目前 LLM 技术发展非常迅速，虽然 LLM 看似已经具备了丰富的知识与足够的智慧，但是在一些场景下我们可能需要更加精确的答案，而不是得到一些幻觉类答案，或者答案不够实时，或者人类诉求太过复杂以至于 LLM 无法理解，等等，这些问题也是目前阻止很多 AI 应用落地的主要原因。
基于 AI Agent（AI 智能体）自身所具备的能力，同时借助于 LLM 所释放的潜力，或许在不久的将来能够不断优化改进，达到满足人类更方便、更智能地使用 AI 完成各种任务的需求，实现普惠 AI 的目标。
下面，首先了解一下 LLM 和 AI Agent 有什么不同：
人类与 LLM 之间的交互，是基于给定的 Prompt 提示词来实现的，而对于 Prompt 的设计不同 LLM 给出的对话回答质量也是不同的，所以需要人类通过一些特定的方法或经过多次尝试，才有可能逐步提高对话的精确度和满意度。可见，目前基于 LLM 的应用作为工具，能够在一定程度上提高人类日常生活、工作等的效率，同时反过来也对人类使用 LLM 提出了一定的要求，而且这一部分工作更多的是需要人类主动请求，而 LLM 被动执行动作来完成一次一次地交互。
AI Agent 提供了更广泛的功能，特别是在与环境的交互、主动决策和执行各种任务方面。在基于 LLM 的场景下，我们给 AI Agent 设定一个目标，它就能够针对这个目标独立思考并执行动作，对给定任务进行详细拆解，得到最终计划的所有步骤，从而根据外部环境的反馈以及自己的自主思考，创建更加合适的 Prompt 输入给 LLM 以实现既定的问答目标。简单来说，不需人类的参与， AI Agent 就能够完全独立地完成预先设定的目标。

什么是 AI Agent

AI Agent 是一种能够感知环境、制定决策、执行动作的人工智能体，它能够通过独立思考、进行规划并调用合适的工具去逐步实现给定的目标，整个过程完全不需要人类参与。大模型（LLM）的出现、快速发展与完善，AI Agent 更有潜力借助 LLM 来实现对通用问题的解决与自动化处理，所以我们可以认为目前 AI Agent 基本是基于 LLM（LLM-Based） 的 AI 智能体。
AI Agent 的演化经过了如下几个阶段：

• Symbolic Agents

在 AI 研究的早期阶段，最主要的方法是符号 AI，通过采用逻辑规则和符号表示来封装知识并进行推理。在 Symbolic Agents 这个阶段主要专注解决的问题是：转换问题、表示/推理问题。

• Reactive Agents

Reactive Agent 不使用复杂的符号推理，主要关注 Agent 与其所在的环境（Environment）之间的交互，强调快速和实时响应。

• RL-Based Agents

在 RL-Based Agents 阶段，主要关注点是如何让 Agent 通过与环境（Environment）的交互进行学习，使其在特定任务中获得最大的累积奖励，从而使 Agent 能够在未知环境中自主学习并执行 Action，学习过程中无需人工干预。

• Agents with Transfer Learning and Meta Learning

传统的 RL 学习需要 Agent 耗时处理大量样本和训练，通过引入迁移学习，实现知识共享和迁移，提高了 Agent 的性能表现和泛化能力。在此基础上又引入了元学习，使 Agent 能基于少量样本迅速推断出新任务的最优策略。

• LLM-Based Agents

LLM-Based Agent 以 LLM 为核心大脑组件（中央控制器），通过多模态感知（Multimodal Perception）和工具利用（Tool Utilization）等策略来扩展其 Perception 和 Action 空间。通过使用 CoT（Chain-of-Thought）和问题分解等技术，使 LLM-Based Agent 具有推理和规划能力。同时，LLM-Based Agent 也能够与环境进行交互，通过不断地从反馈中学习，从而优化策略并做出决策，执行下一个 Action。另外，基于 LLM-Based Agent 具有更广泛的应用场景。

LLM-Based Agent 基本框架

LLM-Based Agent 的基本概念框架，如下图所示：

其中包括三个主要的组件：

• 大脑（Brain）

Brain 组件主要由核心的 LLM 组成，它包含的能力有：存储知识和记忆、信息处理与决策、推理与规划。

• 感知（Perception）

Perception 组件主要将 Agent 的感知空间，从语言文字领域扩展到多模态领域（包括语言、视觉、听觉等等）。

• 行动（Action）

在 Action 组件中，Agent 从 Brain 模块接收 Action 序列，执行与环境交互的任务。
通过上图和对三个组件的描述，我们可以看到存在这样一个自动化的环路：Environment → Perception → Brain → Action → Environment，Agent 通过自动地持续与环境交互（感知环境输入/执行 Action 输出到环境）不断学习，并不断优化策略执行新的 Action。

LLM-Based Agent 应用场景

目前，LLM-Based Agent 的应用场景主要包括三类：

• Single Agent

Single Agent，即单智能体。解决这一类场景的应用主要专注于解决任务，即任务导向，如下图所示：

任务导向：在任务导向的部署中，Agent 遵循用户的指令，负责诸如目标分解、子目标序列规划、环境交互式探索等任务，直至最终实现目标。
创新导向：在对智能程度要求更高的领域，比如尖端科学，Agent 的潜力还没有完全实现，还有很大的潜力。
生命周期导向：构建一个具有普适能力的智能体，能够在开放、未知的世界中不断探索、创造新技能，并保持长期的生命周期，目前这还是一个巨大的挑战。

• Agent-Agent

Agent-Agent，即多智能体。多智能体应用场景会存在多个智能体，它们之间存在互动，主要包括两种互动形式：合作型互动（Cooperative Interaction）、对抗型互动（Adversarial Interaction），如下图所示：

• Agent-Human

Agent-Human，即人机互动智能体。Agent 与人类合作完成任务，在这个过程中，人类的参与能有效地指导和监督 Agent 的行为，确保它们的能力满足人类的需求和目标。如下图所示：

Instructor-Executor 范式：人类直接提供清晰具体的指令，Agent 理解来自人类的自然语言命令，并将其转化为相应的 Action。
Equal Partnership 范式：包含两种情形，一种是 Agent 能够从人类的表达中感知并理解情感和情绪，最终创造出情感共鸣的对话；另一种是 Agent 以与人类对等的身份共同参与任务的执行。

AI Agent Society

AI 智能体社会（AI Agent Society），这个概念表达了 LLM-Based Agent 与模拟环境进行交互，像人类一样规划目标、做出决策、执行 Action，并参与社交活动。而未来人类也可能参与到这样一个智能体社会中，与 AI Agent 形成一个互相协作、共同演化的整体。下图展示了这种愿景：

上图中展示了一个节日的场景，模拟了一个 AI Agent 社会应用场景：
在厨房内：一个 Agent 负责点菜，另一个 Agent 负责规划（做菜需要哪些食材），然后完成做菜的任务；
在音乐会上：三个 Agent 作为一个乐队进行协同表演；
在户外：两个 Agent 在讨论制作灯笼，规划需要的材料，使用工具来计算成本开销。
人类用户：也可以参与到这个社会场景中，与 AI Agent 一起协同、社交。

参考资源

• Generative Agents: Interactive Simulacra of Human Behavior
• The Rise and Potential of Large Language Model Based Agents: A Survey
• 全球 AI Agent 大盘点，大语言模型创业一定要参考的 60 个 AI 智能体