|
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～  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。 一、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。 
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。我们将场景抽象成模型，其实就形成了AI Agent的大致框架：  图片来源：《LLM Powered Autonomous Agents》 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。 1. Memory-记忆模块部分将记忆模块分为两个子模块，分别是 1）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）。 2）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：
2. 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：《The Rise and Potential of Large Language Model Based Agents: A Survey》 Agent具体的行动方式分类三类： 1）文本输出：大语言模型的基础能力 2）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：
3）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 四、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。 1. 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  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  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：
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。  图片来源：https://supertools.therundown.ai/ 2）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。 3）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 2. 娱乐由奚志恒等作者发布的论文《The Rise and Potential of Large Language Model Based Agents: A Survey 》中，原神为例，构建了一个由多个Agent共同协作的社会，人类也能够参与到其中与不同Agent进行互动交流。  图片来源：《The Rise and Potential of Large Language Model Based Agents: A Survey》 图中左上角有一个Agent在点菜，另一个Agent在规划和解决做菜的任务；右上角的Agent们在讨论如何制作灯笼和计算灯笼的成本。 基于上述的案例我们能够构想一下未来具有AI加持的游戏画面： 在一个类似于像荒野大镖客这样的开放性游戏中，我们遇见的每一个NPC都具有独立情感，我们能够与之交互，不同玩家的行为选择会产生不同的游戏剧情。 结尾好啦，以上就是我对Agent的理解，如果文章中有描述不对的地方，请帮忙指正，避免对其他读者产生误导，在这里我先说谢谢啦?? 如果文章有给到你启发和收获，可以告诉我，我会特别开心?? 让我们共同迎接2024，加油朋友们?? 作者：在野在也，公众号：在野在也 本文由 @在野在也 原创发布于人人都是产品经理。未经作者许可，禁止转载。 题图来自 Pixabay，基于CC0协议。 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。 |
