本来打算转java的，但是学了很久，感觉也很复杂，又不想辜负自己学了这么多年的人工智能专业，并且保持与自己毕设方向一致，还是打算学大语言模型代码生成方向的东西。加油！
前言
学习日期 2025/12/10---2025/12/12
阅读链接 Hello-Agents
阅读内容：第一部分 智能体与语言模型基础
第一章 初识智能体
笔记
1.2024年的进展是百模大战，继openai以大模型，大算力带来的智能涌现引爆全球后，deepseek又以极强的推理能力，工程能力，以及更少的算力需求引爆了整个开源社区。由此，中国的AI企业纷纷跟进，字节的豆包，阿里的通义千问，月之暗面的Kimi，智谱清言等纷纷"你方唱罢我登场"，进入了一波浪潮之中。
2.而2025则是Agent元年，大语言模型的基础能力已经跟上，如何让他不只是回答问题，聊天，而是通过执行任务，介入人们的生活，agent给出了答案。
3.从反应式智能体到规划式智能体再到混合式智能体，反应式智能体倾向于对某种状态做出反应，比如安全气囊，面临巨大压力时会弹开，但如果外部环境再复杂一点，有多个步骤，就有了规划式智能体，以AlphaGo为例，他能对当前的棋局状态进行分析，预测几步后的局面。但是人不会无尽的等待智能体的冗长推理，那么在哪一步停下就变得至关重要？所以就有了既会规划又能根据人的反应临时调整的混合式智能体。
4.混合式智能体具体是什么样的？我们用PEAS模型来衡量，Performance(性能度量),Environment（环境）,Actuators(执行器),Sensors（传感器）。以下图为例，智能体通过感知环境状态，做出思考和动作，使得环境改变，这个过程就使用到了传感器和感知器，其中执行时间越长，性能越好，但是随着时间的增长，则会存在边际效用递减，所以如何平衡执行时间和性能的要求，确定终止条件，也是智能体要回答的问题。
这一点以后要依靠实战完成
5.有单智能体也有多智能体，那么智能体之间是如何协作的呢？
以大模型代码生成为例，trae,cursor找到的一个落地点是用ai辅助编程，在trae的典型构建场景里，包括智能体builder,chat，chat负责和用户聊天搞清楚需求和向用户总结builder都干了什么，builder负责实现用户需求。
这里还需要澄清的一个概念是workflow和agent的区别？同样是在流程中执行任务，workflow是一种规则去执行自动化的任务，agent是给ai一定的自由度判断该执行什么，相比较来说，任务越复杂，越个性化，越适合agent。