什么是智能体？

简单的定义：

• hello-agents in Github: 在人工智能领域，智能体被定义为任何能够通过传感器（Sensors）感知其所处环境（Environment），并自主地通过执行器（Actuators）采取行动（Action）以达成特定目标的实体。
• google:AI 智能体是使用 AI 来实现目标并代表用户完成任务的软件系统。其表现出了推理、规划和记忆能力，并且具有一定的自主性，能够自主学习、适应和做出决定。

传统视角下的智能体（before LLM）：

• 结构最简单的反射智能体，经典的自动恒温器便是如此：若传感器感知的室温高于设定值，则启动制冷系统
• 基于模型的反射智能体，比如行驶中的自动驾驶汽车，它的内部模型依然会维持对那辆车存在、速度和预估位置的判断。这个内部模型让智能体拥有了初级的“记忆”，使其决策不再仅仅依赖于瞬时感知，而是基于一个更连贯、更完整的世界状态理解。
• 基于目标的智能体（Goal-Based Agent），比如GPS导航系统，输入你的目的地，根据路径算法给出最优路线。
• 基于效用的智能体（Utility-Based Agent），接着上面的GPS例子，不仅希望到达目的地，还希望时间最短、路程最省油并且避开拥堵。Utility-Based Agent为每一个可能的世界状态都赋予一个效用值，这个值代表了满意度的高低，智能体的核心目标不再是简单地达成某个特定状态，而是最大化期望效用。
• 学习型智能体（Learning Agent），例子：Alpha Zero。不依赖人类经验，通过经验自我进化的学习者。

大语言模型（LLM）驱动的新范式

先理解大语言模型，也称为 LLM，是基于大量数据进行预训练的超大型深度学习模型。底层转换器是一组神经网络，这些神经网络由具有自注意力功能的编码器和解码器组成。编码器和解码器从一系列文本中提取含义，并理解其中的单词和短语之间的关系。

LLM 智能体可以直接处理高层级、模糊且充满上下文信息的自然语言指令。

以一个“智能旅行助手”为例来说明，在 LLM 智能体出现之前，规划旅行通常意味着用户需要在多个专用应用（如天气、地图、预订网站）之间手动切换，并由用户自己扮演信息整合与决策的角色。而一个 LLM 智能体则能将这个流程整合起来。当接收到“规划一次厦门之旅”这样的模糊指令时，它的工作方式体现了以下几点：

• 规划与推理：智能体首先会将这个高层级目标分解为一系列逻辑子任务，例如：[确认出行偏好] -> [查询目的地信息] -> [制定行程草案] -> [预订票务住宿]。这是一个内在的、由模型驱动的规划过程。
• 工具使用：在执行规划时，智能体识别到信息缺口，会主动调用外部工具来补全。例如，它会调用天气查询接口获取实时天气，并基于“预报有雨”这一信息，在后续规划中倾向于推荐室内活动。
• 动态修正：在交互过程中，智能体会将用户的反馈（如“这家酒店超出预算”）视为新的约束，并据此调整后续的行动，重新搜索并推荐符合新要求的选项。整个“查天气 → 调行程 → 订酒店”的流程，展现了其根据上下文动态修正自身行为的能力。

我们正从开发专用自动化工具转向构建能自主解决问题的系统。核心不再是编写代码，而是引导一个通用的“大脑”去规划、行动和学习。

智能体的运行方式

智能体并非一次性完成任务，而是通过一个持续的循环与环境进行交互，这个核心机制被称为 智能体循环 (Agent Loop)

感知-思考-行动-观察，形成了一个持续的闭环。行动会对环境施加具体的操作，如智能旅行助手中，LLM思考用户需要了解指定城市的天气，做出调用查询天气工具的行动，天气工具返回结果（通常是一小段自然语言“北京天气小雨，微风”），结果作为Observation反馈给LLM作为下一轮思考的主要输入。