妙地在特定环境里自主感知信息，运用内置的智能算法做出理性决策，进而精准无误地执行相应动作。相较于 RAG（检索增强生成）技术，Agent 可解决诸多难题。RAG 虽擅于知识检索整合，但面对动态变化场景稍显乏力。Agent 则不同，它能实时感知环境动态，主动调整策略。比如在供应链管理中，遇到物流堵塞，Agent 可迅速重新规划配送路径，优化资源分配，保障供应链畅通无阻，而 RAG 很难做到如此灵活应变，全方位提升效率与适应性。

Profile

Prompt engineering，例如 CoT（Chain of Thought，思维链）、ICL（In-Context Learning，上下文学习）等，已被证实是一种在不微调的情况下增强大语言模型（LLM）能力的有效方法。由于 LLM 的本质是基于 token 预测，所以 Prompt engineering 相当于给 LLM 提供更多的前置 token，如此一来便更有可能预测出 “正确” 的 token（这纯属个人理解，在预训练阶段模型会接触大量文本，下一个 token 的候选者可能成千上万。此时若给予更多前置 token，依据条件概率，就更有机会生成所谓的正确 token）。

简介模块在此处的作用是定义代理的角色。代理（Agent）通常通过承担特定角色来执行任务，以查询天气的任务为例，一般我们会将 Agent 设定为天气预报员或检索人员，赋予其一定的天气相关背景知识以及检索天气的工具等。这部分信息通常涵盖基本信息（如年龄、性别和职业）、心理信息（反映代理的个性）以及社交信息（在多代理场景下会涉及代理之间的关系）等。

简单来讲，简介模块可理解为添加前置 token，助力 LLM 锁定后续 token 的生成范围，能有效激发 LLM 的 “潜意识”。需要注意的是，这并非仅 Agent 才有的模块，只要与 LLM 交互，就可能涉及这部分内容。

常用的简介生成策略如下：

• 手工制作方法：Agent 的简介由人工指定，这也是最为常用的方式，即人工撰写系统提示。通过设定 Agent 角色，让 LLM 能够更好地生成期望结果，甚至可以设定 LLM 生成内容的格式等。这种方法能够精准把控一些具体细节，但不可避免地需要投入大量人工精力。
• LLM 生成方法：Agent 的简介由 LLM 自动生成。有一种做法是指明档案生成规则，阐明目标群体中 Agent 简介的组成与属性，然后选择性地提供一些样本示例（f