第1课：AI Agent是什么 - 学习笔记
📚 课程核心主题
本节课主要讲解：如何构建具有记忆和持久性的AI系统，让AI系统能够越用越聪明、越用越牛。
🎯 第一部分：AI发展的背景和趋势
1. AI模型的演进
-
传统AI模型（2018年之前）
- 使用PyTorch、TensorFlow自己训练模型
- 针对特定业务场景构建小规模模型
- 属于判别式模型（只做判断和识别，比如识别图片中的物体）
-
现代AI模型（大语言模型时代）
- 使用现成的大语言模型（如千问、GPT等）
- 模型具备更强的通用能力
2. 最新趋势：带记忆的AI模型
- 谷歌发布的世界模型（Gemini）
- 具备记忆功能
- 传统大语言模型（LLM）是无状态的、不带记忆的
- 世界模型能够记住之前的状态，更接近人类的认知方式
小例子理解记忆功能：
- 就像工人刷油漆，切换到另一个位置后，再回来看，油漆还在那里（有记忆）
- 传统模型像"健忘症"，每次对话都是全新的，不记得之前发生了什么
🛠️ 第二部分：AI应用开发的两条主流路线
路线一：Workflow（工作流编排）
是什么： 提前编排好一系列复杂的流程步骤
特点：
- 流程是提前设计好的、固定的
- 每一步都要按照预设的流程走
- 适合复杂的业务流程
- 可能涉及人工审核等多步骤环节
适合场景：
- 有固定流程的复杂业务系统
- 需要人工介入审核的流程
- 步骤明确、可预测的业务场景
路线二：Agent（智能体/代理）
是什么： 能够自主规划、自主执行的AI系统
特点：
- 不是固定的流程，而是自主决策
- 利用大语言模型的推理能力
- 能够做：意图识别 → 规划（Planning）→ 调用工具执行 → 自我反思改进
工作流程：
- 用户输入诉求
- AI做意图识别（理解用户想要什么）
- 做规划（Plan：思考如何完成）
- 调用工具执行
- 拿到结果后自我反思，改进执行过程
适合场景：
- 需要自主完成任务的系统
- 高度自动化的场景
- 无法提前预设固定流程的复杂任务
📝 如何选择？
- 用Workflow：如果业务有明确的、可预测的复杂流程
- 用Agent：如果需要系统自主决策和规划，完成灵活的任务
🤖 第三部分：AI Agent的定义（核心内容）
官方定义
**AI Agent（人工智能代理/智能体）**指的是：
利用大语言模型的推理能力，来规划、观察和执行整个行动，从而追求实现目标的一个系统。
关键要点拆解
-
核心能力来源：大语言模型的推理能力
- Agent本身不产生智能，它依赖大语言模型的推理能力
- 没有大模型，就没有Agent
-
三大核心能力：
- 规划（Planning）：思考如何完成任务
- 观察（Observing）：感知环境和状态
- 执行（Executing）：调用工具、采取行动
-
目标导向：
- 所有行动都是为了实现某个目标
- 不是随机行为，而是有明确目的
AI Agent的影响和意义
- 推动市场变革
- 显著提升生产效率
- 实现高度自动化
- 可能的应用：
- 取代员工的日常工作
- 部署数字人执行关键业务
- 取代传统的SaaS服务
💡 关键概念总结
| 概念 | 简单理解 |
|---|---|
| Agent（智能体） | 能自主思考、规划、执行的AI系统 |
| Workflow（工作流） | 提前编排好的固定流程 |
| 记忆功能 | AI能记住之前的状态和对话 |
| 无状态模型 | 每次对话都是全新的，不记得之前的事 |
| 推理能力 | AI思考、分析、决策的能力 |
| 自主规划 | 不是按固定流程，而是自己思考怎么做 |
❓ 思考题（帮助理解）
-
Agent和Workflow的主要区别是什么？
- 答：Agent是自主规划执行的，Workflow是固定流程的
-
为什么说Agent依赖大语言模型的推理能力？
- 答：因为Agent需要推理能力来规划、思考，这些能力来自大模型
-
带记忆的AI模型有什么优势？
- 答：能记住之前的状态，更接近人类认知，更智能
📌 本节课重点回顾
✅ AI Agent的定义： 利用大模型推理能力，自主规划、观察、执行以实现目标的系统
✅ 两种开发路线： Workflow（固定流程）vs Agent（自主规划）
✅ AI发展趋势： 从无记忆模型向带记忆模型发展
✅ Agent的核心： 规划 + 观察 + 执行，目标是实现用户诉求
笔记整理时间：2024年
建议：如果还有不理解的概念，可以结合课程视频反复观看对应部分