英伟达CEO黄仁勋：AI Agents是下一个风口，爆肝给你理清楚什么是AI Agents【下】（小白放心食用）

今日主题：使用AutoGPT构建AI Agent的综合指南

1、AI Agents

AI Agents其实就是人工智能代理。

我们接着上文的继续说法，英伟达CEO黄仁勋：AI Agents是下一个风口，爆肝给你理清楚什么是AI Agents【上】（小白放心食用）

传统的 AI 模型虽然功能强大，但受到其训练所依据的数据的限制。这些模型可以生成对各种提示的响应，但通常难以适应其特定训练之外的任务。例如，如果您询问一个关于假期的基本模型，它可能会失败，因为它无法访问提供正确答案所需的个人数据库或其他外部资源。

AI 模型本身对于总结文档、起草电子邮件或提供一般答案等任务非常有用，但当它们集成到更广泛的系统（我们称之为复合 AI 系统）时，它们的真正潜力就会被释放。这些系统结合了多个组件，例如数据库、外部工具和不同类型的 AI 模型，以处理更复杂的任务。

在我们开始定义 AI 代理之前，让我们看一个例子！

如果您想计划假期并需要知道您还剩下多少假期，一个简单的 AI 模型会很困难，因为它不知道您的个人数据。但是，如果我们构建一个复合 AI 系统，我们可以将模型连接到保存您的假期信息的数据库。该系统的工作原理是：

1. Querying the language model for an answer. 查询语言模型以获取答案。
2. Creating a search query for the vacation database. 为 vacation 数据库创建搜索查询。
3. Fetching the information from the database. 从数据库中获取信息。
4. Generating a response based on that information. 根据该信息生成响应。

这种类型的复合系统使用搜索查询和数据验证等编程组件来提高准确性和效率，使其更适合特定任务。这种向复合系统的转变表明，如何组装模块化 AI 组件来解决更复杂的问题。

那么，现在来问一个问题——什么是 AI 代理？

AI 代理的核心是通过与环境交互来自主执行任务的系统。他们可以感知输入（例如数据或用户查询），处理此信息，并采取措施来实现特定目标。与仅依赖预编程逻辑或数据的传统 AI 模型不同，AI 中的智能代理旨在适应新信息或不断变化的环境并做出决策。

那么，AI 代理在哪里发挥作用呢？AI 代理代表了复合 AI 系统的下一阶段，通过为大型语言模型 （）LLMs 提供对任务完成方式的更多控制，使系统的逻辑更进一步。AI 代理不是遵循僵化的预定义路径，而是旨在自主推理、规划和行动来解决复杂问题。

以下是使 AI 代理与众不同的关键功能的细分：

Reasoning Capabilities 推理能力 AI 代理由 LLMs That 提供支持，可以逐步推理问题。这意味着代理不会提供快速（且可能不正确）的答案，而是花时间分解问题、规划解决方案并确定可能需要的外部工具或数据。

Ability to Act 行动能力 AI 代理可以使用外部程序或工具执行操作，例如搜索 Web、查询数据库或执行计算。这些工具在 AI 世界中被称为“外部程序”，它们允许代理超越简单的问答。 例如，如果您正在计划度假并想知道需要多少瓶防晒霜，AI 代理可能会：

• Check your vacation days in its memory. 在它的记忆中检查你的假期。
• Look up Florida’s weather forecast for the expected hours of sunlight. 查看佛罗里达州的天气预报，了解预期的日照时间。
• Search for health recommendations on sunscreen usage. 搜索有关防晒霜使用的健康建议。
• Calculate how much sunscreen you’ll need based on these factors. 根据这些因素计算您需要多少防晒霜。

Memory Access 内存访问 AI 代理的另一个重要特征是它们的内存。这不仅指记住以前的对话，还指存储内部推理过程，就像人类在解决问题时大声思考一样。这种记忆允许代理在任务的后期阶段检索有用的信息，使其成为更加个性化和有效的助手。

AI 代理的类型

1、Simple Reflex Agents

简单反射代理：根据预定义的规则直接响应环境刺激，无需任何记忆或学习能力。最适合简单的任务。

2、Model-Based Reflex Agents

基于模型的 Reflex 代理：使用环境的内部模型，通过记住过去的操作和预测未来的状态来处理更复杂的任务。

3、Goal-Based Agents

基于目标的代理人：通过考虑未来的后果并相应地规划行动来实现特定目标。

4、Utility-Based Agent

基于效用的代理：评估多种可能的行动以最大限度地提高其效用（或收益），使其成为在不确定性下做出决策的理想选择。

5、Learning Agents

学习代理：通过从与环境的互动中学习，随着时间的推移适应和改进，在运作过程中变得更加高效和智能

Multi-Agent Framework 多代理框架

多代理框架是一个系统，其中多个 AI 代理通过与彼此及其环境交互来协作解决复杂任务。框架中的每个代理都有专门的角色、能力或知识，他们共同努力实现共同目标。代理是自主的，这意味着他们可以感知环境、推理、采取行动并随着时间的推移学习

1. LLM (Large Language Model):LLM （大型语言模型）：查询首先发送到 LLM，后者解释问题并决定如何处理问题。这会LLM生成初始响应，并决定是否需要其他步骤来完全解决查询问题。
2. Action:操作：如果需要进一步的步骤，代理使用各种工具或外部系统执行操作，例如 Web 搜索、数据库查询或 API（如 WolframAlpha 或 Wikipedia）。这些操作可帮助代理收集其他信息或执行特定任务。
3. Observation: T 操作的结果作为 Observation 反馈到系统中。代理评估此信息以确定它是否回答了用户的查询，或者是否需要进一步操作。
4. Loop:循环：系统可能会经历 Action 和 Observation 阶段的多次迭代，不断优化响应，直到确定最终答案。
5. Output:输出：代理完成流程并生成最终响应后，会将其交付给用户。

此循环允许代理通过合并外部工具和操作来迭代提高其答案的准确性，从而提供更全面、更准确的结果。

AI 代理因其自主性、推理性和适应性而代表了传统复合 AI 系统的重大飞跃。虽然传统系统对于简单、定义明确的任务仍然有效，但它们缺乏 AI 代理所拥有的动态问题解决能力。

下表突出显示了代理 AI 聊天机器人（代表 AI 代理）和非代理 AI 聊天机器人（代表传统复合系统）之间的主要区别：

AI 代理代表着人工智能的下一个重大飞跃，其推理、规划和自主性水平超越了传统的复合 AI 系统。随着这些代理越来越融入我们的日常生活和专业工作流程，它们将在帮助我们轻松应对日益复杂的挑战方面发挥关键作用。无论是管理您的假期计划还是处理软件故障排除等复杂任务，AI 代理都将彻底改变我们与 AI 交互的方式。