人工智能代理与代理系统的演变

人工智能代理（AI Agents）的演变经历了从简单的起步阶段到如今系统化的进展，这些系统结合了内部控制机制、外部语境基础以及认知输入，从而实现了更复杂和动态的交互。

大型语言模型（LLMs）在知识和推理能力方面存在固有限制。具备语言能力的人工智能代理通过将LLMs与内部记忆和外部环境连接起来，利用现有知识或现实观察来解决这些挑战。

过去的系统需要依赖人工设定规则或强化学习，而这些方法在适应新环境时往往显得困难。语言人工智能代理利用嵌入LLMs中的常识理解能力来应对新任务，从而减少对人工标注或反复试错学习的依赖。

架构演变

结合上图，大型语言模型（LLMs）根据其应用目标发挥不同的作用：

• A — 文本处理： 在自然语言处理（NLP）中，LLMs将文本作为输入并生成文本作为输出。

• B — 语言代理： 这些系统将LLMs与外部环境的反馈循环集成，将观察结果转化为文本，并利用LLMs进行决策或执行操作。

• C — 认知语言人工智能代理： 这些高级系统不仅使用LLMs进行交互，还管理内部流程，如学习和推理。

整合

结合下图，可以通过三个关键要素来理解人工智能代理：