【AI Agent】Agent的原理介绍与应用发展思考

文章目录

Agent是什么？

Agent一词起源于拉丁语中的Agere，意思是“to do”。在LLM语境下，Agent可以理解为在某种能自主理解、规划决策、执行复杂任务的智能体。

Agent并非ChatGPT升级版，它不仅告诉你“如何做”，更会帮你去做。如果Copilot是副驾驶，那么Agent就是主驾驶。

自主Agent是由人工智能驱动的程序，当给定目标时，它们能够自己创建任务、完成任务、创建新任务、重新确定任务列表的优先级、完成新的顶级任务，并循环直到达到目标。

最直观的公式

Agent = LLM+Planning+Feedback+Tool use

Agent决策流程

感知（Perception）→ 规划（Planning）→ 行动（Action）

• 感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力。
• 规划（Planning）是指Agent为了某一目标而作出的决策过程。
• 行动（Action）是指基于环境和规划做出的动作。 Agent通过感知从环境中收集信息并提取相关知识。然后通过规划为了达到某个目标做出决策。最后，通过行动基于环境和规划做出具体的动作。Policy是Agent做出行动的核心决策，而行动又为进一步感知提供了观察的前提和基础，形成了一个自主的闭环学习过程。

Agent 大爆发

• 3月21日，Camel发布。
• 3月30日，AutoGPT发布。
• 4月3日，BabyAGI发布。
• 4月7日，西部世界小镇发布。
• 5月27日，英伟达AI智能体Voyager接入GPT-4后，直接完胜了AutoGPT。通过自主写代码，它完全独霸了《我的世界》，可以在游戏中进行全场景的终身学习，根本无需人类插手。
• 就在同一时间，商汤、清华等共同提出了通才AI智能体 Ghost in the Minecraft (GITM)，它同样能够通过自主学习解决任务，表现优异。这些表现优异的AI智能体，简直让人看到了AGI+智能体的雏形。

Agent 是让 LLM 具备目标实现的能力，并通过自我激励循环来实现这个目标。
它可以是并行的（同时使用多个提示，试图解决同一个目标）和单向的（无需人类参与对话）。

为Agent创建一个目标或主任务后，主要分为以下三个步骤：

1. 获取第一个未完成的任务
2. 收集中间结果并储存到向量数据库中
3. 创建新的任务，并重新设置任务列表的优先级

让我们一起来看一个具体的例子。我们可以从一个任务开始，例如"编写一篇关于ChatGPT以及它能做什么的1500字博客"。
模型接收这个要求，并按照以下步骤执行操作：

sub_tasks = openai.ChatCompletion.create(
  model="gpt-4",
  messages=[{"role":"system","content":"You are an world class assistant designed to help people accomplish tasks"},{"role":"user","content":"Create a 1500 word blog post on ChatGPT and what it can do"},{"role":"user","content":"Take the users request above and break it down into simple sub-tasks which can be easily done."}])

在这个例子中，我们使用OpenAI API来驱动 Agent。通过 system 字段，你可以在一定程度上定义你的Agent。然后，我们添加 user content Create a 1500 word blog post on ChatGPT and what it can do，以及下一步骤 **Take the users request above and break it down into simple sub-tasks which can be easily done.**，也就是在此基础上添加任务，将查询分解成子任务。
然后，你可以获取子任务，并在循环中向模型发送更多的调用，执行所有这些子任务，每个子任务都有不同的系统消息（想象成不同的Agent，可能是一个擅长写作的Agent，一个擅长学术研究的Agent等）。
接下来，你可以向模型循环发送更多的调用，执行每个子任务。每个子任务都可以有不同的系统消息，你可以想象这些系统消息代表了不同领域的专家，例如一个擅长写作的专家、一个擅长学术研究的专家等等。这样，你可以让模型在不同的角色下进行思考和响应，从而更好地满足用户的需求。

人是如何做事的？

在工作中，我们通常会用到PDCA思维模型。基于PDCA模型，我们可以将完成一项任务进行拆解，按照作出计划、计划实施、检查实施效果，然后将成功的纳入标准，不成功的留待下一循环去解决。目前，这是人们高效完成一项任务非常成功的经验总结。

如何让LLM替代人去做事?

要让LLM替代人去做事，我们可以基于PDCA模型进行 规划、执行、评估和反思。

• 规划能力（Plan）-> 分解任务：Agent大脑把大的任务拆解为更小的，可管理的子任务，这对有效的、可控的处理好大的复杂的任务效果很好。
• 执行能力（Done）-> 使用工具：Agent能学习到在模型内部知识不够时（比如：在pre-train时不存在，且之后没法改变的模型weights）去调用外部API，比如：获取实时的信息、执行代码的能力、访问专有的信息知识库等等。这是一个典型的平台+工具的场景，我们要有生态意识，即我们构建平台以及一些必要的工具，然后大力吸引其他厂商提供更多的组件工具，形成生态。
• 评估能力（Check）-> 确认执行结果：Agent要能在任务正常执行后判断产出物是否符合目标，在发生异常时要能对异常进行分类（危害等级），对异常进行定位（哪个子任务产生的错误），对异常进行原因分析（什么导致的异常）。这个能力是通用大模型不具备的，需要针对不同场景训练独有的小模型。
• 反思能力（Action）-> 基于评估结果重新规划：Agent要能在产出物符合目标时及时结束任务，是整个流程最核心的部分；同时，进行归因分析总结导致成果的主要因素，另外，Agent要能在发生异常或产出物不符合目标时给出应对措施，并重新进行规划开启再循环过程。

LLM作为一种智能代理，引发了人们对人工智能与人类工作的关系和未来发展的思考。它让我们思考人类如何与智能代理合作，从而实现更高效的工作方式。而这种合作方式也让我们反思人类自身的价值和特长所在。

来自斯坦福的虚拟小镇

• Generative Agents: Interactive Simulacra of Human Behavior, 2023.04, Stanford
• 代码已开源：https://github.com/joonspk-research/generative_agents 虚拟小镇，一个agent就是一个虚拟人物，25个agents之间的故事。

架构

记忆（Memory）

• 短期记忆：在上下文中（prompt）学习。它是短暂且有限的，因为它受到Transformer的上下文窗口长度的限制。
• 长期记忆：代理在查询时可以注意到的外部向量存储，可以通过快速检索访问。

反思（Reflection）

反思是由代理生成的更高级别、更抽象的思考。因为反思也是一种记忆，所以在检索时，它们会与其他观察结果一起被包含在内。反思是周期性生成的；当代理感知到的最新事件的重要性评分之和超过一定阈值时，就会生成反思。

• 让代理确定要反思什么
• 生成的问题作为检索的查询

计划（Plan）

计划是为了做更长时间的规划。像反思一样，计划也被储存在记忆流中（第三种记忆），并被包含在检索过程中。这使得代理能够在决定如何行动时，同时考虑观察、反思和计划。如果需要，代理可能在中途改变他们的计划（即响应，reacting）。

类 LangChain 中的各种概念

• Models：也就是我们熟悉的调用大模型API。
• Prompt Templates：在提示词中引入变量以适应用户输入的提示模版。
• Chains：对模型的链式调用，以上一个输出为下一个输入的一部分。
• Agent：能自主执行链式调用，以及访问外部工具。
• Multi-Agent：多个Agent共享一部分记忆，自主分工相互协作。

Agent落地的瓶颈

Agent本身用到两部分能力，一部分是由LLM作为其“智商”或“大脑”的部分，另一部分是基于LLM，其外部需要有一个控制器，由它去完成各种Prompt，如通过检索增强Memory，从环境获得Feedback，怎样做Reflection等。

Agent既需要大脑，也要外部支撑。

• LLM本身的问题：自身的“智商”不够，可进行LLM升级为GPT-5；Prompt的方式不对，问题要无歧义。
• 外部工具：系统化程度不够，需要调用外部的工具系统，这是一个长期待解决的问题。

现阶段Agent的落地，除了LLM本身足够通用之外，也需要实现一个通用的外部逻辑框架。不只是“智商”问题，还需要如何借助外部工具，从专用抵达通用——而这是更重要的问题。

解决特定场景的特定问题——将LLM作为一个通用大脑，通过Prompt设计为不同的角色，以完成专用的任务，而非普适性的应用。关键问题，即Feedback将成为Agent落地实现的一大制约因素，对于复杂的Tools应用，成功概率会很低。

Agent从专用到通用的实现路径

假设Agent最终将落地于100种不同的环境，在目前连最简单的外部应用都难以实现的前提下，最终能否抽象出一个框架模型来解决所有外部通用性问题？

先将某一场景下的Agent做到极致——足够稳定且鲁棒，再逐步将它变成通用框架，也许这是实现通用Agent的路径之一。

多模态在Agent的发展

• 多模态只能解决Agent感知上的问题，而无法解决认知的问题。
• 多模态是必然趋势，未来的大模型必然是多模态的大模型，未来的Agent也一定是多模态世界中的Agent。

Agent新的共识正在逐渐形成

• Agent需要调用外部工具
• 调用工具的方式就是输出代码

由LLM大脑输出一种可执行的代码，像是一个语义分析器，由它理解每句话的含义，然后将其转换成一种机器指令，再去调用外部的工具来执行或生成答案。尽管现在的 Function Call 形式还有待改进，但是这种调用工具的方式是非常必要的，是解决幻觉问题的最彻底的手段。

出门问问：希望做通用的Agent

在中国的市场环境下，如果做一个与企业深度结合的Agent，最终将成为“外包”，因为它需要私有化部署，集成到企业工作流里。很多公司都会去争抢保险公司、银行、汽车领域的大客户。这将与上一代AI公司的结局非常相似，边际成本很难降低，且没有通用性。出门问问目前的魔音工坊、奇妙文等AIGC产品都属于面向内容创作者的、介于深度和浅度之间的应用，既不完全属于consumer，也不完全属于enterprise，同时还有面向企业用户的CoPilot，其定位也是在企业里找到具体的「场景」，做相对通用的场景应用。

HF：Transformers Agents 发布

通过自然语言控制超过十多万个 HF 模型！

Transformers Agents，并加入到了 Transformers 4.29 之后的版本中。它在 Transformers 的基础上提供了一个自然语言 API，来 “让 Transformers 可以做任何事情”。

**这其中有两个概念：一个是 Agent (代理)，另一个是 Tools (工具)**，我们定义了一系列默认的工具，让代理去理解自然语言并使用这些工具。

• 代理：这里指的是大语言模型 (LLM)，你可以选择使用 OpenAI 的模型 (需要提供密钥)，或者开源的 StarCoder 和 OpenAssistant 的模型，我们会提示让代理去访问一组特定的工具。
• 工具：指的是一个个单一的功能，我们定义了一系列工具，然后使用这些工具的描述来提示代理，并展示它将如何利用工具来执行查询中请求的内容。

我们在 transformers 中集成的工具 包括：文档问答、文本问答、图片配文、图片问答、图像分割、语音转文本、文本转语音、零样本文本分类、文本摘要、翻译等。不过你也可以扩展这些一些与 transformers 无关的工具，比如从网络读取文本等，查看如何开发自定义工具

未来是Agent的世界，在今天的Agent进程下，依然重复昨天AI的故事，私有化部署将面临挑战。

参考引用

• 大模型下半场，关于Agent的几个疑问
• babyagi
• Agent：OpenAI的下一步，亚马逊云科技站在第5层