基础

智能体基础 [!note] 定义 智能体（Agent）是能够感知环境、进行推理并执行动作以达成目标的系统。 三个核心要素 目标（Goal）：要解决什么问题。 记忆（Memory）：保存上下文与历史决策。 工具（Tools）：调用外部能力执行任务。 一个最小工作流 接收任务 拆解步骤 执行与验证 输出结果并记录经验 智能体分类 [!summary] 智能体的分类可以从两条主线理解： 传统演进路线（从规则反应到学习进化） 三个现代互补维度（决策架构、时间反应性、知识表示） 一、传统演进视角 简单反射智能体（Simple Reflex Agent） 仅依赖当前感知输入。 基于预设的“条件-动作”规则。 无记忆、无预测能力。 基于模型的反射智能体（Model-Based Reflex Agent） 引入内部世界模型（World Model）。 能追踪不可直接观测的环境状态。 具备初级记忆能力。 基于目标的智能体（Goal-Based Agent） 从“被动反应”转向“主动达成目标”。 会进行规划（Planning）并评估行动路径。 基于效用的智能体（Utility-Based Agent） 在多目标冲突下进行权衡。 为状态赋予效用值，追求期望效用最大化。 学习型智能体（Learning Agent） 包含性能元件与学习元件。 通过与环境交互持续自我修正（如强化学习）。 可从“依赖规则”演进为“依赖经验”。 二、现代三大分类维度 1. 基于内部决策架构 关注“内部决策机制复杂度”的层级。 基本覆盖从简单反应式到效用决策式的阶梯。 学习能力可视为可叠加在各类架构上的元能力。 2. 基于时间与反应性 反应式智能体（Reactive Agents） 感知到行动的直接映射。 优点：速度快、计算开销低。 局限：缺乏长程规划，易陷入局部最优。 规划式/审议式智能体（Deliberative Agents） 行动前基于世界模型进行推演。 优点：战略性强、可评估长期后果。 局限：时间和计算成本较高。 混合式智能体（Hybrid Agents） 结合反应式与规划式优势。 兼顾即时响应与长期目标。 典型例子：LLM 智能体在“思考-行动-观察”循环中运作。 3. 基于知识表示 符号主义 AI（Symbolic AI） ...