AI Agent：定义、演进、应用落地与商业价值全面剖析-笔记

自大语言模型横空出世以来，AI Agent的热度持续攀升，被视为通向AGI（通用人工智能）的一条可行路径。我个人在使用GPT等AI产品时，不仅享受着它们在日常任务处理中的便捷，如辅助信息收集、验证新产品PMF（产品市场契合度）的可行性，同时也在不断探寻解决现存问题的途径。

如何使Agent能够可控、准确且高效地应对复杂任务？如何让它自动分解任务目标，并精准调动其他Agent协同处理分解后的子任务？如何构建更加科学合理的多Agent产品架构？正是这些疑问，促使我萌生了撰写这篇笔记的目的。通过理论与实践相结合的方式，我想尽可能的对Agent形成一个更为系统的认知，提炼出一套搭建Agent的方法论，并将这一过程分享给大家，作为学习交流的参考。

你或许好奇，Agent究竟是什么？它与大模型又有何区别？以及它能够帮助我们做什么？

从传统软件到大模型应用，再到Agent的演进历程，我们不难发现，传统软件如B站、微信或主机游戏《黑悟空》等，其功能均在限定的场景内，通过预设的程序规则和代码逻辑自动执行任务。例如，在B站搜索输入框中，明确要求输入文本内容，一旦输入“Agent”，应用程序便会遵循既定的处理规则，匹配全网视频标题描述，结合播放量、点赞数、评论数等数据，对搜索结果进行综合排序，最终以视频列表的形式呈现给用户。

而大语言模型应用，如ChatGPT、Claude、Kimi等，则模仿人类大脑，经由海量数据训练而成。在使用时，模型往往无法预知用户会输入何种内容，可能是文本、表格、图片，亦或是视频、音频。模型对信息的处理过程和输出结果同样充满不确定性，但正是这种不确定性赋予了模型创造力和生存能力，使其在一定程度上超越了基于规则的程序，向人类的方向迈进了一步。我们在使用ChatGPT时，通常会有这样的感受：输入一个任务后，模型即刻给出答案，但答案可能与我们的期望有所偏差。此时，我们需要调整指令，再次发送给ChatGPT，如此反复，直至得到满意的结果。这一过程，便是我们常说的“Prompt Engineering”（提示词工程），它考验的是使用者的提问能力和需求表达能力。

然而，要让大语言模型的输出质量更上一层楼，还会面临以下几个挑战：

数据时效性不足：模型训练数据具有时效性，如ChatGPT-4的训练数据截止至23年10月，因此无法提供该时间点之后发生事件的最新信息和见解。

缺乏垂直领域知识：大模型虽在广泛数据集上训练，具备泛化能力，但在医学、法律或金融等垂直领域，其分析和建议难以媲美领域专家。

上下文长度限制：在处理长文本时，大模型易丢失上下文，导致生成内容不连贯或前后矛盾。

为解决大语言模型自身的局限，更好地实现商业化落地，我们迎来了Agent时代。23年6月，OpenAI研究员在其博客上发表了一篇题为《基于大语言模型驱动的自主代理》的文章，引起了广泛关注。

那么，Agent究竟是什么呢？目前，中文里常将Agent称为“智能体”，但我更倾向于称为“代理”。它是代替人类处理任务的AI程序。以智能汽车为例，智能汽车集自动驾驶、自动泊车、语音控制等功能于一身，整体好比一个Agent。它具备与外界交互和执行任务的能力，而汽车引擎——即核心部件，是提供速度和强大动力的核心单元模型或多模态模型，如同引擎之于汽车，是Agent的智能大脑，负责理解和处理复杂指令。

当然，汽车除了引擎，还有轮胎、转向系统、刹车传感器等。要构建能够处理复杂任务的Agent，不仅需要依赖语言模型，还需数据的感知收集、外部工具的调用、决策制定、任务规划等其他组件的协同作用。如此看来，Agent就像是大模型的外挂，用于弥补和增强模型所不具备的能力。

通过对比案例，我们或许能更直观地感受Agent的魅力。如前所述，大语言模型的交互过程通常是：用户输入任务，大语言模型直接输出，用户根据输出内容评判，再次输入指令给大模型处理，如此反复直至满意。而AI Agent的交互过程则截然不同：用户输入任务后，Agent自动将任务拆分成多个子任务，并判断优先执行顺序。在处理过程中，Agent会根据任务需求，选择性地调用外部工具辅助处理。处理完成后，Agent还会进行反思和评估，优化执行策略以应对下一个任务。所有任务完成后，Agent再汇总输出最终结果给用户。因此，一个优秀的Agent输出的内容就是一个完整的任务解决方案。

吴恩达教授团队围绕编程问题对大语言模型和Agent进行了对比实验，发现GPT3.5和GPT4的输出准确性分别为48%和67%，而采用Agent架构的模型输出质量更高，准确率接近95%。

所以我总结一下Agent相比大语言模型有几个显著的特点：

第一具备规划和决策能力，相比于大语言模型落子无悔的生存方式，agent更贴近于人类的思考方式，通过探索试错迭代，从而找到任务目标的最优启发。

第二具备记忆能力，摆脱大言语模型上下文的限制，agent能够记住用户的偏好和使用习惯，能够将上下文总结后存储在数据库中，使大语言模型能够更好地理解长文本和应对复杂对话。

第三具备调用工具的能力。agent的架构下能够帮助单元模型识别自身的能力边界，通过调用外部工具或者调用其他模型来解决对应的问题。

第四具备合作机制，能够通过协同多个模型或者多个agent的组合来实现复杂的工作流程，比如在制定产品战略的场景下，增长agent和商业化a卷，它们的作用可以类比为公司的投放运营团队和商业化团队，在用户规模和商业收入上进行多目标的博弈，最终让AI制定一个权衡两边诉求的产品障碍方略。