作者：陳思州，Datawhale成員本文轉自：Datawhale

第一章：初識智能體

歡迎來到智能體的世界！在人工智能浪潮席卷全球的今天，智能體（Agent）已成為驅動技術變革與應用創(chuàng)新的核心概念之一。無論你的志向是成為AI領域的研究者、工程師，還是希望深刻理解技術前沿的觀察者，掌握智能體的本質，都將是你知識體系中不可或缺的一環(huán)。

因此，在本章，讓我們回到原點，一起探討幾個問題：智能體是什么？它有哪些主要的類型？它又是如何與我們所處的世界進行交互的？通過這些討論，希望能為你未來的學習和探索打下堅實的基礎。

圖 1.1 智能體與環(huán)境的基本交互循環(huán)

開源地址：

https://github.com/datawhalechina/Hello-Agents

1.1 什么是智能體？

在探索任何一個復雜概念時，我們最好從一個簡潔的定義開始。在人工智能領域，智能體被定義為任何能夠通過傳感器（Sensors）感知其所處環(huán)境（Environment），并自主地通過執(zhí)行器（Actuators）采取行動（Action）以達成特定目標的實體。

這個定義包含了智能體存在的四個基本要素。環(huán)境是智能體所處的外部世界。對于自動駕駛汽車，環(huán)境是動態(tài)變化的道路交通；對于一個交易算法，環(huán)境則是瞬息萬變的金融市場。智能體并非與環(huán)境隔離，它通過其傳感器持續(xù)地感知環(huán)境狀態(tài)。攝像頭、麥克風、雷達或各類應用程序編程接口（Application Programming Interface, API）返回的數(shù)據(jù)流，都是其感知能力的延伸。

獲取信息后，智能體需要采取行動來對環(huán)境施加影響，它通過執(zhí)行器來改變環(huán)境的狀態(tài)。執(zhí)行器可以是物理設備（如機械臂、方向盤）或虛擬工具（如執(zhí)行一段代碼、調用一個服務）。

然而，真正賦予智能體"智能"的，是其自主性（Autonomy）。智能體并非只是被動響應外部刺激或嚴格執(zhí)行預設指令的程序，它能夠基于其感知和內部狀態(tài)進行獨立決策，以達成其設計目標。這種從感知到行動的閉環(huán)，構成了所有智能體行為的基礎，如圖1.1所示。

1.1.1 傳統(tǒng)視角下的智能體

在當前大語言模型（Large Language Model, LLM）的熱潮出現(xiàn)之前，人工智能的先驅們已經(jīng)對“智能體”這一概念進行了數(shù)十年的探索與構建。這些如今我們稱之為“傳統(tǒng)智能體”的范式，并非單一的靜態(tài)概念，而是經(jīng)歷了一條從簡單到復雜、從被動反應到主動學習的清晰演進路線。

這個演進的起點，是那些結構最簡單的反射智能體（Simple Reflex Agent）。它們的決策核心由工程師明確設計的“條件-動作”規(guī)則構成，如圖1.2所示。經(jīng)典的自動恒溫器便是如此：若傳感器感知的室溫高于設定值，則啟動制冷系統(tǒng)。

這種智能體完全依賴于當前的感知輸入，不具備記憶或預測能力。它像一種數(shù)字化的本能，可靠且高效，但也因此無法應對需要理解上下文的復雜任務。它的局限性引出了一個關鍵問題：如果環(huán)境的當前狀態(tài)不足以作為決策的全部依據(jù)，智能體該怎么辦？

圖 1.2 簡單反射智能體的決策邏輯示意圖

為了回答這個問題，研究者們引入了“狀態(tài)”的概念，發(fā)展出基于模型的反射智能體（Model-Based Reflex Agent）。這類智能體擁有一個內部的世界模型（World Model），用于追蹤和理解環(huán)境中那些無法被直接感知的方面。它試圖回答：“世界現(xiàn)在是什么樣子的？”。例如，一輛在隧道中行駛的自動駕駛汽車，即便攝像頭暫時無法感知到前方的車輛，它的內部模型依然會維持對那輛車存在、速度和預估位置的判斷。這個內部模型讓智能體擁有了初級的“記憶”，使其決策不再僅僅依賴于瞬時感知，而是基于一個更連貫、更完整的世界狀態(tài)理解。

然而，僅僅理解世界還不夠，智能體需要有明確的目標。這促進了基于目標的智能體（Goal-Based Agent）的發(fā)展。與前兩者不同，它的行為不再是被動地對環(huán)境做出反應，而是主動地、有預見性地選擇能夠導向某個特定未來狀態(tài)的行動。這類智能體需要回答的問題是：“我應該做什么才能達成目標？”。經(jīng)典的例子是GPS導航系統(tǒng)：你的目標是到達公司，智能體會基于地圖數(shù)據(jù)（世界模型），通過搜索算法（如A*算法）來規(guī)劃（Planning）出一條最優(yōu)路徑。這類智能體的核心能力體現(xiàn)在了對未來的考量與規(guī)劃上。

更進一步，現(xiàn)實世界的目標往往不是單一的。我們不僅希望到達公司，還希望時間最短、路程最省油并且避開擁堵。當多個目標需要權衡時，基于效用的智能體（Utility-Based Agent）便隨之出現(xiàn)。它為每一個可能的世界狀態(tài)都賦予一個效用值，這個值代表了滿意度的高低。智能體的核心目標不再是簡單地達成某個特定狀態(tài)，而是最大化期望效用。它需要回答一個更復雜的問題：“哪種行為能為我?guī)碜顫M意的結果？”。這種架構讓智能體學會在相互沖突的目標之間進行權衡，使其決策更接近人類的理性選擇。

至此，我們討論的智能體雖然功能日益復雜，但其核心決策邏輯，無論是規(guī)則、模型還是效用函數(shù)，依然依賴于人類設計師的先驗知識。如果智能體能不依賴預設，而是通過與環(huán)境的互動自主學習呢？

這便是學習型智能體（Learning Agent）的核心思想，而強化學習（Reinforcement Learning, RL）是實現(xiàn)這一思想最具代表性的路徑。一個學習型智能體包含一個性能元件（即我們前面討論的各類智能體）和一個學習元件。學習元件通過觀察性能元件在環(huán)境中的行動所帶來的結果來不斷修正性能元件的決策策略。

想象一個學習下棋的AI。它開始時可能只是隨機落子，當它最終贏下一局時，系統(tǒng)會給予它一個正向的獎勵。通過大量的自我對弈，學習元件會逐漸發(fā)現(xiàn)哪些棋路更有可能導向最終的勝利。AlphaGo是這一理念的一個里程碑式的成就。它在圍棋這一復雜博弈中，通過強化學習發(fā)現(xiàn)了許多超越人類既有知識的有效策略。

從簡單的恒溫器，到擁有內部模型的汽車，再到能夠規(guī)劃路線的導航、懂得權衡利弊的決策者，最終到可以通過經(jīng)驗自我進化的學習者。這條演進之路，展示了傳統(tǒng)人工智能在構建機器智能的道路上所經(jīng)歷的發(fā)展脈絡。它們?yōu)槲覀兘裉炖斫飧把氐闹悄荏w范式，打下了堅實而必要的基礎。

1.1.2 大語言模型驅動的新范式

以GPT（Generative Pre-trained Transformer）為代表的大語言模型的出現(xiàn)，正在顯著改變智能體的構建方法與能力邊界。由大語言模型驅動的LLM智能體，其核心決策機制與傳統(tǒng)智能體存在本質區(qū)別，從而賦予了其一系列全新的特性。

這種轉變，可以從兩者在核心引擎、知識來源、交互方式等多個維度的對比中清晰地看出，如表1.1所示。簡而言之，傳統(tǒng)智能體的能力源于工程師的顯式編程與知識構建，其行為模式是確定且有邊界的；而LLM智能體則通過在海量數(shù)據(jù)上的預訓練，獲得了隱式的世界模型與強大的涌現(xiàn)能力，使其能夠以更靈活、更通用的方式應對復雜任務。

表 1.1 傳統(tǒng)智能體與LLM驅動智能體的核心對比

這種差異使得LLM智能體可以直接處理高層級、模糊且充滿上下文信息的自然語言指令。讓我們以一個“智能旅行助手”為例來說明。

在LLM智能體出現(xiàn)之前，規(guī)劃旅行通常意味著用戶需要在多個專用應用（如天氣、地圖、預訂網(wǎng)站）之間手動切換，并由用戶自己扮演信息整合與決策的角色。而一個LLM智能體則能將這個流程整合起來。當接收到“規(guī)劃一次廈門之旅”這樣的模糊指令時，它的工作方式體現(xiàn)了以下幾點：

• 規(guī)劃與推理：智能體首先會將這個高層級目標分解為一系列邏輯子任務，例如：[確認出行偏好] -> [查詢目的地信息] -> [制定行程草案] -> [預訂票務住宿]。這是一個內在的、由模型驅動的規(guī)劃過程。
• 工具使用：在執(zhí)行規(guī)劃時，智能體識別到信息缺口，會主動調用外部工具來補全。例如，它會調用天氣查詢接口獲取實時天氣，并基于“預報有雨”這一信息，在后續(xù)規(guī)劃中傾向于推薦室內活動。
• 動態(tài)修正：在交互過程中，智能體會將用戶的反饋（如“這家酒店超出預算”）視為新的約束，并據(jù)此調整后續(xù)的行動，重新搜索并推薦符合新要求的選項。整個“查天氣 → 調行程 → 訂酒店”的流程，展現(xiàn)了其根據(jù)上下文動態(tài)修正自身行為的能力。

總而言之，我們正從開發(fā)專用自動化工具轉向構建能自主解決問題的系統(tǒng)。核心不再是編寫代碼，而是引導一個通用的“大腦”去規(guī)劃、行動和學習。

1.1.3 智能體的類型

繼上文回顧智能體的演進后，本節(jié)將從三個互補的維度對智能體進行分類。

1）基于內部決策架構的分類

第一種分類維度是依據(jù)智能體內部決策架構的復雜程度，這個視角在《Artificial Intelligence: A Modern Approach》中系統(tǒng)性地提出[1]。正如 1.1.1 節(jié)所述，傳統(tǒng)智能體的演進路徑本身就構成了最經(jīng)典的分類階梯，它涵蓋了從簡單的反應式智能體，到引入內部模型的模型式智能體，再到更具前瞻性的基于目標和基于效用的智能體。此外，學習能力則是一種可賦予上述所有類型的元能力，使其能通過經(jīng)驗自我改進。

2）基于時間與反應性的分類

除了內部架構的復雜性，還可以從智能體處理決策的時間維度進行分類。這個視角關注智能體是在接收到信息后立即行動，還是會經(jīng)過深思熟慮的規(guī)劃再行動。這揭示了智能體設計中一個核心權衡：追求速度的反應性（Reactivity）與追求最優(yōu)解的規(guī)劃性（Deliberation）之間的平衡，如圖1.3所示。

圖 1.3 智能體決策時間與質量關系圖

• 反應式智能體 (Reactive Agents)

這類智能體對環(huán)境刺激做出近乎即時的響應，決策延遲極低。它們通常遵循從感知到行動的直接映射，不進行或只進行極少的未來規(guī)劃。上文的簡單反應式和基于模型的智能體都屬于此類別。

其核心優(yōu)勢在于速度快、計算開銷低，這在需要快速決策的動態(tài)環(huán)境中至關重要。例如，車輛的安全氣囊系統(tǒng)必須在碰撞發(fā)生的毫秒內做出反應，任何延遲都可能導致嚴重后果；同樣，高頻交易機器人也必須依賴反應式?jīng)Q策來捕捉稍縱即逝的市場機會。然而，這種速度的代價是“短視”，由于缺乏長遠規(guī)劃，反應式智能體容易陷入局部最優(yōu)，難以完成需要多步驟協(xié)調的復雜任務。

• 規(guī)劃式智能體(Deliberative Agents)

與反應式智能體相對，規(guī)劃式（或稱審議式）智能體在行動前會進行復雜的思考和規(guī)劃。它們不會立即對感知做出反應，而是會先利用其內部的世界模型，系統(tǒng)地探索未來的各種可能性，評估不同行動序列的后果，以期找到一條能夠達成目標的最佳路徑 。基于目標和基于效用的智能體是典型的規(guī)劃式智能體。

可以將其決策過程類比為一位棋手。他不會只看眼前的一步，而是會預想對手可能的應對，并規(guī)劃出后續(xù)幾步甚至十幾步的棋路。這種深思熟慮的能力使其能夠處理復雜的、需要長遠眼光的任務，例如制定一份商業(yè)計劃或規(guī)劃一次長途旅行。它們的優(yōu)勢在于決策的戰(zhàn)略性和遠見。然而，這種優(yōu)勢的另一面是高昂的時間和計算成本。在瞬息萬變的環(huán)境中，當規(guī)劃式智能體還在深思熟慮時，采取行動的最佳時機可能早已過去。

• 混合式智能體(Hybrid Agents)

現(xiàn)實世界的復雜任務，往往既需要即時反應，也需要長遠規(guī)劃。例如，我們之前提到的智能旅行助手，既要能根據(jù)用戶的即時反饋（如“這家酒店太貴了”）調整推薦（反應性），又要能規(guī)劃出為期數(shù)天的完整旅行方案（規(guī)劃性）。因此，混合式智能體應運而生，它旨在結合兩者的優(yōu)點，實現(xiàn)反應與規(guī)劃的平衡。

一種經(jīng)典的混合架構是分層設計：底層是一個快速的反應模塊，處理緊急情況和基本動作；高層則是一個審慎的規(guī)劃模塊，負責制定長遠目標。而現(xiàn)代的LLM智能體，則展現(xiàn)了一種更靈活的混合模式。它們通常在一個“思考-行動-觀察”的循環(huán)中運作，巧妙地將兩種模式融為一體：

• 規(guī)劃(Reasoning)：在“思考”階段，LLM分析當前狀況，規(guī)劃出下一步的合理行動。這是一個審議過程。
• 反應(Acting & Observing)：在“行動”和“觀察”階段，智能體與外部工具或環(huán)境交互，并立即獲得反饋。這是一個反應過程。

通過這種方式，智能體將一個需要長遠規(guī)劃的宏大任務，分解為一系列“規(guī)劃-反應”的微循環(huán)。這使其既能靈活應對環(huán)境的即時變化，又能通過連貫的步驟，最終完成復雜的長期目標。

3）基于知識表示的分類

這是一個更根本的分類維度，它探究智能體用以決策的知識，究竟是以何種形式存于其“思想”之中。這個問題是人工智能領域一場持續(xù)半個多世紀的辯論核心，并塑造了兩種截然不同的AI文化。

• 符號主義AI（Symbolic AI）

符號主義，常被稱為傳統(tǒng)人工智能，其核心信念是：智能源于對符號的邏輯操作。這里的符號是人類可讀的實體（如詞語、概念），操作則遵循嚴格的邏輯規(guī)則，如圖1.4左側所示。這好比一位一絲不茍的圖書管理員，將世界知識整理為清晰的規(guī)則庫和知識圖譜。

其主要優(yōu)勢在于透明和可解釋。由于推理步驟明確，其決策過程可以被完整追溯，這在金融、醫(yī)療等高風險領域至關重要。然而，其“阿喀琉斯之踵”在于脆弱性：它依賴于一個完備的規(guī)則體系，但在充滿模糊和例外的現(xiàn)實世界中，任何未被覆蓋的新情況都可能導致系統(tǒng)失靈，這就是所謂的“知識獲取瓶頸”。

• 亞符號主義AI（Sub-symbolic AI）

亞符號主義，或稱連接主義，則提供了一幅截然不同的圖景。在這里，知識并非顯式的規(guī)則，而是內隱地分布在一個由大量神經(jīng)元組成的復雜網(wǎng)絡中，是從海量數(shù)據(jù)中學習到的統(tǒng)計模式。神經(jīng)網(wǎng)絡和深度學習是其代表。

如圖1.4中間所示，如果說符號主義AI是圖書管理員，那么亞符號主義AI就像一個牙牙學語的孩童 。他不是通過學習“貓有四條腿、毛茸茸、會喵喵叫”這樣的規(guī)則來認識貓的，而是在看過成千上萬張貓的圖片后，大腦中的神經(jīng)網(wǎng)絡能辨識出“貓”這個概念的視覺模式 。這種方法的強大之處在于其模式識別能力和對噪聲數(shù)據(jù)的魯棒性 。它能夠輕松處理圖像、聲音等非結構化數(shù)據(jù)，這在符號主義AI看來是極其困難的任務。

然而，這種強大的直覺能力也伴隨著不透明性。亞符號主義系統(tǒng)通常被視為一個黑箱（Black Box）。它能以驚人的準確率識別出圖片中的貓，但你若問它“為什么你認為這是貓？”，它很可能無法給出一個合乎邏輯的解釋。此外，它在純粹的邏輯推理任務上表現(xiàn)不佳，有時會產(chǎn)生看似合理卻事實錯誤的幻覺。

• 神經(jīng)符號主義AI（Neuro-Symbolic AI）

長久以來，符號主義和亞符號主義這兩大陣營如同兩條平行線，各自發(fā)展。為克服上述兩種范式的局限，一種“大和解”的思想開始興起，這就是神經(jīng)符號主義AI，也稱神經(jīng)符號混合主義。它的目標，是融合兩大范式的優(yōu)點，創(chuàng)造出一個既能像神經(jīng)網(wǎng)絡一樣從數(shù)據(jù)中學習，又能像符號系統(tǒng)一樣進行邏輯推理的混合智能體。它試圖彌合感知與認知、直覺與理性之間的鴻溝。諾貝爾經(jīng)濟學獎得主丹尼爾·卡尼曼（Daniel Kahneman）在其著作《思考，快與慢》（Thinking, Fast and Slow）中提出的雙系統(tǒng)理論，為我們理解神經(jīng)符號主義提供了一個絕佳的類比[2]，如圖1.4所示：

• 系統(tǒng)1是快速、憑直覺、并行的思維模式，類似于亞符號主義AI強大的模式識別能力。
• 系統(tǒng)2是緩慢、有條理、基于邏輯的審慎思維，恰如符號主義AI的推理過程。

圖 1.4 符號主義、亞符號主義與神經(jīng)符號混合主義的知識表示范式

人類的智能，正源于這兩個系統(tǒng)的協(xié)同工作。同樣，一個真正魯棒的AI，也需要兼具二者之長。大語言模型驅動的智能體是神經(jīng)符號主義的一個極佳實踐范例。其內核是一個巨大的神經(jīng)網(wǎng)絡，使其具備模式識別和語言生成能力。然而，當它工作時，它會生成一系列結構化的中間步驟，如思想、計劃或API調用，這些都是明確的、可操作的符號。通過這種方式，它實現(xiàn)了感知與認知、直覺與理性的初步融合。

1.2 智能體的構成與運行原理

1.2.1 任務環(huán)境定義

要理解智能體的運作，我們必須先理解它所處的任務環(huán)境。在人工智能領域，通常使用PEAS模型來精確描述一個任務環(huán)境，即分析其性能度量(Performance)、環(huán)境(Environment)、執(zhí)行器(Actuators)和傳感器(Sensors)。以上文提到的智能旅行助手為例，下表1.2展示了如何運用PEAS模型對其任務環(huán)境進行規(guī)約。

表 1.2 智能旅行助手的PEAS描述

在實踐中，LLM智能體所處的數(shù)字環(huán)境展現(xiàn)出若干復雜特性，這些特性直接影響著智能體的設計。

首先，環(huán)境通常是部分可觀察的。例如，旅行助手在查詢航班時，無法一次性獲取所有航空公司的全部實時座位信息。它只能通過調用航班預訂API，看到該API返回的部分數(shù)據(jù)，這就要求智能體必須具備記憶（記住已查詢過的航線）和探索（嘗試不同的查詢日期）的能力。

其次，行動的結果也并非總是確定的。根據(jù)結果的可預測性，環(huán)境可分為確定性和隨機性。旅行助手的任務環(huán)境就是典型的隨機性環(huán)境。當它搜索票價時，兩次相鄰的調用返回的機票價格和余票數(shù)量都可能不同，這就要求智能體必須具備處理不確定性、監(jiān)控變化并及時決策的能力。

此外，環(huán)境中還可能存在其他行動者，從而形成多智能體(Multi-agent)環(huán)境。對于旅行助手而言，其他用戶的預訂行為、其他自動化腳本，甚至航司的動態(tài)調價系統(tǒng)，都是環(huán)境中的其他“智能體”。它們的行動（例如，訂走最后一張?zhí)貎r票）會直接改變旅行助手所處環(huán)境的狀態(tài)，這對智能體的快速響應和策略選擇提出了更高要求。

最后，幾乎所有任務都發(fā)生在序貫且動態(tài)的環(huán)境中。“序貫”意味著當前動作會影響未來；而“動態(tài)”則意味著環(huán)境自身可能在智能體決策時發(fā)生變化。這就要求智能體的“感知-思考-行動-觀察”循環(huán)必須能夠快速、靈活地適應持續(xù)變化的世界。

1.2.2 智能體的運行機制

在定義了智能體所處的任務環(huán)境后，我們來探討其核心的運行機制。智能體并非一次性完成任務，而是通過一個持續(xù)的循環(huán)與環(huán)境進行交互，這個核心機制被稱為智能體循環(huán) (Agent Loop)。如圖1.5所示，該循環(huán)描述了智能體與環(huán)境之間的動態(tài)交互過程，構成了其自主行為的基礎。

圖 1.5 智能體與環(huán)境交互的基本循環(huán)

這個循環(huán)主要包含以下幾個相互關聯(lián)的階段：

1. 感知 (Perception)：這是循環(huán)的起點。智能體通過其傳感器（例如，API的監(jiān)聽端口、用戶輸入接口）接收來自環(huán)境的輸入信息。這些信息，即觀察 (Observation)，既可以是用戶的初始指令，也可以是上一步行動所導致的環(huán)境狀態(tài)變化反饋。
2. 思考 (Thought)：接收到觀察信息后，智能體進入其核心決策階段。對于LLM智能體而言，這通常是由大語言模型驅動的內部推理過程。如圖所示，“思考”階段可進一步細分為兩個關鍵環(huán)節(jié)：

• 規(guī)劃 (Planning)：智能體基于當前的觀察和其內部記憶，更新對任務和環(huán)境的理解，并制定或調整一個行動計劃。這可能涉及將復雜目標分解為一系列更具體的子任務。
• 工具選擇 (Tool Selection)：根據(jù)當前計劃，智能體從其可用的工具庫中，選擇最適合執(zhí)行下一步驟的工具，并確定調用該工具所需的具體參數(shù)。
• 行動 (Action)：決策完成后，智能體通過其執(zhí)行器（Actuators）執(zhí)行具體的行動。這通常表現(xiàn)為調用一個選定的工具（如代碼解釋器、搜索引擎API），從而對環(huán)境施加影響，意圖改變環(huán)境的狀態(tài)。

行動并非循環(huán)的終點。智能體的行動會引起環(huán)境 (Environment)的狀態(tài)變化 (State Change)，環(huán)境隨即會產(chǎn)生一個新的觀察 (Observation)作為結果反饋。這個新的觀察又會在下一輪循環(huán)中被智能體的感知系統(tǒng)捕獲，形成一個持續(xù)的“感知-思考-行動-觀察”的閉環(huán)。智能體正是通過不斷重復這一循環(huán)，逐步推進任務，從初始狀態(tài)向目標狀態(tài)演進。

1.2.3 智能體的感知與行動

在工程實踐中，為了讓LLM能夠有效驅動這個循環(huán)，我們需要一套明確的交互協(xié)議 (Interaction Protocol)來規(guī)范其與環(huán)境之間的信息交換。

在許多現(xiàn)代智能體框架中，這一協(xié)議體現(xiàn)在對智能體每一次輸出的結構化定義上。智能體的輸出不再是單一的自然語言回復，而是一段遵循特定格式的文本，其中明確地展示了其內部的推理過程與最終決策。

這個結構通常包含兩個核心部分：

• Thought (思考)：這是智能體內部決策的“快照”。它以自然語言形式闡述了智能體如何分析當前情境、回顧上一步的觀察結果、進行自我反思與問題分解，并最終規(guī)劃出下一步的具體行動。
• Action (行動)：這是智能體基于思考后，決定對環(huán)境施加的具體操作，通常以函數(shù)調用的形式表示。

例如，一個正在規(guī)劃旅行的智能體可能會生成如下格式化的輸出：

Thought: 用戶想知道北京的天氣。我需要調用天氣查詢工具。
Action: get_weather("北京")

這里的Action字段構成了對外部世界的指令。一個外部的解析器 (Parser)會捕捉到這個指令，并調用相應的get_weather函數(shù)。

行動執(zhí)行后，環(huán)境會返回一個結果。例如，get_weather函數(shù)可能返回一個包含詳細天氣數(shù)據(jù)的JSON對象。然而，原始的機器可讀數(shù)據(jù)（如JSON）通常包含LLM無需關注的冗余信息，且格式不符合其自然語言處理的習慣。

因此，感知系統(tǒng)的一個重要職責就是扮演傳感器的角色：將這個原始輸出處理并封裝成一段簡潔、清晰的自然語言文本，即觀察。

Observation: 北京當前天氣為晴，氣溫25攝氏度，微風。

這段Observation文本會被反饋給智能體，作為下一輪循環(huán)的主要輸入信息，供其進行新一輪的Thought和Action。

綜上所述，通過這個由Thought、Action、Observation構成的嚴謹循環(huán)，LLM智能體得以將內部的語言推理能力，與外部環(huán)境的真實信息和工具操作能力有效地結合起來。

1.3 動手體驗：5 分鐘實現(xiàn)第一個智能體

在前面的小節(jié)，我們學習了智能體的任務環(huán)境、核心運行機制以及Thought-Action-Observation交互范式。理論知識固然重要，但最好的學習方式是親手實踐。在本節(jié)中，我們將引導您使用幾行簡單的Python代碼，從零開始構建一個可以工作的智能旅行助手。這個過程將遵循我們剛剛學到的理論循環(huán)，讓您直觀地感受到一個智能體是如何“思考”并與外部“工具”互動的。讓我們開始吧！

在本案例中，我們的目標是構建一個能處理分步任務的智能旅行助手。需要解決的用戶任務定義為："你好，請幫我查詢一下今天北京的天氣，然后根據(jù)天氣推薦一個合適的旅游景點。"要完成這個任務，智能體必須展現(xiàn)出清晰的邏輯規(guī)劃能力。它需要先調用天氣查詢工具，并將獲得的觀察結果作為下一步的依據(jù)。在下一輪循環(huán)中，它再調用景點推薦工具，從而得出最終建議。

1.3.1 準備工作

為了能從Python程序中訪問網(wǎng)絡API，我們需要一個HTTP庫。requests是Python社區(qū)中最流行、最易用的選擇。tavily-python是一個強大的AI搜索API客戶端，用于獲取實時的網(wǎng)絡搜索結果，可以在官網(wǎng)注冊后獲取API。openai是OpenAI官方提供的Python SDK，用于調用GPT等大語言模型服務。請先通過以下命令安裝它們：

pip install requests tavily-python openai

1）指令模板

驅動真實LLM的關鍵在于提示工程（Prompt Engineering）。我們需要設計一個“指令模板”，告訴LLM它應該扮演什么角色、擁有哪些工具、以及如何格式化它的思考和行動。這是我們智能體的“說明書”，它將作為system_prompt傳遞給LLM。

AGENT_SYSTEM_PROMPT ="""
你是一個智能旅行助手。你的任務是分析用戶的請求，并使用可用工具一步步地解決問題。

# 可用工具:
- `get_weather(city: str)`: 查詢指定城市的實時天氣。
- `get_attraction(city: str, weather: str)`: 根據(jù)城市和天氣搜索推薦的旅游景點。

# 行動格式:
你的回答必須嚴格遵循以下格式。首先是你的思考過程，然后是你要執(zhí)行的具體行動。
Thought: [這里是你的思考過程和下一步計劃]
Action: [這里是你要調用的工具，格式為 function_name(arg_name="arg_value")]

# 任務完成:
當你收集到足夠的信息，能夠回答用戶的最終問題時，你必須使用 `finish(answer="...")` 來輸出最終答案。

請開始吧！
"""

2）工具1：查詢真實天氣

我們將使用免費的天氣查詢服務wttr.in，它能以JSON格式返回指定城市的天氣數(shù)據(jù)。下面是實現(xiàn)該工具的代碼：

importrequests
importjson

defget_weather(city: str)-> str:
"""
通過調用 wttr.in API 查詢真實的天氣信息。
"""
# API端點，我們請求JSON格式的數(shù)據(jù)
url =f"https://wttr.in/{city}?format=j1"

try:
# 發(fā)起網(wǎng)絡請求
response = requests.get(url)
# 檢查響應狀態(tài)碼是否為200 (成功)
response.raise_for_status()
# 解析返回的JSON數(shù)據(jù)
data = response.json()

# 提取當前天氣狀況
current_condition = data['current_condition'][0]
weather_desc = current_condition['weatherDesc'][0]['value']
temp_c = current_condition['temp_C']

# 格式化成自然語言返回
returnf"{city}當前天氣：{weather_desc}，氣溫{temp_c}攝氏度"

exceptrequests.exceptions.RequestExceptionase:
# 處理網(wǎng)絡錯誤
returnf"錯誤：查詢天氣時遇到網(wǎng)絡問題 -{e}"
except(KeyError, IndexError)ase:
# 處理數(shù)據(jù)解析錯誤
returnf"錯誤：解析天氣數(shù)據(jù)失敗，可能是城市名稱無效 -{e}"

3）工具2：搜索并推薦旅游景點

我們將定義一個新工具search_attraction，它會根據(jù)城市和天氣狀況，互聯(lián)網(wǎng)上搜索合適的景點：

importos
fromtavilyimportTavilyClient

defget_attraction(city: str, weather: str)-> str:
"""
根據(jù)城市和天氣，使用Tavily Search API搜索并返回優(yōu)化后的景點推薦。
"""
# 1. 從環(huán)境變量中讀取API密鑰
api_key = os.environ.get("TAVILY_API_KEY")
ifnotapi_key:
return"錯誤：未配置TAVILY_API_KEY環(huán)境變量。"

# 2. 初始化Tavily客戶端
tavily = TavilyClient(api_key=api_key)

# 3. 構造一個精確的查詢
query =f"'{city}' 在'{weather}'天氣下最值得去的旅游景點推薦及理由"

try:
# 4. 調用API，include_answer=True會返回一個綜合性的回答
response = tavily.search(query=query, search_depth="basic", include_answer=True)

# 5. Tavily返回的結果已經(jīng)非常干凈，可以直接使用
# response['answer'] 是一個基于所有搜索結果的總結性回答
ifresponse.get("answer"):
returnresponse["answer"]

# 如果沒有綜合性回答，則格式化原始結果
formatted_results = []
forresultinresponse.get("results", []):
formatted_results.append(f"-{result['title']}:{result['content']}")

ifnotformatted_results:
return"抱歉，沒有找到相關的旅游景點推薦。"

return"根據(jù)搜索，為您找到以下信息：\n"+"\n".join(formatted_results)

exceptExceptionase:
returnf"錯誤：執(zhí)行Tavily搜索時出現(xiàn)問題 -{e}"

最后，我們將所有工具函數(shù)放入一個字典，供主循環(huán)調用：

# 將所有工具函數(shù)放入一個字典，方便后續(xù)調用
available_tools = {
"get_weather": get_weather,
"get_attraction": get_attraction,
}

1.3.2 接入大語言模型

當前，許多LLM服務提供商（包括OpenAI、Azure、以及眾多開源模型服務框架如Ollama、vLLM等）都遵循了與OpenAI API相似的接口規(guī)范。這種標準化為開發(fā)者帶來了極大的便利。智能體的自主決策能力來源于LLM。我們將實現(xiàn)一個通用的客戶端OpenAICompatibleClient，它可以連接到任何兼容OpenAI接口規(guī)范的LLM服務。

fromopenaiimportOpenAI

classOpenAICompatibleClient:
"""
一個用于調用任何兼容OpenAI接口的LLM服務的客戶端。
"""
def__init__(self, model: str, api_key: str, base_url: str):
self.model = model
self.client = OpenAI(api_key=api_key, base_url=base_url)

defgenerate(self, prompt: str, system_prompt: str)-> str:
"""調用LLM API來生成回應。"""
print("正在調用大語言模型...")
try:
messages = [
{'role':'system','content': system_prompt},
{'role':'user','content': prompt}
]
response = self.client.chat.completions.create(
model=self.model,
messages=messages,
stream=False
)
answer = response.choices[0].message.content
print("大語言模型響應成功。")
returnanswer
exceptExceptionase:
print(f"調用LLM API時發(fā)生錯誤:{e}")
return"錯誤：調用語言模型服務時出錯。"

要實例化此類，您需要提供三個信息：API_KEY、BASE_URL和MODEL_ID，具體值取決于您使用的服務商（如OpenAI官方、Azure、或Ollama等本地模型），如果暫時沒有渠道獲取，可以參考Datawhale另一本教程的1.2 API設置。

1.3.3 執(zhí)行行動循環(huán)

下面的主循環(huán)將整合所有組件，并通過格式化后的Prompt驅動LLM進行決策。

importre

# --- 1. 配置LLM客戶端 ---
# 請根據(jù)您使用的服務，將這里替換成對應的憑證和地址
API_KEY ="YOUR_API_KEY"
BASE_URL ="YOUR_BASE_URL"
MODEL_ID ="YOUR_MODEL_ID"
TAVILY_API_KEY="YOUR_Tavily_KEY"
os.environ['TAVILY_API_KEY'] ="YOUR_TAVILY_API_KEY"

llm = OpenAICompatibleClient(
model=MODEL_ID,
api_key=API_KEY,
base_url=BASE_URL
)

# --- 2. 初始化 ---
user_prompt ="你好，請幫我查詢一下今天北京的天氣，然后根據(jù)天氣推薦一個合適的旅游景點。"
prompt_history = [f"用戶請求:{user_prompt}"]

print(f"用戶輸入:{user_prompt}\n"+"="*40)

# --- 3. 運行主循環(huán) ---
foriinrange(5):# 設置最大循環(huán)次數(shù)
print(f"--- 循環(huán){i+1}---\n")

# 3.1. 構建Prompt
full_prompt ="\n".join(prompt_history)

# 3.2. 調用LLM進行思考
llm_output = llm.generate(full_prompt, system_prompt=AGENT_SYSTEM_PROMPT)
print(f"模型輸出:\n{llm_output}\n")
prompt_history.append(llm_output)

# 3.3. 解析并執(zhí)行行動
action_match = re.search(r"Action: (.*)", llm_output, re.DOTALL)
ifnotaction_match:
print("解析錯誤：模型輸出中未找到 Action。")
break
action_str = action_match.group(1).strip()

ifaction_str.startswith("finish"):
final_answer = re.search(r'finish\(answer="(.*)"\)', action_str).group(1)
print(f"任務完成，最終答案:{final_answer}")
break

tool_name = re.search(r"(\w+)\(", action_str).group(1)
args_str = re.search(r"\((.*)\)", action_str).group(1)
kwargs = dict(re.findall(r'(\w+)="([^"]*)"', args_str))

iftool_nameinavailable_tools:
observation = available_tools[tool_name](**kwargs)
else:
observation =f"錯誤：未定義的工具 '{tool_name}'"

# 3.4. 記錄觀察結果
observation_str =f"Observation:{observation}"
print(f"{observation_str}\n"+"="*40)
prompt_history.append(observation_str)

通過以上步驟，我們構建了一個完整的、由真實LLM驅動的智能體。其核心在于“工具”和“提示工程”的結合，這正是當前主流智能體框架（如LangChain、LlamaIndex等）的設計精髓。

1.3.4 運行案例分析

以下輸出完整地展示了一個成功的智能體執(zhí)行流程。通過對這個三輪循環(huán)的分析，我們可以清晰地看到智能體解決問題的核心能力。

用戶輸入: 你好，請幫我查詢一下今天北京的天氣，然后根據(jù)天氣推薦一個合適的旅游景點。
========================================
--- 循環(huán) 1 ---

正在調用大語言模型...
大語言模型響應成功。
模型輸出:
Thought: 首先需要獲取北京今天的天氣情況，之后再根據(jù)天氣情況來推薦旅游景點。
Action: get_weather(city="北京")

Observation: 北京當前天氣：Sunny，氣溫26攝氏度
========================================
--- 循環(huán) 2 ---

正在調用大語言模型...
大語言模型響應成功。
模型輸出:
Thought: 現(xiàn)在已經(jīng)知道了北京今天的天氣是晴朗且溫度適中，接下來可以基于這個信息來推薦一個適合的旅游景點了。
Action: get_attraction(city="北京", weather="Sunny")

Observation: 北京在晴天最值得去的旅游景點是頤和園，因其美麗的湖景和古建筑。另一個推薦是長城，因其壯觀的景觀和歷史意義。
========================================
--- 循環(huán) 3 ---

正在調用大語言模型...
大語言模型響應成功。
模型輸出:
Thought: 已經(jīng)獲得了兩個適合晴天游覽的景點建議，現(xiàn)在可以根據(jù)這些信息給用戶提供滿意的答復。
Action: finish(answer="今天北京的天氣是晴朗的，氣溫26攝氏度，非常適合外出游玩。我推薦您去頤和園欣賞美麗的湖景和古建筑，或者前往長城體驗其壯觀的景觀和深厚的歷史意義。希望您有一個愉快的旅行！
")

任務完成，最終答案: 今天北京的天氣是晴朗的，氣溫26攝氏度，非常適合外出游玩。我推薦您去頤和園欣賞美麗的湖景和古建筑，或者前往長城體驗其壯觀的景觀和深厚的歷史意義。希望您有一個愉快的旅行！

這個簡單的旅行助手案例，集中演示了基于Thought-Action-Observation范式的智能體所具備的四項基本能力：任務分解、工具調用、上下文理解和結果合成。正是通過這個循環(huán)的不斷迭代，智能體才得以將一個模糊的用戶意圖，轉化為一系列具體、可執(zhí)行的步驟，并最終達成目標。

1.4 智能體應用的協(xié)作模式

上一節(jié)，我們通過親手構建一個智能體，深入理解了其內部的運作循環(huán)。不過在更廣泛的應用場景中，我們的角色正越來越多地轉變?yōu)槭褂谜吲c協(xié)作者?；谥悄荏w在任務中的角色和自主性程度，其協(xié)作模式主要分為兩種：一種是作為高效工具，深度融入我們的工作流；另一種則是作為自主的協(xié)作者，與其他智能體協(xié)作完成復雜目標。

1.4.1 作為開發(fā)者工具的智能體

在這種模式下，智能體被深度集成到開發(fā)者的工作流中，作為一種強大的輔助工具。它增強而非取代開發(fā)者的角色，通過自動化處理繁瑣、重復的任務，讓開發(fā)者能更專注于創(chuàng)造性的核心工作。這種人機協(xié)同的方式，極大地提升了軟件開發(fā)的效率與質量。

目前，市場上涌現(xiàn)了多款優(yōu)秀的AI編程輔助工具，它們雖然均能提升開發(fā)效率，但在實現(xiàn)路徑和功能側重上各有千秋：

• GitHubCopilot:作為該領域最具影響力的產(chǎn)品之一，Copilot 由 GitHub 與 OpenAI 聯(lián)合開發(fā)。它深度集成于 Visual Studio Code等主流編輯器中，以其強大的代碼自動補全能力而聞名。開發(fā)者在編寫代碼時，Copilot 能實時提供整行甚至整個函數(shù)塊的建議。近年來，它也通過 Copilot Chat 擴展了對話式編程的能力，允許開發(fā)者在編輯器內通過聊天解決編程問題。
• Claude Code:Claude Code 是由 Anthropic 開發(fā)的 AI 編程助手，旨在通過自然語言指令幫助開發(fā)者在終端中高效地完成編碼任務。它能夠理解完整的代碼庫結構，執(zhí)行代碼編輯、測試和調試等操作，支持從描述功能到代碼實現(xiàn)的全流程開發(fā)。Claude Code 還提供了無交互（headless）模式，適用于 CI、pre-commit hooks、構建腳本和其他自動化場景，為開發(fā)者提供了強大的命令行編程體驗。
• Trae:作為新興的 AI 編程工具，Trae 專注于為開發(fā)者提供智能化的代碼生成和優(yōu)化服務。它通過深度學習技術分析代碼模式，能夠為開發(fā)者提供精準的代碼建議和自動化重構方案。Trae 的特色在于其輕量級的設計和快速響應能力，特別適合需要頻繁迭代和快速原型開發(fā)的場景。
• Cursor:與上述主要作為插件或集成功能存在的工具不同，Cursor 則選擇了一條更具整合性的路徑，它本身就是一個AI原生的代碼編輯器。它并非在現(xiàn)有編輯器上增加AI功能，而是在設計之初就將AI交互作為核心。除了具備頂級的代碼生成和聊天能力外，它更強調讓AI理解整個代碼庫的上下文，從而實現(xiàn)更深層次的問答、重構和調試。

當然還有許多優(yōu)秀的工具沒有例舉，不過它們共同指向了一個明確的趨勢：AI 正在深度融入軟件開發(fā)的全生命周期，通過構建高效的人機協(xié)同工作流，深刻地重塑著軟件工程的效率邊界與開發(fā)范式。

1.4.2 作為自主協(xié)作者的智能體

與作為工具輔助人類不同，第二種交互模式將智能體的自動化程度提升到了一個全新的層次，自主協(xié)作者。在這種模式下，我們不再是手把手地指導AI完成每一步，而是將一個高層級的目標委托給它。智能體會像一個真正的項目成員一樣，獨立地進行規(guī)劃、推理、執(zhí)行和反思，直到最終交付成果。這種從助手到協(xié)作者的轉變，使得LLM智能體更深的進入了大眾的視野。它標志著我們與AI的關系從“命令-執(zhí)行”演變?yōu)椤澳繕?委托”。智能體不再是被動的工具，而是主動的目標追求者。

當前，實現(xiàn)這種自主協(xié)作的思路百花齊放，涌現(xiàn)了大量優(yōu)秀的框架和產(chǎn)品，從早期的 BabyAGI、AutoGPT，到如今更為成熟的 CrewAI、AutoGen、MetaGPT、LangGraph 等優(yōu)秀框架，共同推動著這一領域的高速發(fā)展。雖然具體實現(xiàn)千差萬別，但它們的架構范式大致可以歸納為幾個主流方向：

1. 單智能體自主循環(huán)：這是早期的典型范式，如AgentGPT所代表的模式。其核心是一個通用智能體通過“思考-規(guī)劃-執(zhí)行-反思”的閉環(huán)，不斷進行自我提示和迭代，以完成一個開放式的高層級目標。
2. 多智能體協(xié)作：這是當前最主流的探索方向，旨在通過模擬人類團隊的協(xié)作模式來解決復雜問題。它又可細分為不同模式：角色扮演式對話：如CAMEL框架，通過為兩個智能體（例如，“程序員”和“產(chǎn)品經(jīng)理”）設定明確的角色和溝通協(xié)議，讓它們在一個結構化的對話中協(xié)同完成任務。組織化工作流：如MetaGPT和CrewAI，它們模擬一個分工明確的“虛擬團隊”（如軟件公司或咨詢小組）。每個智能體都有預設的職責和工作流程（SOP），通過層級化或順序化的方式協(xié)作，產(chǎn)出高質量的復雜成果（如完整的代碼庫或研究報告）。AutoGen和AgentScope則提供了更靈活的對話模式，允許開發(fā)者自定義智能體間的復雜交互網(wǎng)絡。
3. 高級控制流架構：諸如LangGraph等框架，則更側重于為智能體提供更強大的底層工程基礎。它將智能體的執(zhí)行過程建模為狀態(tài)圖（State Graph），從而能更靈活、更可靠地實現(xiàn)循環(huán)、分支、回溯以及人工介入等復雜流程。

這些不同的架構范式，共同推動著自主智能體從理論構想走向更廣泛的實際應用，使其有能力應對日益復雜的真實世界任務。在我們的后續(xù)章節(jié)中，也會感受不同類型框架之間的差異和優(yōu)勢。

1.4.3 Workflow和Agent的差異

在理解了智能體作為“工具”和“協(xié)作者”兩種模式后，我們有必要對Workflow和Agent的差異展開討論，盡管它們都旨在實現(xiàn)任務自動化，但其底層邏輯、核心特征和適用場景卻截然不同。

簡單來說，Workflow 是讓 AI 按部就班地執(zhí)行指令，而 Agent 則是賦予 AI 自由度去自主達成目標。

圖 1.6 Workflow和Agent的差異

如圖1.6所示，工作流是一種傳統(tǒng)的自動化范式，其核心是對一系列任務或步驟進行預先定義的、結構化的編排。它本質上是一個精確的、靜態(tài)的流程圖，規(guī)定了在何種條件下、以何種順序執(zhí)行哪些操作。一個典型的案例：某企業(yè)的費用報銷審批流程。員工提交報銷單（觸發(fā)）-> 如果金額小于500元，直接由部門經(jīng)理審批 -> 如果金額大于500元，先由部門經(jīng)理審批，再流轉至財務總監(jiān)審批 -> 審批通過后，通知財務部打款。整個過程的每一步、每一個判斷條件都被精確地預先設定。

與工作流不同，基于大型語言模型的智能體是一個具備自主性的、以目標為導向的系統(tǒng)。它不僅僅是執(zhí)行預設指令，而是能夠在一定程度上理解環(huán)境、進行推理、制定計劃，并動態(tài)地采取行動以達成最終目標。LLM在其中扮演著“大腦”的角色。一個典型的例子，便是我們在1.3節(jié)中寫的智能旅行助手。當我們向它下達一個新指令，例如：“你好，請幫我查詢一下今天北京的天氣，然后根據(jù)天氣推薦一個合適的旅游景點?！?/strong>它的處理過程充分展現(xiàn)了其自主性：

1. 規(guī)劃與工具調用：Agent首先會把任務拆解為兩個步驟：① 查詢天氣；② 基于天氣推薦景點。隨即，它會自主選擇并調用“天氣查詢API”，并將“北京”作為參數(shù)傳入。
2. 推理與決策：假設API返回結果為“晴朗，微風”。Agent的LLM大腦會基于這個信息進行推理：“晴天適合戶外活動”。接著，它會根據(jù)這個判斷，在它的知識庫或通過搜索引擎這個工具中，篩選出北京的戶外景點，如故宮、頤和園、天壇公園等。
3. 生成結果：最后，Agent會綜合信息，給出一個完整的、人性化的回答：“今天北京天氣晴朗，微風，非常適合戶外游玩。為您推薦前往【頤和園】，您可以在昆明湖上泛舟，欣賞美麗的皇家園林景色?！?/span>

在這個過程中，沒有任何寫死的if天氣=晴天 then 推薦頤和園的規(guī)則。如果天氣是“雨天”，Agent會自主推理并推薦國家博物館、首都博物館等室內場所。這種基于實時信息進行動態(tài)推理和決策的能力，正是Agent的核心價值所在。

1.5 本章小結

在本章中，我們共同踏上了探索智能體的初識之旅。我們的旅程從最基本的問題開始：

什么是大語言模型驅動的智能體？我們首先明確了其定義，理解了現(xiàn)代智能體是具備了能力的實體。它不再僅僅是執(zhí)行預設程序的腳本，而是能夠自主推理和使用工具的決策者。

智能體如何工作？我們深入探討了智能體與環(huán)境交互的運行機制。我們了解到，這個持續(xù)的閉環(huán)是智能體處理信息、做出決策、影響環(huán)境并根據(jù)反饋調整自身行為的基礎。

如何構建智能體？這是本章的實踐核心。我們以“智能旅行助手”為例，親手構建了一個完整的、由真實LLM驅動的智能體。

智能體有哪些主流的應用范式？最后，我們將視野投向了更廣闊的應用領域。我們探討了兩種主流的智能體交互模式：一是以GitHub Copilot和Cursor等為代表的、增強人類工作流的“開發(fā)者工具”；二是以CrewAI、MetaGPT和AgentScope等框架為代表的、能夠獨立完成高層級目標的“自主協(xié)作者”。同時講解了Workflow與Agent的差異。

通過本章的學習，我們建立了一個關于智能體的基礎認知框架。那么，它是如何一步步從最初的構想演進至今的呢？在下一章中，我們將探索智能體的發(fā)展歷史，一段追本溯源的旅程即將開始！