从零到手搓一个Agent：AI Agents新手入门精通（一）

今日主题：当什么是Agent，与LLM的区别又是啥

这一天，你的女朋友问你（假设我们有女朋友），宝宝，什么是Agent啊，Agent和LLM有什么区别呀，最近大家都在说的Agent究竟是什么，包括很多文章都在写的Agent，还有之前谷歌发布的Agents白皮书究竟是什么，对我们有什么帮助，对我们有什么影响呢？现在，编者专门做了一个系列，从最简单的讲起，解开这个迷雾，这个系列的教程，会帮助你了解基本概念，并且能够手搓一系列的agent

那么，chatgpt是Agent还是LLM，有了LLM为什么还需要Agent呢，这次我们就把概念弄清楚以及有什么用讲清楚

一、LLMs的局限与Agents的诞生（结合ChatGPT举例）

你或许已经体验过 ChatGPT 的强大对话能力，它能流畅地与你聊天、回答问题，甚至帮你写诗、写代码。这背后正是 LLMs（大型语言模型）在发挥作用。LLMs 就像一个超级博览群书的“大脑”，它掌握了海量的文本知识，可以根据你的提问，生成相应的文本回复

那么，为什么说 LLMs 仍然存在局限性呢？ 让我们以 ChatGPT 为例来看：

1. 知识的滞后性：

举例： 你问 ChatGPT “今天的天气怎么样？” 或者 “最新的股票价格是多少？”，它很可能无法给出准确的回答。因为它所拥有的知识来源于训练时的数据，无法实时获取最新的信息。它可能告诉你的是前几天的天气，或者很久之前的股票行情。

解释： LLMs 的知识就像一本厚厚的“旧书”，书里记载着很多知识，但无法知道书出版之后发生的新鲜事。

2. 无法与外界交互：

举例： 你让 ChatGPT “帮我预订一张明天的机票”，它会很热情地告诉你预订机票需要哪些步骤，却无法实际帮你预订。你让它 “帮我发送一封邮件给同事”，它也只能为你写好邮件内容，而不能帮你发送出去。

解释： LLMs 只能进行文本理解和生成，它就像一个“只会说”的人，但没有“手脚”去执行实际操作。

3. 缺乏自主行动能力：

举例： 你问 ChatGPT “如何制定一个完美的旅行计划”，它会给出你很多建议，例如选择目的地、预订酒店、规划行程等等。但是它不会主动帮你把这些都安排好。它只是在回答你的问题，而不是主动帮你解决问题。

解释： LLMs 只能被动地接收指令，然后给出回答，无法根据目标自主规划行动。就像一个“听话的助手”，但是没有自己的想法和主动性。

二、为了突破这些限制，Agents（智能体）应运而生。

Agents 的核心思想：给 LLMs 配备“手脚”和“大脑”

我们可以将 Agents 想象成一个升级版的 ChatGPT，它不仅具备强大的语言理解和生成能力，还拥有了：

“手脚”（工具）： Agents 可以利用各种工具（例如，搜索引擎、数据库查询工具、邮件发送工具）与外界互动，获取信息、执行操作。就像给 LLMs 配备了可以操作各种工具的 “手脚”。

“大脑”（编排层）： Agents 具备推理和规划能力，可以根据目标自主规划行动，并合理地调用各种工具。就像给 LLMs 配备了一个可以自主思考和决策的“大脑”。

Agents 与 LLMs 的区别：

简而言之：

* LLMs 就像一个知识渊博的“问答机器人”，你问什么，它答什么。

* Agents 就像一个“智能助手”，它不仅能回答你的问题，还能主动帮你完成任务。

通过这样的解释，希望能够帮助读者更好地理解 LLMs 的局限性，以及 Agents 的优势和价值。Agents 的出现，标志着人工智能正朝着更智能、更强大的方向发展。

• 知识的局限性： LLMs的知识来源于训练数据，无法获取实时的外部信息，这使得它在处理需要最新资讯的任务时显得力不从心。
• 行动的局限性： LLMs只能进行文本生成和理解，无法与外部环境交互，更无法执行实际操作，例如查询数据库或发送邮件。

为了克服这些局限，谷歌的研究人员在《New whitepaper Agents》中详细阐述了“Agent”的概念。他们将LLMs与工具和编排层相结合，赋予了LLMs自主行动的能力，使其能够像一个真正的“智能体”一样工作。

学到这了，奖励自己一下，放松一下眼睛

三、Agents的核心组件：智能体的“三大支柱”

一个完整的Agent通常由三个核心组件构成，它们相互协作，共同支撑起Agent的智能行为：

1. 模型 (Model): Agent 的“大脑”
   1. 角色： 负责理解用户输入、进行推理和规划，并选择合适的工具执行任务。
   2. 类型： ReAct、Chain-of-Thought、Tree-of-Thought等模型，提供了不同的推理框架，帮助Agent进行多轮交互和决策。
   3. 重要性： 模型是Agent的核心，其推理能力直接决定了Agent的行动效率和准确性。
2. 工具 (Tools): Agent 与外界交互的“桥梁”
   1. 角色： 允许Agent访问外部数据和服务，执行各种任务。
   2. 类型： 可以是各种API，例如数据库查询、搜索引擎、代码执行器、邮件发送器等。
   3. 重要性： 工具极大地扩展了Agent的能力，使其能够处理更复杂的任务。
3. 编排层 (Orchestration Layer): Agent 的“指挥中心”
   1. 角色： 负责管理Agent的内部状态，协调模型和工具的使用，并根据目标指导Agent的行动。
   2. 类型： 可以使用各种推理框架，如ReAct和Chain-of-Thought等，协助Agent进行规划和决策。
   3. 重要性： 编排层是Agent的“指挥中心”，确保各个组件协同工作，最终实现预定目标。

四、Agents的运作机制：从输入到输出

Agent 的运作流程可以概括为以下几个步骤：

1. 接收输入： 接收用户的指令或问题。
2. 理解输入： 模型理解用户的意图，并提取关键信息。
3. 推理规划： 模型根据用户输入和当前状态，进行推理和规划，确定下一步行动。
4. 选择工具： 模型根据目标选择合适的工具。
5. 执行行动： Agent使用工具执行行动，例如查询数据库、发送邮件等。
6. 获取结果： Agent获取工具执行的结果。
7. 输出结果： Agent将结果输出给用户，或进行下一步行动。

相较于传统的LLMs，Agents 具备以下显著优势：

• 知识扩展： 通过工具，Agent可以访问实时信息和外部知识库，突破了训练数据的限制，提供更准确和可靠的信息。
• 自主行动： Agent 可以根据目标自主决策和行动，无需人工干预，大大提高了效率和灵活性。
• 多轮交互： Agent 可以管理对话历史和上下文，进行多轮交互，提供更自然和流畅的用户体验。
• 可扩展性： Agent 可以通过添加新的工具和模型，不断扩展其功能和应用范围。

五、Agents的应用：从智能客服到虚拟助手

Agents 的应用场景非常广泛，以下仅列举部分：

• 智能客服： 自动回答用户问题、处理订单、解决客户问题。
• 个性化推荐： 根据用户兴趣和行为，推荐商品、内容、服务等。
• 虚拟助手： 帮助用户管理日程、预订行程、发送邮件等。
• 代码生成： 根据用户需求，自动生成代码。
• 智能创作： 创作诗歌、小说、剧本等。
• 知识图谱构建： 从文本中提取知识，构建知识图谱。

Agents的开发工具：从LangChain到Vertex AI

为了方便开发者构建 Agents，Google 提供了多种工具和平台：

• LangChain： 一个开源库，方便开发者将LLMs与工具和编排层结合，构建功能强大的Agents。
• LangGraph： 一个开源库，帮助开发者构建和可视化 Agents，提供图形化界面，方便设计和测试。
• Vertex AI： 一个云平台，提供各种AI工具和服务，如Vertex Agent Builder、Vertex Extensions、Vertex Function Calling等，帮助开发者快速构建和部署 Agents。

Agents 的未来充满无限可能，技术发展将推动 Agents 走向更智能化和强大：

• 更先进的模型： 更强大的语言模型将带来更复杂的推理和规划能力。
• 更丰富的工具： 更多种类的工具将为 Agent 提供更丰富的交互方式，例如自然语言处理、图像识别、语音识别和机器人控制等。
• 更智能的编排层： 更智能的编排层将更好地协调模型和工具，提高 Agent 的效率和灵活性。
• Agent Chaining： 更多专业化的 Agents 将协同工作，解决更复杂的问题。
• 多模态交互： Agent 将能够处理多种模态数据，如文本、图像和语音，带来更丰富的用户体验。
• 人机协作： Agent 将与人类更紧密地合作，共同完成更复杂的任务。

六、结语：Agent，AI的未来

Agents 代表着生成式AI模型的进阶形态，它们拥有自主行动能力，能够利用工具与外界交互，并根据目标进行决策，具有更广泛的应用范围和更强大的能力。随着技术的不断发展，Agents 将会改变我们的生活和工作方式，并推动人工智能进入新的发展阶段。未来，Agent 将成为人工智能发展的重要方向，为我们带来更智能、更便捷的未来。