pengxiao
e58b95d227
将《设计人工智能：基础与应用》拆分为 38 个 Markdown 文件， 按 11 个部分（上篇6部分+下篇5部分）+ 3 个附录组织。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
149 lines
3.9 KiB
Markdown
149 lines
3.9 KiB
Markdown
|
|
## 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
|