Datawhale | 最新AI Agent万字综述分享！-优快云博客

本文链接：https://blog.youkuaiyun.com/csdn_xmj/article/details/145058225

本文来源公众号“Datawhale”，仅用于学术分享，侵权删，干货满满。

近日，支付宝百宝箱团队的技术负责人王月凡在 Datawhale 社区带来了 AI Agent 综述分享。从大语言模型的发展历程出发，全面分享了AI Agent现状，包括：AI Agent 出现的原因、构成、核心技术、核心能力、应用场景，以及备受关注的场景落地难点。

同时，在最后探讨了未来的人机交互与智能体发展趋势：“如果人与机器的交互已经发展到通过语言即可实现，那么未来的想象空间将会非常广阔”。

视频链接：

https://www.bilibili.com/video/BV17wrpYKE4V

百宝箱地址：

https://tbox.alipay.com/pro-about

在不改变原意的情况下，Datawhale 进行了如下微调和整理。

大模型的发展历程

好的，大家好，我是王月凡，我现在是负责蚂蚁集团百宝箱的技术负责人，然后今天我稍微共享一下屏幕，今天由我来给大家带来关于 AI Agent 的一个分享。

大语言模型的发展历程可以追溯到20世纪90年代。当时的自然语言处理（NLP）领域主要研究特定任务，以统计学和概率学为基础，构建出模型来完成诸如词频统计和简单句法分析等基本任务。　

到2013年，NLP 技术开始向任务无关的特征学习方向发展，代表性成果包括 Word2Vec 和神经概率语言模型（NPLM）。这些模型具备一定的上下文建模能力，可以解决如文本分类和信息抽取等特定任务。这一阶段的进步为后续的大语言模型奠定了基础。　

2018年，大语言模型进入了一个新的发展阶段，演化为具有可迁移能力的任务求解器。这一阶段的核心成果是预训练语言模型的出现，代表性模型包括 BERT 和第一、第二代的 GPT。尽管早期的 GPT 模型（如 GPT-2 和 GPT-3）在性能上仍较为局限（它们主要聚焦于特定领域任务的解决），但预训练与微调相结合的技术路线已经展现出强大的迁移学习能力，显著提升了 NLP 系统处理复杂任务的能力。　

进入2020年，以 GPT-3.5 和 GPT-4 为代表的通用大语言模型取得了突破。这些模型凭借更大规模的参数和训练数据，在能力上实现飞跃，推动了诸如 ChatGPT 和 Claude 等模型的广泛应用。这类模型以提示词（Prompt）为交互基础，能够解决多种任务，从文本生成到复杂问题求解，覆盖了更为广泛的应用场景。　

而当下，ChatGPT、千问、Kimi 等国内外的主流大语言模型，已经成为具备强大底层能力的典型代表，为各类 AI Agent 提供了技术支撑。

AI Agent的出现是弥补大模型的短板

我们已经见识到了大语言模型带来的强大能力，确实可以解决各种各样的问题。那么，为什么 AI Agent 还会出现呢？　

其实，这就涉及到 OpenAI 提出的通用人工智能（AGI）的五级标准。AGI 的终极目标是创造一种能够像人类一样完成各种复杂任务，同时还能自然交流的通用人工智能。根据这个定义，AGI 的发展被分成了五个等级。　

目前我们使用的大语言模型，比如 ChatGPT，大多停留在第一级和第二级，可以处理许多知识性的问题，它们的能力主要在于接收指令，根据预训练时学到的知识进行推理并给出答案。这种工作方式虽然和人类的思考有些相似，但它们在许多需要更高认知能力的任务上仍然力有不逮，比如无法长期记住信息，缺乏持续的记忆能力；面对复杂任务，难以像人类那样分解成具体的步骤并逐步完成，更不用说像人类一样灵活地调用各种工具，并将它们组合起来完成目标。　

相比之下，AI Agent ，也就是“智能体”，是通向更高级智能的关键一步。通过引入行动能力、长期记忆机制和工具整合能力，AI Agent 能弥补当前大语言模型的短板，使得它们不仅能够回答问题，还可以真正去“做”事情。

更重要的是，AI Agent 能在处理复杂任务时展现出了接近人类的思维方式，比如记住上下文信息，制定详细计划，甚至协同多个工具完成目标。　

可以说，AI Agent 的出现不仅让人工智能更接近人类的智能水平，也让它能够进入更多复杂而广泛的应用场景。　