人工智能代理的七大启示：研究与应用
2900
画布
|大纲
内容详情
代理研究趋势
符号代理：通过规则和结构化知识模拟人类的推理，适用于特定问题（如医疗诊断），但难以应对复杂、不确定的环境。
反应型智能体：通过“感知-行动”循环对环境做出快速反应，适合快速交互场景，但无法完成复杂任务。
强化学习代理：通过反复试验学习来优化行为，广泛应用于游戏和机器人技术，但训练时间长、样本效率低、稳定性差。
基于LLM的代理：LLM代理结合了符号推理、反馈和自适应学习，具有少样本和零样本学习能力，广泛应用于软件开发、科学研究等领域，适用于动态环境，可以与其他代理协作。
代理架构
�案模块
- 画像模块：通过赋予角色或个性来决定代理行为并确保一致性，适用于需要个性稳定的场景。LLM 代理的画像分为三类：人口统计角色、虚拟角色和个性化角色。
- 记忆模块
- 统一记忆：处理近期信息的短期记忆。通过文本截断、记忆总结和改进的注意力机制进行优化，但受到上下文窗口的限制。
- 混合记忆：结合短期记忆和长期记忆，将长期记忆存储在外部数据库中以便有效回忆。
- 感知
- 文本输入：文本是LLM代理的主要沟通方式，虽然代理具备高级语言能力，但理解指令背后隐含的含义依然是一大挑战。
- 视觉输入：视觉感知使代理能够理解物体和空间关系。
- 听觉输入：听觉感知使代理能够识别声音和语音，这在交互式和高风险场景中尤为重要。
- 推理和规划
- 无反馈规划：在没有反馈的情况下，Agent 从一开始就制定完整的规划，并在不进行调整的情况下执行。
- 多路径推理：与单路径推理不同，多路径推理允许代理同时探索多个步骤，生成和评估多个潜在解决方案，并从中选择最佳路径。
- 外部规划师：当 LLM 在特定领域面临规划挑战时，外部规划人员会提供支持并整合 LLM �缺乏的专业知识。
- 人工反馈：通过与人类互动，它可以帮助代理与人类价值观保持一致并避免错误。
- 行动
- 行动目标：代理执行各种目标，例如任务完成、通信或环境探索。
- 动作生成：通过回忆或计划产生动作，例如基于记忆或计划的行动。
- 动作空间：包括内部知识和外部工具（如 API、数据库或外部模型）来执行任务。