AI Agent论文阅读

原创 已于 2024-06-11 21:13:37 修改 · 1.1k 阅读 · 30 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

于 2024-04-25 22:56:34 首次发布
本文探讨了AIAgent的不同架构，如React的环境反馈机制、ChainofThought的推理过程和TreeofThought的树状结构，以及Reflexion如何增强强化学习。还介绍了Self-Ask和Plan-and-executeagents的特点及局限性。

目录

如何理解一个 agent？

Agent架构

什么是React?

什么是 Chain of Thought？

特点

结论

局限性

Zero-shot CoT

 Auto-CoT

什么是 Tree of Thought？

什么是 Reflexion?

Agent类型

React

Self-ask

Plan-and-execute agents

如何理解一个 agent？

目前与AI的交互形式基本上都是你输入指令，AI模型会根据你的指令内容做出响应，这样就是导致你每次在进行提供有效的提示词才能达到你想要的效果。

而AI Agent则不同，它被设计为具有独立思考和行动能力的AI程序。你只需要提供一个目标，比如写一个游戏、开发一个网页，他就会根据环境的反应和独白的形式生成一个任务序列开始工作。就好像是人工智能可以自我提示反馈，不断发展和适应，以尽可能最好的方式来实现你给出的目标。

Agent架构

配置模块

内存模块

规划模块

1.无反馈规划                                                             

  1）单路径规划                                                          2) 多路径规划

    Chain Of Thought                                                  Tree Of Thought

2.有反馈规划

  1)环境反馈

来自客观世界或虚拟环境。例如，它可能是游戏的任务完成信号或代理采取行动后的观察结果

    React

  2) 人类反馈

除了从环境中获取反馈外，与人直接互动也是增强代理规划能力的一种直观策略

  3) 模型反馈

来自代理自身的内部反馈的利用

提出了一种自我改进机制。该机制由三个关键组件组成：输出、反馈和改进。首先，代理人生成一个输出。然后，它使用 LLM 对输出进行反馈，并提供如何改进输出的指导。最后，输出通过反馈和改进得到改善。这个输出-反馈-改进过程会迭代直到达到某些期望条件。

动作模块

什么是React?

环境反馈

ReAct 实际上是一种通过多次调用 LLM 以交错的方式生成推理轨迹和特定于任务的动作，从而实现两者之间更大的协同作用

推理轨迹帮助模型归纳、跟踪和更新行动计划以及处理异常，而操作允许它与外部源（例如知识库或外部环境、API）交互，以收集附加信息。

由此上面的定义可知，ReAct需要迭代的使用 3 类元素：

Thought （思考）。LLM基于用户提出的问题进行推理（Reasoning），并根据推理的结果采取某种行为，类似人类大脑的思考、决策过程。
Action （行为）。LLM将决策行为动作的指令发送给外部源（比如调用知识库、外部的API），这就是行为。在上面的例子

最低0.47元/天 解锁文章
大语言模型应用指南：Selfask 框架
SuperAGI2025
02-13 1013
1. 背景介绍 1.1 问题的由来 近年来，大语言模型（LLM）在自然语言处理领域取得了显著进展，展现出强大的文本生成、翻译、摘要等能力。然而，现有的LLM主要依赖于预训练数据和固定指令，缺乏灵活性和适应性。当面对复杂、多步骤的任务或需要根据特定场景进行个性化调整时，现有的LLM往往表现力不足。
AI Agent 热门的10篇论文
weixin_42010722的博客
06-11 2572
基于智能多智能体系统（MAS）的学习结合了从环境中收集信息、识别数据、智能分类数据和预测未来数据、存储数据、将数据传递到知识管理系统（如决策支持系统（DSS）和管理信息系统（MIS））的过程。这篇论文探讨了现有的多智能体系统研究，并确定了尚未充分解决的挑战。这篇论文讨论了多智能体系统（MAS）的结构及其组成部分，强调了智能多智能体系统在各种研究领域中的潜力，特别是在支持机器学习模型的虚拟环境中。这篇综述对基于大语言模型（LLM）的多智能体系统的基本方面进行了深入讨论，包括这些智能体模拟的挑战、领域和环境。
【Agent系列】从论文到源码解析Self-Ask 以及数据构建带来的启发
m0_68116052的博客
10-17 1840
Self-Ask的实现、数据集构建和实验背后的LLM机制，很有探索性的一篇工作。
收藏！深入理解多AI-Agent协作：Plan-And-Execute模式解析与应用
最新发布
youmaob的博客
10-20 1029
本文深入探讨了多AI-Agent协作的工程本质，重点解析了Plan-And-Execute模式的工作原理与实现。通过代码演示展示了AgentPlanAndExecute与AgentReAct如何协作完成复杂任务。多Agent协作能有效解决单Agent的上下文限制、延迟高和稳定性问题，实现从"万能助手"到"专业团队"的范式转变，让AI系统更加高效准确地完成目标。
AI Agent & 大模型经典论文推荐
zenRRan的博客
12-24 804
深度学习自然语言处理 原创作者：李博杰[1]经常有人让我推荐一些 AI Agent 和大模型相关的经典论文，在这里列一些对我比较有启发的 paper，可以作为 Reading List。这里面大部分的 paper 都是今年刚发表的，但是也有一些文本大模型、图片视频生成模型的经典论文，把这些经典论文读明白是理解大模型的关键。这些论文如果都读完了，哪怕是只领会了论文的核心 idea，也保证能让你不再仅...
AI革新之路：14篇AI Agents论文，探讨人工智能未来
人工智能学家
09-02 1080
来源：公众号【AMiner科技】近期，关于通用人工智能（AGI）的技术发展引发了广泛的关注和热议。在这个激动人心的时期，大模型一直扮演着重要的角色，几乎成为了舞台中央的主角。然而，最近OpenAI的两位重要技术人物，Andrej Karpathy和Lilian Weng，向外界传递出一个令人振奋的信号：基于LLM的AI Agents将成为AGI领域未来的重要发展方向。Andrej Karpathy...
AI Agent2024年李飞飞团队开年巨作论文.7z
07-06
李飞飞团队最新发表的《Agent AI》论文开创性地提出了多模态智能代理...这项研究不仅为AGI发展指明了方向，其开源代码更为开发者提供了实践多模态AI系统的宝贵资源，堪称2024年人工智能领域最具前瞻性的研究成果之一。
李飞飞 ai agent综述中文
09-17
李飞飞等学者的文章《智能体人工智能:探索多模态交互的前沿领域》深入探讨了智能体人工智能系统及其在多模态交互中的应用。文章首先从智能体人工智能的概念入手，提出它是一种能够感知视觉刺激、语言输入等环境数据...
李飞飞 AI Agent 综述，全中文版本，带目录，内容共93页
02-22
为了加速对基于智能体的多模态智能的研究，我们将 “智能体人工智能（Agent AI）” 定义为一类交互式系统，这类系统能够感知视觉刺激、语言输入和其他基于环境的数据，并且能够产生有意义的具身动作。特别是，我们...
Langchain Agents
RichardPan0000的博客
08-10 616
nodejs
8月热门论文丨AI Agent会是大模型的未来发展方向吗？
AITIME_HY的博客
09-06 604
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！以下内容来源于AMiner科技过去的8月，如果让我用一个词来总结，那就是“Agent”!大模型的下半场已经拉开序幕，大厂们都纷纷表态入局“Agent”。OpenAI创始成员Andrej Karpathy表示相比大模型，OpenAI内部目前已经关注Agent领域，亚马逊也宣布了Amazon Bedrock Agents新功能，而更早之前的斯坦...
Agent 论文精读（一）AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation
nenchoumi3119的博客
04-24 1875
这篇文章是2023年发表在arxiv上的有关Agent系统的文章，就是那个大名鼎鼎的 Microsoft AutoGen，是想要做Agent系统架构的人必读论文，因为这是少见的能把多Agent调教到稳定的开源框架，并且还在一直更新，很多agent架构其实都是在抄作业，但真正实现相同功能的仍然是少数。还是那句话：“你可以说微软坏，但不能说微软菜”。
Agent综述论文火了，10大技术路径一文看尽
m0_59164304的博客
06-01 843
近日，来自美国康奈尔大学等高校研究团队的一篇智能体研究综述论文爆火出圈，相关推文在社交媒体平台X上收获超70万阅读量，过万收藏。这篇长达32页的综述，深度分析了Agent（智能体）研究中最容易混淆的一组核心概念——**AI Agents和Agentic AI**，并讨论了智能体技术发展过程中几大堵点问题的技术解决思路。
Agent论文分享~04：TRIAGEAGENT
weixin_53364976的博客
02-26 1161
​ 全球急诊科患者访问量的增加对高效的临床管理，特别是临床分诊，提出了重大挑战。传统上由人类专业人员管理的临床分诊容易受到显著的变异性影响，并且工作负荷高。尽管大型语言模型（LLMs）展示了有前景的推理和理解能力，但由于临床分诊任务的。
大模型Agent最新论文及源码合集，覆盖构建、应用、评估
学姐带你玩AI的博客
10-17 3267
人们对于通用人工智能（AGI）的追求可以追溯到1950 年代中期，当时的AI研究者对机器拥有人类思维能力抱有很高的期望，但是随着研究的深入，他们发现想实现这个目标比最初设想的困难许多。到如今，AGI仍然有很长的路要走。不过值得高兴的是，在今年的各大顶会中，有关自主智能体的研究有了许多突破性进展，以往困扰AI Agent研究者的社会交互性和智能性问题都随着大语言模型（LLM）的发展有了新的解决方向。为方便大家了解AI Agent领域的最新研究进展，我这回整理了需要论文及源代码的同学看文末。
进阶篇08Agent认知框架之Plan-and-Execute
omonday1234的专栏
05-03 2365
Plan-and-Execute这个方法的本质是先计划再执行，即先把用户的问题分解成一个个的子任务，然后再执行各个子任务，并根据执行情况调整计划。：根据任务复杂度选择框架，简单任务推荐ReAct，多步骤复杂任务优先Plan and Execute。：当遇到需要处理超过3个步骤的复杂任务时，Plan and Execute的架构优势将显著体现。Plan-and-Execute的实现过程。
agent论文分析
weixin_57128596的博客
07-11 1199
重要的是，它们不仅复制训练数据，而且还显示出一定程度的创造力，生成不同的文本，比人类[216]制作的基准同样新颖，甚至更新颖。人工智能（AI）是一个致力于设计和开发能够复制人类智能和能力的系统的领域，早在18世纪，哲学家Denis Diderot提出了一个观点，即如果一只鹦鹉能够回答每一个问题，它就可以被认为是智能的，他的观点突显了一个深刻的概念：高度智能的生物可以类似于人类智能。操作：首先，感知模块，对应于人类的感官系统，如眼睛和耳朵，感知外部环境的变化，然后将多模态信息转换为Agent的可理解的表示。
AI agent 论文列表
03-14
### 关于 AI Agents 的研究论文列表 以下是与 AI Agents 相关的研究论文列表，这些论文涵盖了自动化任务、多智能体系统以及人类行为分析等多个领域： #### 自动化任务中的 AI Agent 一篇关于自动化的文章提到，“AI Agent for automating repetitive tasks” 是 Bardeen 提供的服务之一[^1]。这表明该平台可能基于某些先进的研究成果来实现其功能。 虽然具体论文未提及，但可以推测此类应用依赖的核心技术包括但不限于强化学习 (Reinforcement Learning) 和模仿学习 (Imitation Learning)，以下是一些经典的相关论文： - **Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.** - 这本书被认为是理解强化学习的基础教材，适用于设计能够完成重复性工作的自主代理。 - **Silver, D., et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484–489.** - AlphaGo 使用的方法展示了如何通过深度神经网络和蒙特卡洛树搜索相结合的方式训练高效的决策型 AI Agent。 #### 多智能体系统的理论基础 Taro Langner 整理的一份清单中提到了许多重要的 AI 领域参考资料[^2]。其中涉及多智能体协作的部分尤其值得关注，因为这是构建复杂环境下的分布式 AI Agent 所必需的知识点。 推荐几篇经典的多智能体系统相关文献如下： - **Busoniu, L., Babuska, R., De Schutter, B., & Ernst, D. (2008). Reinforcement learning and dynamic programming using function approximators. CRC Press.** - 此书深入探讨了函数逼近器在解决大规模状态空间问题上的作用，这对于开发高效能的多智能体算法至关重要。 - **Lowe, R., Wu, Y., Tamar, A., Harb, J., Abbeel, P., & Mordatch, I. (2017). Multi-agent actor-critic for mixed cooperative-competitive environments. Advances in Neural Information Processing Systems, 30.** - MADDPG 方法开创性地解决了混合合作竞争环境下多个智能体之间的交互难题。 #### 人脸与姿态识别背景下的 AI Agent 应用案例 来自 IEEE International Conference on Automatic Face and Gesture Recognition 的最新进展显示，在面部表情理解和人体动作捕捉方面取得了显著成果[^3]。这类技术通常被集成到社交机器人或者虚拟助手当中作为感知模块的一部分。 建议阅读下面这篇有关视觉驱动型 AI Agent 的代表性工作： - **Pavlovic, V. I., Sharma, R., Huang, T. S. (1997). Visual interpretation of hand gestures for human-computer interaction: a review. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7): 677-695.** --- ```python import requests def fetch_papers(topic): url = f"https://api.semanticscholar.org/graph/v1/paper/search?query={topic}&limit=10" response = requests.get(url) data = response.json() return [(paper['title'], paper['url']) for paper in data['data']] papers_list = fetch_papers('AI Agent') for title, link in papers_list: print(f"- [{title}]({link})") ``` 上述 Python 脚本可以帮助动态获取最新的学术资源链接。 ---
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值