2026_DesignAI/06-agent/06-agent.md

# 第六篇：AI Agent与自主设计

本篇探讨AI Agent的架构和具身智能，展望AI在规划设计中的应用前景。

## 篇章导读

AI Agent代表了人工智能的下一个前沿：从"被动响应"到"主动行动"，从"单一能力"到"系统协同"。

本篇将系统介绍Agent架构和在设计领域的应用。

---

## 学习目标

1.  理解从规则到LLM-based Agent的演进

    掌握Agent的核心组件

    了解ReAct和CoT推理模式

## 从规则到LLM Agent

### 规则系统时代

`if`` ``condition_A``:`\
`    ``action_``B``(``)`\
`elif`` ``condition_C``:`\
`    ``action_D``()`\
`else``:`\
`    ``action_E``()`

局限：规则难以穷举，无法应对新情况

### LLM-based Agent

`用户请求`` → LLM``理解`` → ``规划`` → ``调用工具`` → ``反思`` → ``输出`

优势： - 自然语言交互 - 上下文理解 - 泛化能力强

## Agent核心组件

### 感知 (Perception)

`输入信息`` → ``理解与解析`\
`    - ``用户指令`\
`    - ``环境状态`\
`    - ``工具反馈`

### 规划 (Planning)

`目标`` → ``分解为子任务`\
`    - ``任务分析`\
`    - ``步骤规划`\
`    - ``依赖管理`

### 记忆 (Memory)

`┌─────────────────────────────┐`\
`│   ``短期记忆`` (Short-term)      │`\
`│   ``对话上下文、临时状态``        │`\
`├─────────────────────────────┤`\
`│   ``长期记忆`` (Long-term)       │`\
`│   ``知识库、经验积累``            │`\
`└─────────────────────────────┘`

### 工具调用 (Tool Use)

`可用工具集：`\
`    - ``数据库查询`\
`    - API``调用`\
`    - ``文件操作`\
`    - ``代码执行`\
`    ...`

## 推理模式

Chain of Thought (CoT)

`问题`` → ``思考链`` → ``答案`

`"``设计一个公园``"`

`    ↓`

1.  `分析场地条件`

2.  `2. ``确定功能分区`

3.  `3. ``布局路径系统`

`4. ``选择植物配置`

`↓`

    完整方案

### ReAct (Reasoning + Acting)

`循环：思考`` → ``行动`` → ``观察`` → ``思考`` ...`\
\
`思考：需要查询场地数据`\
`行动：调用``GIS``工具`\
`观察：获取到高程信息`\
`思考：基于高程做排水设计`\
`行动：生成排水方案`\
`...`

## Agent架构示例

单Agent架构

`┌─────────────────────────────┐`\
`│         LLM Core            │`\
`│   (``规划、推理、决策``)         │`\
`├─────────────────────────────┤`\
`│  ┌───┐ ┌───┐ ┌───┐ ┌───┐  │`\
`│  │``感知``││``记忆``││``工具``││``反思``│  │`\
`│  └───┘ └───┘ └───┘ └───┘  │`\
`└─────────────────────────────┘`\
`         ↓`\
`    ``执行任务`

### 多Agent协作

`┌─────────┐  ┌─────────┐  ┌─────────┐`\
`│ ``规划``Agent│→│``分析``Agent│→│``设计``Agent│`\
`└─────────┘  └─────────┘  └─────────┘`\
`     ↓            ↓            ↓`\
`  ``任务分解``    ``数据分析``    ``方案生成`

## 思考与练习

1.  单Agent和多Agent系统各有什么优势？

2.  如何设计Agent的记忆系统？

3.  CoT和ReAct各适用于什么场景？

## 关键术语

  --------------------------------------------
  中文       英文         说明
  ---------- ------------ --------------------
  思考链     CoT          Chain of Thought

  推理行动   ReAct        Reasoning + Acting

  记忆       Memory       存储和检索信息

  反思       Reflection   自我评估与改进

  工具使用   Tool Use     调用外部能力
  --------------------------------------------

## 延伸阅读

1.  [LLM Powered Autonomous Agents](https://lilianweng.github.io/posts/2023-06-23-agent/)

    [ReAct: Synergizing Reasoning and Acting](https://arxiv.org/abs/2210.03629) \# 05.2 具身智能

---

# 学习目标

3.  理解具身智能的概念和特点

    了解数字孪生与物理世界的交互

    掌握强化学习在具身AI中的应用

# 什么是具身智能

## 定义

**具身智能 (Embodied AI)**：具有物理实体或虚拟身体的智能系统，能够通过与环境的交互来学习和完成任务。

## 与传统AI的区别

  ------------------------------------
  特性       传统AI       具身AI
  ---------- ------------ ------------
  交互方式   数据输入     主动探索

  学习方式   从数据学习   从交互学习

  输出形式   预测/生成    行动/操作
  ------------------------------------

# 数字孪生

## 概念

`物理世界`` → ``数字映射`` → ``仿真预测`` → ``反向控制`

## 应用层次

  --------------------------------
  层次       内容       应用
  ---------- ---------- ----------
  几何孪生   三维模型   可视化

  物理孪生   物理仿真   性能分析

  行为孪生   行为模拟   场景预测

  认知孪生   决策支持   智能控制
  --------------------------------

# 强化学习基础

## 核心要素

`┌─────────────────────────────────────┐`\
`│                                   │`\
`│  ``环境`` ← ``状态`` ──────→ Agent        │`\
`│    ↑                     │          │`\
`│    └──── ``奖励`` ←─── ``动作`` ─┘          │`\
`│                                   │`\
`└─────────────────────────────────────┘`

## 训练循环

1.  `观察环境状态`

2.  `选择行动`

3.  `执行行动`

4.  `获得奖励`

5.  `更新策略`

6.  `重复``...`

## Gymnasium环境

`import gymnasium as gym`\
\
`env = ``gym.make``("CartPole-v1")`\
`state, _ = ``env.reset``()`\
\
`for _ in range(1000):`\
`    action = policy(state)`\
`    state, reward, done, _, _ = ``env.step``(action)`\
`    if done:`\
`        break`

# 具身AI应用场景

## 机器人设计

`感知环境`` → ``规划路径`` → ``执行动作`` → ``反馈调整`\
`    ↓`\
`建筑机器人、施工机器人`

## 虚拟角色

`游戏``NPC``、虚拟助手、元宇宙居民`\
`    ↓`\
`自然行为、智能对话`

## 仿真训练

`虚拟环境`` → ``训练策略`` → ``迁移到真实`\
`    ↓`\
`降低试错成本`

# 虚拟到真实的迁移

## 挑战

  -----------------------------------
  问题           说明
  -------------- --------------------
  Sim2Real Gap   仿真与现实的差异

  感官差异       虚拟与真实感知不同

  物理特性       真实物理更复杂
  -----------------------------------

## 解决方案

1.  域随机化 (Domain Randomization)

    真实数据混合

    在线微调

# 思考与练习

1.  具身智能在规划设计中有哪些应用前景？

2.  数字孪生如何辅助设计决策？

3.  Sim2Real迁移的主要挑战是什么？

# 关键术语

  --------------------------------------------------
  中文       英文           说明
  ---------- -------------- ------------------------
  具身智能   Embodied AI    有身体形式的AI

  数字孪生   Digital Twin   物理世界的数字映射

  强化学习   RL             Reinforcement Learning

  状态       State          环境的当前情况

  动作       Action         Agent对环境的影响
  --------------------------------------------------

# 延伸阅读

1.  [Gymnasium文档](https://gymnasium.org.cn/)

    [DeepMind's Embodied AI Research](https://www.deepmind.com/research/embodied) \# 05.3 规划设计应用与MCP

---

# 学习目标

3.  理解MCP协议的核心思想

    掌握HITL协作模式

    了解Agent在规划设计中的落地场景

# MCP协议

## 什么是MCP

**Model Context Protocol (模型上下文协议)**：连接AI模型与外部数据/工具的开放标准。

## 核心价值

`传统方式：`\
`    AI``模型`` → ``各自独立`` → ``数据孤岛`\
\
`MCP``方式：`\
`    AI``模型`` ← MCP → ``统一接口`` → ``所有工具``/``数据`

MCP架构

`┌─────────────────────────────────────┐`\
`│           AI Application            │`\
`│   (Claude, ``ChatGPT``, ``等``)             │`\
`└─────────────┬───────────────────────┘`\
`              │ MCP`\
`┌─────────────┴───────────────────────┐`\
`│         MCP Client                  │`\
`├─────────────────────────────────────┤`\
`│  ┌──────┐ ┌──────┐ ┌──────┐        │`\
`│  │File  │ │DB    │ │API   │  ...  │`\
`│  │``Server│ │Server│ │Server│        │`\
`│  └──────┘ └──────┘ └──────┘        │`\
`└─────────────────────────────────────┘`

# HITL：人机协作模式

## 什么是HITL

**Human-in-the-Loop (人在回路)**：在AI决策关键环节引入人类干预。

## HITL层次

  ----------------------------------
  层次       人类角色   自动化程度
  ---------- ---------- ------------
  完全自动   无         100%

  人工审核   监督者     80-90%

  交互决策   合作伙伴   50-70%

  人工主导   操作者     \<50%
  ----------------------------------

## 规划设计中的HITL

`AI``生成方案`\
`    ↓`\
`设计师审核`` ← ``修改意见`` → AI``调整`\
`    ↓`\
`最终确认`

# 规划设计Agent案例

## 场景分析Agent

`输入：场地数据`

`↓`

`分析流程：`

1.  `地形分析`` (``坡度、高程``)`

2.  `气候分析`` (``日照、风向``)`

3.  `交通分析`` (``可达性``)`

4.  `视觉分析`` (``视域、景观``)`

`↓`

`输出：场地分析报告`

## 方案生成Agent

`输入：设计要求`` + ``场地分析`

`↓`

`生成流程：`

1.  `理解需求`` (``CoT``推理``)`

2.  `布局功能`` (``工具调用``)`

3.  `连接路径`` (``图算法``)`

4.  `优化调整`` (``迭代改进``)`

`↓`

`输出：初步设计方案`

## 合规审查Agent

`输入：设计方案`

`↓`

`审查流程：`

1.  `调用规范库`

2.  `逐条核对`

3.  `标记问题`

4.  `生成报告`

`↓`

`输出：合规审查意见`

# Agent落地挑战

技术挑战

  ---------------------------
  挑战       说明
  ---------- ----------------
  准确性     复杂任务易出错

  可解释性   决策过程不透明

  鲁棒性     边界情况处理
  ---------------------------

应用挑战

  -----------------------------
  挑战         说明
  ------------ ----------------
  工作流整合   与现有流程融合

  责任界定     AI错误的后果

  成本控制     API调用费用
  -----------------------------

## 解决方向

1.  分级应用：简单任务自动化，复杂任务辅助

    渐进式：从局部到整体

    人机协同：关键环节人工确认

# 未来展望：AI设计师

### 短期 (1-2年)

`AI``作为工具`\
`    - ``数据分析`\
`    - ``方案生成`\
`    - ``合规检查`

### 中期 (3-5年)

`AI``作为助手`\
`    - ``创意启发`\
`    - ``方案优化`\
`    - ``文档撰写`

### 长期 (5-10年)

`AI``作为合作伙伴`\
`    - ``共同创造`\
`    - ``自主决策`\
`    - ``专业评审`

## 思考与练习

1.  MCP如何解决AI应用的"数据孤岛"问题？

2.  规划设计中哪些环节适合引入HITL？

3.  AI设计师如何与人类设计师协作？

## 关键术语

  ----------------------------------------------------------------
  中文             英文                   说明
  ---------------- ---------------------- ------------------------
  模型上下文协议   MCP                    Model Context Protocol

  人在回路         HITL                   Human-in-the-Loop

  数据孤岛         Data Silo              独立的数据存储

  协议             Protocol               通信标准

  工作流整合       Workflow Integration   融入现有流程
  ----------------------------------------------------------------

## 延伸阅读

1.  [MCP官方文档](https://modelcontextprotocol.io/)

    [Human-in-the-Loop AI](https://arxiv.org/abs/2301.02629)