本篇文章将深入探讨AI Agent是什么？它是如何运作的？它实际应用场景有哪些以及对我们的生活会带来哪些改变。请坐好，准备发车啦～
随着大语言模型（LLM）在23年的快速发展，大模型逐步收敛为以闭源为代表的ChatGPT和以开源为代表的Llama2。
大模型本身也在朝着多模态的方向发展，这意味着模型能够处理不同类型的数据，如：文本、图片、视频和音频，其本质是丰富模型的信息处理与生成能力，能够更好地理解现实世界，处理复杂问题。
一、LLM vs Agent
虽然大语言模型的能力足够强大，但它依旧是被动的响应用户的指令，并且生成的效果取决于使用者如何使用它。
而AI Agent（智能代理）的出现，将改变这一现状。
它是一个自动化的程序，它具备自主规划和执行的能力，它也被视为通往AGI（通用人工智能）的钥匙。
从NLP -> AGI 的发展路线分为五个级别，From:《The Rise and Potential of Large Language Model Based Agents: A Survey》，分别是：语料库、互联网、感知、具身和社会属性。
目前的大语言模型已经来到了第二级，具备互联网实时访问的多模态内容输出。AI Agent在LLM的基础之上在往感知、具身和社会属性的方向方展；当其具备感知环境与行动的能力时，将进入到第三和第四级别；再进一步，当多个Agent通过它们之间的互动、合作，且具备情感属性，能够处理更加复杂的任务或反映现实世界中的社会行为时，Agent将进入第五级。
图片来源：《The Rise and Potential of Large Language Model Based Agents: A Survey》
二、什么是AI Agent？
Agent被翻译为代理或者智能体，它核心的作用是具备自主实现目标的能力，能够感知外部环境，具备自主性、反馈性、积极性和情感社交属性的智能体。
光这样描述还是很抽象，以我们的日常行为进行一个比喻：人类处理任何问题和任务时，都会经历信息输入->信息处理->信息输出过程。
信息输入：主要通过人类感官系统，视觉、听觉、味觉、触觉等信息处理：主要通过人类的大脑进行规划与决策信息输出：主要通过人类的语言和四肢所采取的行动
我们来想想一个场景： 小明想要吃树上的苹果，首先通过感官系统感知到苹果树上的苹果，然后在大脑中思考如何采摘苹果，最后借助采摘工具，拿到苹果后成功地放到嘴巴里津津有味地吃了起来。我们将场景抽象成模型，其实就形成了AI Agent的大致框架：
分以下几个模块：
感知模块：小明看到苹果树上的苹果规划模块：想尝一尝苹果，并思考和规划如何才能吃到苹果行动模块：借助采摘工具，拿到苹果后放入嘴中反馈模块：苹果是甜的，津津有味地吃了起来～
其中最关键的是大脑部分（规划&决策），由ChatGPT、Llama2、Gemini这样的大语言模型作为Agent的大脑，增强了Agent的规划与决策的能力。
三、AI Agent关键模块说明
我们将上图进行进一步的抽象和延展，就是网上广为流传由OpenAI提出的Agent的模型图：
图片来源：《LLM Powered Autonomous Agents》
其实和上图模型中各模块的关联关系差不多，只是OpenAI将AI Agent各模块的相关信息呈现的更丰富，基于这张模型图，可以拆分为以下几个模块：规划、记忆、工具和行动。
1. Memory-记忆模块部分
将记忆模块分为两个子模块，分别是
1）短期记忆模块：提示词工程中的上下文，类比于人类的感知模块，是外部信息的输入，如：文本/图片/视频/音频。
短期记忆模块受到模型的上下文的限制，我们常看到的GPT-4 Turbo支持128k上下文指的就是模型能够记住的上下文长度，超过上下文的限制后，LLM就会忘记之前输入的信息（犹如得了阿尔兹海默症）。
2）长期记忆模块：支持向量库检索，类比于人类的博物馆，支持在执行任务时调用博物馆中的知识。
长期记忆分为：
外显的陈述性记忆（客观的事实或观点，如：事件&事实&概念）内显的程序记忆（主观习得的知识，如：翻译&骑自行车）
2. Planning-规划模块部分
将规划模块进行细分，其中思维链（CoT）和子目标分解（Subgoal Decomposition）是为了将复杂目标进行拆分，找到最优的执行路径。
图片来源：《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》
而反思（Reflection）和自我批判（Self-critics）模块，引入强化学习机制，通过环境的反馈状态，能从错误中吸取”教训”，从而提高结果的质量。其中大语言模型-LLM在规划模块占据核心位置。像CoT、ToT、ReAct等在规划模块运用的相关技术，其实大部分是进阶的提示词工程的使用技巧，掌握了这些进阶提示词工程的技巧，我们一样能在ChatGPT中实现智能体的规划能力。
3. Action&Tools-行动和工具调用模块
虽然OpenAI拆分为了两个不同的模块，但是我们其实可以把它看作一个整体，有了工具再采取行动（有了采摘工具再去采摘苹果）。
图片来源：《The Rise and Potential of Large Language Model Based Agents: A Survey》
Agent具体的行动方式分类三类：
1）文本输出：大语言模型的基础能力
2）工具使用：大语言模型通过调用外部的程序工具，拓展了模型本身能力的边界，其中能够调用的工具包括：
专家模块，如：调用其他的模型来协同处理任务工具模块，如：其他应用程序的API或插件处理特定任务
3）具身行动：可理解为现实世界的机器人，能够在现实环境中定位自身位置、感知周围物体，接收指定任务后与周围物体进行交互，从而实现任务目标
我们用一个简单的公式做个阶段性的总结：
Agent = LLM + 记忆 + 感知&反思 + 规划+ 工具使用
四、AI Agent应用场景
23年11月9日比尔盖茨在其发表的文章《AI is about to completely change how you use computers》中提出：AI Agent在医疗保舰教育、生产力、娱乐与购物等应用领域将发挥其巨大的潜能。
咱们重点谈谈教育和娱乐。
1. 教育
谷歌在22年底曾发布的三篇有关未来教育的报告，其中提到关于未来教学方式将从一对多的教学方式，转变为个性化教学和自适应教学
目前也已有许多头部机构在教育领域已有了较为成熟的AI应用 像可汗学院推出的AI学习助手Khanmigo，不仅能为学生在数学、科学、人文科学等领域进行教学辅导，而且能够帮助老师编写教案、规划课程，将AI深入融合进了教学工作的各个环节，让老师能够更专注于学生的综合能力培养。
再推荐一款笔者常用的GPTs，名为Mr.Ranedeer
先介绍一下GPTs，GPTs是由OpenAI推出的ChatGPT的定制化模式，任何人都无需编码即可构建属于自己的ChatGPT
虽然只需要说说话就能构建GPT，但是要让自己的GPT足够实用，且能够在将来GPTs的商店中赚到钱，那还需要具备三个核心要素：
提示词-Prompt，优秀的Prompt才会让GPT有优秀的表现行为-Action，能够让GPT具备调用工具的能力，拓展GPT的能力边界数据-Database，数据的质量很大程度上决定了GPT输出的质量
其中数据属于属于企业&个人，有就是有，没有就是没有。
所以对于大部分人来说，能做的就是Prompt的撰写和Action的配置。其中Action中的Function Calling（函数调用-调用外部应用的API接口），是GPTs能够作为Agent的最核心能力，通过接入外部应用的接口GPT可以调用其他软件去完成任务目标，从而给出目标结果。
情不自禁的扯远了…
我们再回到刚刚推荐的Mr.Ranedeer，它是作者：JushBJJ分享的GPTs，最早是以Prompt的形式上传至Github中分享给大家使用。
它能够根据我们给出的学习计划，自动拆解学习内容完成每一章的学习内容后，可以选择继续学习或出题测试检验自己的学习成果学习过程中我们能够随时提出对某个知识点感兴趣，它会基于我们的兴趣进行延展学习
具体的使用方法：
1）进入网站：https://supertools.therundown.ai/content/mr-ranedeer 这是一个汇聚全球创作者所创作的GPTs，并且按照不同类别进行分类，找起来非常方便。
2）选择Mr.Ranedeer，点击使用按钮，页面会自动跳转至自己的ChatGPT界面中，就能开始学习起来啦。
2. 娱乐
由奚志恒等作者发布的论文《The Rise and Potential of Large Language Model Based Agents: A Survey 》中，原神为例，构建了一个由多个Agent共同协作的社会，人类也能够参与到其中与不同Agent进行互动交流。
图片来源：《The Rise and Potential of Large Language Model Based Agents: A Survey》
图中左上角有一个Agent在点菜，另一个Agent在规划和解决做菜的任务；右上角的Agent们在讨论如何制作灯笼和计算灯笼的成本。
基于上述的案例我们能够构想一下未来具有AI加持的游戏画面：
在一个类似于像荒野大镖客这样的开放性游戏中，我们遇见的每一个NPC都具有独立情感，我们能够与之交互，不同玩家的行为选择会产生不同的游戏剧情。
结尾
好啦，以上就是我对Agent的理解，如果文章中有描述不对的地方，请帮忙指正，避免对其他读者产生误导，在这里我先说谢谢啦
让我们共同迎接2024，加油朋友们
本文由 @在野在也 原创发布于人人都是产品经理。未经作者许可，禁止转载。
题图来自 Pixabay，基于CC0协议。
