让AI更“智能”的Agent，究竟是什么？

引言

我相信对许多对AI感兴趣的读者来说，“Agent”是个听起来既熟悉又陌生的词汇，而由于ChatGPT引发的浪潮又将Agent的概念推上顶峰，正好借助这个机会我来好好解释一下这个词汇。

Agent的基本含义

在AI领域，Agent基本可以被理解为一个独立的实体，它可以感知环境并作出决策，以达成某种预设的目标，这个决策过程通常建立在某种逻辑或者学习算法之上。在五月份的时候，曾被誉为“硅谷最有权势的华人”的陆奇提出了三位一体理论，描述了一个人获取信息后如何执行的重要节点，而Agent其实可以类比于人类的决策过程——信息-感知-行动。

Agent的工作原理

1. 感知：Agent能够通过一种或多种方式来获取其所处环境的信息。这些信息获取方式可能包括各种各样的传感器，比如相机、麦克风等输入。
2. 决策：在获取了环境信息后，Agent会进行决策的过程。这个过程可能会涉及一些复杂的算法，包括但不限于机器学习、强化学习等，即进行思考。
3. 行动：在做出决策后，Agent将会作出相应的行动，来达到其预设的目标。这个行动可能是实际的物理行动，也可能是虚拟的动作，比如在一个模拟环境中移动。
4. 学习：许多Agent都具有学习的能力，他们可以根据过去的经验来改进未来的决策。

同样地，我们借助三位一体理论来解释，先来一张图。

信息到模型

当Agent获取信息后，通过自己的思考形成自己的模型，而通过自己的模型筛选吸收得来的才能叫做知识。

• 信息是无处不在的，大家都能获取，没有很大的意义；
• 而知识是独特的，信息是需要自身消化后才能称为知识的，知识是你自己独有的，对自身有重大意义。

模型到行动

Agent通过不断思考就形成了自己的模型，这个模型在现实中其实和“认知”这个词很接近。信息通过模型的筛选后，就将无用信息过滤了，将有用信息留下来并驱动Agent做出决策并做出行动。

行动反哺模型

行动后呢，行动后会对外部世界产生一个影响，这个影响是可以获得的，Agent可以将外界的改变作为自身的反馈来改变自己的模型，实现自身进化。

有没有感觉，整个Agent的工作流程就和人类没有多少区别了，所以通过这种相似的方法构建出的Agent，其决策过程和人类非常相似，那么对人类而言自然就看起来十分“智能”了，这就是一个智能助手了。

Agent的应用案例

• 游戏AI：在许多视频游戏中，Agent的概念被广泛使用。游戏中的每一个敌人或者非玩家角色（NPC）都可以看作是一个Agent。它们通过游戏提供的信息进行决策，然后作出行动。
• 自动驾驶：在自动驾驶技术中，整个汽车就可以被看作是一个Agent。它通过各种感应器获取环境信息，然后经过一系列复杂的算法作出决策，并通过驾驶汽车的方式来实现预设的目标。

Agent的概念本质上是对主动性、自主性的一个抽象描述，并在很多实际的应用场景中得到了验证。希望通过这篇文章，你对Agent有了更清晰的理解。如果你对AI有更多的问题或者想法，都欢迎继续提问和交流。

最近一段时间还有很多关于大模型创造或使用工具的Agent，极大增强了大模型的能力，使其能力更强或更专业，如果有兴趣的话可以关注我啊，后续我会进一步分享这部分的内容。