這是有關 AI 智能體的大型系列中的第一篇文章。盡管 2025 年被稱為“AI 智能體之年?”，但對許多人來說，是什么使 AI 系統(tǒng)成為“?智能體?”以及我們?yōu)槭裁磻撽P心仍然不清楚。在這篇文章中，我將描述這些系統(tǒng)的主要特征以及 3 個智能體級別的具體示例。

公司正在 AI 智能體上下大賭注。OpenAI 正在提供 Operator 和 DeepResearch 等模型。YC 表示，垂直 AI 智能體可能比 SaaS 大 10 倍 。Cursor 和 Windsurf 等 AI 應用程序已經用智能體界面取代了他們的聊天界面。

這讓智能體商們興奮不已，甚至超越了 AI 公司。但是，對于外行來說，可能不清楚 AI 智能體（實際上）是什么。

什么是 AI 智能體？

造成混淆的原因之一是，沒有人對 AI 智能體的單一定義達成一致。為了證明這一點，以下是一些來自領先組織的案例。

• OpenAI：一個大型語言模型 （LLM），配置了指令和工具；
• Hugging Face：大型語言模型 LLM 可以通過規(guī)劃和使用工具執(zhí)行更復雜的任務的系統(tǒng)；
• Anthropic：LLMs 動態(tài)指導自己的流程和工具使用，保持對完成任務方式的控制；

雖然我不會通過提出另一個定義來使事情變得更糟，但我將討論跨越所有這些定義的幾個關鍵特征。

• LLM— 大型語言模型在智能體系統(tǒng)中起著核心作用；
• 工具使用— 這些允許智能體超越 LLM 的基本文本生成并與外部世界交互（例如代碼解釋器、API 調用、RAG、內存）；
• 自主性— 智能體（在不同程度上）決定如何完成給定的任務，這可能涉及計劃、推理或帶有某些停止標準的反饋循環(huán)；

為什么選擇 Agents？

LLMs與傳統(tǒng)方法相比，允許我們構建更靈活、更強大的軟件。這有兩個主要原因。首先，他們可以處理請求并以自然語言生成響應，從而實現(xiàn)直觀的用戶界面。其次，LLMs 能夠進行 0-shot 學習，即在沒有明確訓練的情況下執(zhí)行任意任務。

但是，僅靠這些功能對于大多數(shù)應用程序來說是不夠的。這是因為 LLMs（開箱即用的）缺乏為我們解決問題所需的上下文和對現(xiàn)實世界系統(tǒng)的訪問權限。為了克服這個問題，我們通常會手動為模型提供上下文，并自己執(zhí)行其建議的作。

智能體可以利用測試時計算擴展定律來執(zhí)行比普通 LLM API 調用更好的任務。這只是一種花哨的說法，LLM 即生成的 Token 越多，其響應就越好。我們將在下面的 3 級智能體示例中了解如何利用這個想法。

AI 智能體的 3 個級別

由于人們無法就AI 智能體的單一定義達成一致，因此大多數(shù)從業(yè)者都談論智能體系統(tǒng)。換句話說，與其將系統(tǒng)視為 AI 智能體或不作為 AI 智能體，不如將它們視為一個智能體范圍，從無智能體（例如基于規(guī)則的系統(tǒng)）到人類級別的智能體。

為了證明這一點，我將分享 3 個智能體系統(tǒng)在智能體程度增加的具體例子。雖然這些方法都是不同的，但它們并不是相互排斥的。例如，級別 3（LLM 在循環(huán)中）可以是級別 2（LLM 工作流）的組件，而級別 1 （+LLM 工具）通常用于級別 3。

第 1 級：+ LLM 工具

如今，人們可能認為智能體的最簡單的 AI 系統(tǒng)是LLM帶有工具的增強系統(tǒng)。工具是任何 AI 智能體的關鍵組件，因為它們使系統(tǒng)能夠與現(xiàn)實世界進行交互。

以下是智能體系統(tǒng)中使用的常用工具的示例。

• 網絡搜索= 通過 Google 搜索或 DuckDuckGo 訪問實時信息；
• 代碼解釋器= 執(zhí)行代碼并處理其輸出的能力；
• API 調用= 與程序接口（例如 YouTube、Gmail、Notion）交互以執(zhí)行作；
• 計算機使用= 使視覺對象LLM能夠通過鼠標單擊和鍵盤敲擊與 GUI 交互；
• 另一個模型= 調用另一個LLM或多模態(tài)模型來執(zhí)行特定任務；
• 文件讀取器= 從.pdf和.csv等文件格式中提取文本；

此類智能體最流行的示例是 ChatGPT，它可以訪問網絡搜索、Python 解釋器和文本到圖像模型。這些簡單的工具將 ChatGPT 從人們在社交媒體上分享的新奇事物（首次發(fā)布時）轉變?yōu)閷嵱玫娜粘９ぞ摺?/p>

盡管這些工具對 進行了LLM重大改進，但這些系統(tǒng)仍然受到根本限制。也就是說，他們依賴于單個LLM調用，這對于更復雜的任務來說可能不足，例如研究博客創(chuàng)意、選擇最好的創(chuàng)意和編寫初稿。

第 2 級：LLM 工作流程

工作流是一個圖形，用于定義執(zhí)行特定任務所涉及的步驟。在這里，圖形在數(shù)學意義上使用，其中節(jié)點（即工作流中的步驟）通過有向鏈接（即步驟的順序）連接。下面顯示了一個示例。

將系統(tǒng)設計為LLM工作流有兩個主要好處。首先，這些系統(tǒng)可以通過將復雜任務拆分為子任務并使用專用模塊執(zhí)行它們來處理復雜任務。其次，模塊化設計允許更好地控制中間輸出，使調試和避免不良系統(tǒng)輸出變得更加容易。

雖然設計這些系統(tǒng)的方法無窮無盡，有些常見的設計模式，這些總結如下：

• 鏈接= 將任務分解為一系列步驟，其中前一步的輸出被輸入到后面的步驟中，例如 A → B → C
• 路由= 對輸入進行分類并將其定向到專用模塊，例如 A → B 或 A → C
• 并行化= 通過分段（即將任務分成更小的步驟并并行運行以提高速度）或投票（即多次運行同一任務并對最終輸出進行性能投票）同時運行 LLMs，例如 A → B 和 A → C
• 編排器將任務分解為子任務，并將其委托給工作器模塊，例如 A → B 和 A → C
• 評估者-優(yōu)化器= 一個LLM生成響應，而另一個在循環(huán)中提供評估和反饋，例如 A → B → A

最后一種模式與列出的其他模式有著根本的不同，后者本質上是封閉式的，因為它們以有限的順序執(zhí)行步驟。然而，評估者-優(yōu)化器為開放式任務打開了大門，這些任務可以（原則上）無限期地持續(xù)下去，這將我們帶到了智能體的下一個層次。

第 3 級：LLM 循環(huán)中

盡管我們可以使用 Level 1 和 Level 2 描述的系統(tǒng)走得很遠，但并非所有任務都可以一次性完成或由預定義的工作流程完成。相反，有些問題需要LLM探索和反思可能的解決方案。

這利用了 OpenAI 的 o1 和 DeepSeek-R1 等模型所展示的測試時計算擴展定律。然而，與這些模型不同的是，智能體系統(tǒng)不僅限于代幣生成——它們可以使用工具與現(xiàn)實世界的系統(tǒng)交互并反映他們的反饋。

實現(xiàn)這種系統(tǒng)的一種常見方法是通過一個動作 + 反饋循環(huán)，重復直到滿足特定任務。

構建此類系統(tǒng)的更復雜的方法是端到端強化學習。在這里，一個 LLM + 工具被賦予一個封閉式任務，并根據(jù)其響應接收訓練信號（即 的權重LLM被更新）。一個例子是 OpenAI 的 DeepResearch 功能，它使 ChatGPT 能夠將研究查詢分解為行動計劃，并迭代探索和優(yōu)化搜索結果。

下一步是什么？

AI 智能體建立在靈活性之上 LLMs，以創(chuàng)建能夠解決現(xiàn)實世界中復雜任務的系統(tǒng)。在這里，我們討論了不同級別的智能體系統(tǒng)的三個例子。