Appearance
智能体概念与应用场景
课程视频可点击上方图片访问。
欢迎来到 "AI Agents for Beginners"。本课程面向希望构建智能体的开发者，提供基础概念与实战示例。你也可以加入 Azure AI Discord Community，与全球学习者交流问题与经验。
开篇我们将从三个问题入手：
- 智能体是什么？有哪些常见类型？
- 哪些场景最适合智能体发挥价值？
- 设计智能体解决方案时有哪些基础构件？
学习目标
完成本课后，你应能：
- 理解智能体的核心概念，并区分其与传统 AI 方案的差异。
- 判断何种场景适合引入智能体以提升效率。
- 初步掌握构建智能体解决方案所需的关键组件。
智能体定义与类型
智能体是什么？
智能体是一个系统，通过为大型语言模型（LLM）提供工具访问与知识补充，使其能够执行动作并与环境互动。
拆分来看：
- 系统：智能体不是单一组件，而是由多个部分组成的系统：
- 环境：智能体运行的场所，例如机票预订系统。
- 传感器：环境会返回状态信息，智能体通过传感器获取并理解这些信息，如可用酒店和机票价格。
- 执行器：智能体在掌握环境状态后决定采取的行动，例如为用户预订房间。
- 大型语言模型：在智能体出现之前，自动化已存在。LLM 的优势在于理解与生成自然语言，便于读取环境反馈并制定策略。
- 执行动作：在传统对话场景中，LLM 多数只能生成文本；在智能体系统内，LLM 通过调用工具完成真实任务。
- 工具访问：可用工具由环境与开发者限定。例如旅行助手只能调用与行程相关的接口。
- 记忆与知识：智能体可以在会话中维护短期记忆，也能通过外部系统获取长期知识，如用户偏好数据库。
常见智能体类型
以下表格继续以旅行助手为例，说明不同类型智能体的特征：
| 智能体类型 | 描述 | 示例 |
|---|---|---|
| 简单反射型智能体 | 依据预设规则即时做出反应。 | 根据邮件内容自动将投诉转给客服。 |
| 模型驱动反射型智能体 | 基于环境模型及其变化做出决策。 | 结合历史价格数据判断并优先推荐降幅明显的线路。 |
| 目标驱动智能体 | 根据目标拆解并规划行动路径。 | 综合考虑交通方式，为用户规划完整行程。 |
| 效用驱动智能体 | 通过量化偏好，权衡方案优劣。 | 比较花费与便利性，选出最优旅行方案。 |
| 自学习智能体 | 持续吸收反馈，改进后续行为。 | 根据行后评价调整未来的推荐策略。 |
| 分层智能体 | 多层级协作，高层拆分任务，低层执行。 | 退订行程时拆解为取消酒店、机票等子任务。 |
| 多智能体系统（MAS） | 多个智能体协作或竞争完成任务。 | 协作模式：不同智能体负责酒店、航班、娱乐等子任务；竞争模式：多个智能体共享并争夺同一酒店资源。 |
何时使用智能体
我们将持续使用旅行助手场景帮助理解。适合引入智能体的典型情况包括：
- 开放式问题：任务步骤无法完全硬编码，需要 LLM 自主规划。
- 多步骤流程：必须跨多轮对话调用工具或信息，无法一次性完成。
- 持续优化：智能体可通过环境或用户反馈不断提升表现。
关于可信智能体的更多考量将在 Lesson 06 讨论。
智能体解决方案的基础构件
智能体开发
设计智能体系统的第一步是定义工具、动作与行为。本课程示例主要使用 Azure AI Agent Service，它提供：
- 可选择多种开放模型（如 OpenAI、Mistral、Llama）
- 可调用授权数据服务（如 Tripadvisor）
- 支持标准的 OpenAPI 3.0 工具扩展
智能体模式
智能体与 LLM 的交互依赖提示词。由于智能体具有半自主性，并非每次环境变化都能人工重写提示，因此需要使用 智能体模式 来组织多轮提示策略，以提升可扩展性。本课程后续章节将按照常见模式展开。
智能体框架
智能体框架帮助开发者以代码实现上述模式，通常提供模板、插件和协作工具，便于观测与调试。本课程将体验研究驱动的 AutoGen 框架，以及面向生产的 Semantic Kernel 智能体框架。
进一步交流
如需更多答疑或经验分享，可加入 Azure AI Foundry Discord。