什么是 AI 代理 (AI Agent)？（非常详细）从零基础到精通，收藏这篇就够了！

一、什么是代理 (Agent)？

我几乎每天都被问到这个问题。在 LangChain，我们开发工具，帮助开发者构建大型语言模型 (LLM) 应用。这些应用就像会思考的引擎，能与外部信息和计算资源互动。人们常把这类系统叫做 “代理”。

对于 AI 代理 (AI Agent)，每个人的理解都有些不同。我的理解可能更技术化：

AI 代理是一个系统，它用 LLM 来决定应用程序的控制流程 (Control Flow)。

即使这样，我也觉得我的定义不完全到位。人们常觉得代理应该是高级的、自主的、像人一样的。但如果有个简单的系统，LLM 只是在两个选项里选一个呢？这符合我的技术定义，但和大家印象中的 “代理” 能力不太一样。 准确定义 “代理” 真不容易！

所以我很喜欢 Andrew Ng 上周发的 推文[1]。 他说，“与其争论哪些算不算真正的 AI 代理，不如承认系统有不同程度的自主性 (Agentic)。” 正如自动驾驶汽车有不同等级的自动化一样，AI 代理的能力也是一个范围。我非常同意这个观点，Andrew 说得很好。以后再有人问我什么是代理，我会把话题转到讨论 “自主性” 上来。

二、什么是自主性 (Agentic)？

去年我做了一个关于 LLM 系统的 TED 演讲，用下面这张图展示了 LLM 应用的不同自主程度。

一个系统越 “具有自主性”，就越是由 LLM 决定系统的行为方式。

用 LLM 把输入信息送到不同的处理流程，就有一点 “自主性” 了。这就像上图里的 路由器 (Router) 类别。

如果用多个 LLM 来做多次选择呢？那就介于 路由器 和 状态机 (State Machine) 之间。

如果其中一个选择是决定是否继续下一步还是结束——让系统可以循环运行直到完成呢？那就属于 状态机。

如果系统能自己创建工具，记住工具，并在之后使用呢？ 这就像 Voyager 论文[2] 里实现的那样，自主性非常高，属于更高级的 自主代理 (Autonomous Agent) 类别。

这些关于 “自主性” 的定义还是比较技术化。我更喜欢这种技术性的定义，因为它在设计和描述 LLM 系统时很有用。

三、为什么 “自主性” 这个概念有用？

和所有概念一样，我们需要问问为什么要有 “自主性” 这个概念。它有什么帮助？

了解你的系统有多 “自主”，可以帮助你更好地进行开发决策——包括构建、运行、交互、评估，甚至监控系统。

系统越 “自主”，编排框架就越有用。 如果你要设计一个复杂的自主系统，一个好的框架可以帮助你更快地开发。这个框架应该能很好地支持分支选择和循环运行。

系统越 “自主”，运行起来就越复杂。 它会变得更复杂，有些任务会花费很长时间。 这意味着你需要把一些任务放到后台运行。 这也意味着你需要有稳定的运行机制来处理运行过程中出现的错误。

系统越 “自主”，你就越需要在它运行时与它互动。 你会想观察系统内部发生了什么，因为具体的步骤可能事先不知道。 你会希望可以修改代理的状态或指令，以便在它偏离方向时把它拉回来。

系统越 “自主”，你就越需要一个专门为这类应用设计的评估框架。 你需要多次运行评估，因为随机性会累积。 你不仅需要测试最终结果，还需要测试中间步骤，看看代理的效率如何。

系统越 “自主”，你就越需要一种新的监控框架。 你需要能够详细查看代理执行的每一步。 你还需要能够根据代理执行的步骤来查找运行记录。

理解和利用系统自主性的不同程度，可以提高开发效率和系统的稳定性。

四、自主性是新的

我经常思考，在这股热潮中，真正的新东西是什么？ 对于大家正在构建的 LLM 应用，我们需要新的工具和基础设施吗？ 还是用以前的通用工具就够了？

我认为，你的应用越 “自主”，新的工具和基础设施就越重要。 这正是我们开发 LangGraph (代理编排工具，用于帮助构建、运行和交互代理) 和 LangSmith (LLM 应用的测试和可观测平台) 的原因。 随着我们不断探索更高程度的自主性，整个支持工具的生态系统都需要重新设计。

原文地址：What is an AI agent?[3]

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享