深度剖析AI Agent的原理及应用发展

作者：在野在也发布时间：2024-01-15

大语言模型 ChatGPT

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

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》

01、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

我们将上述的场景抽象成模型，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

02、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

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

Memory-记忆模块部分

将记忆模块分为两个子模块，分别是

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）
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）

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针对于这一块可以查阅一下OpenAI的官方文档中Prompt Engineer的使用指南部分，地址：https://platform.openai.com/docs/guides/prompt-engineering/strategy-give-models-time-to-think

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）

Agent具体的行动方式分类三类

文本输出：大语言模型的基础能力
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

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

03、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在医疗保健、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

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

图片来源：https://www.khanacademy.org/khan-labs

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

图片来源：https://openai.com/blog/introducing-gpts

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：

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

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
在此附上Mr.Ranedeer使用方法：https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor/blob/main/Guides/How to use Mr. Ranedeer.md#how-to-use-mr-ranedeer