心血来潮，想了解下最近大火的Agent，寻寻觅觅找到了datawhale开源的Agent教程，受益匪浅，本篇文章记录下自己的感悟。资源链接：Hello Agents
现在大火的LLM和Agent是两个不同的概念，LLM只会进行对话，相当于只有脑子没有手脚，不具备改造外部环境的能力，而Agent相当于为LLM这个大脑配备了手脚，赋予其操作工具的能力。
智能体(Agent)的定义是：任何能够通过传感器感知外部环境，并进行决策，使用执行器根据决策结果改变外部环境达成目标的实体。简单来说，智能体具备感知能力，并能够根据感知结果进行决策（自主性），进一步根据决策结果调用外部工具实现目标。
智能体中智能的体现在于其“自主性”，在以往的智能体中，自主性的体现非常局限，感知和决策结果往往是呈现出固定的映射规则。
以LLM的爆发时发展作为分Agent 智能体水岭，智能体的发展大体分为两类：非学习型智能体和学习型智能体。
- 非学习型智能体：决策逻辑依赖于预设的先验知识，比如规则映射或模型函数
- 学习型智能体：以LLM作为大脑驱动，不依赖预设的先验知识，能够在与环境的不断交互中自主学习决策逻辑，知识来源是非结构化不可解释的.最典型的学习型智能体就是现在的LLM驱动型智能体
传统智能体与LLM驱动智能体的区别
智能体之间的运作模式大不相同，通常使用PEAS模型描述智能体的运作模式或任务环境：
- P(Performance): 性能度量，智能体的目标
- E(Environment): 环境描述
- A(Actuators): 执行器，智能体可调用的外部工具
- S(Sensors): 解析执行器的结果或用户的文本提示
PEAS模型
自己也尝试了下搭建智能旅行助手，使用的模型是Qwen，代码放在了智能旅行助手,以下是测试的输出:
工作流与智能体的区别在于：智能体具有自主性，而工作流是对一系列任务或步骤进行预先定义的、结构化的编排。而Agent能够基于实时信息进行动态推理和决策。
当前智能体的两种应用范式：
- 智能体交互模式：人为主体，Agent作为辅助
- 高级协作者：能够独立完成高层级目标的“自主协作者”
无论是机器学习，还是深度学习，亦或是智能体的发展历程，都离不开两个学习范式之间的较量: 符号主义和联结主义。
学习范式 假设 图示 应用 符号主义 受数理逻辑影响，符号主义认为:人类的智能，尤其是逻辑推理能力，能够由形式化的符号表达，简单来说，一个推理系统由一组可被区分的符号和一系列对这些符号进行操作的过程组成，
智能的本质，就是符号的计算与处理
专家系统
智能的本质，就是符号的计算与处理
专家系统
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：Ai探索者，转载请注明出处：https://javaforall.net/236120.html原文链接：https://javaforall.net
