AIagent的发展方向

agent算是从年前到现在，比较火的一个概念了，也被很多人认为是大模型的未来的一个主要发展方向。首先我们看这个很经典的一张图看起来还是蛮复杂的，然后市面上的很多描述agent的文章写的也比较复杂，说智能体是啥智能的最小单元，相较于copilot，是可以给他设定一个目标后主动完成任务的等等。当然这些说法都没错，但是我觉得还是有些不好理解的。所以我们依然先从原理着手去理解下，agent是个什么东西。首先这张图里，中间的“智能体”，其实就是llm，或者说大模型。四个箭头，分别是我们为llm增加的四个能力。工具、记忆、行动、规划。那么这个是怎么新增的呢？目前行业里主要用到的是一个叫langchain的框架，这个框架可以简单理解为，他把llm和llm之间，以及llm和工具之间，通过代码或prompt的形式，进行了串接。这个其实也像是在rag的基础上再进了一步。因为我们知道rag其实是给了大模型一个浏览器工具来使用嘛，那agent，其实就是给了大模型更多的工具。比如像是长期记忆，其实就是给了大模型一个数据库工具让其往里记录重要信息。规划和行动，其实就是在大模型的prompt层做的些逻辑，比如让其将目标进行每一步的拆解，拆解完成后，每一步去输出不同的固定格式action指令，给到工具作为输入。当然langchain或者说agent还不止这些，也会有很多其他的代码逻辑体现在其中，不过其主要的主干逻辑，其实还是在prompt层和工具层，完成的设计。

近期出现的各类AI搜索引擎，类似perplexity.ai、metaso、360搜索、ThinkAny等等，都是在不断颠覆传统的搜索引擎。辅助高效的处理信息阅读完一份10万字的PDF研究报告需要多久？这份报告主要讲了什么内容？有没有我要关注的点？智能摘要是目前我用的超顺手的一个功能，能够辅助我快速的筛选信息，什么值得看，什么不容错过，真正的实现信息的降噪。信息表达更简便放在以往很难想象，如果要实现下面这俩张图，可能会设计一系列的思考、草稿、理清逻辑等等流程。现在用自然语言描述一句话就给你生成了这样美观可用的图片，极大的降低了不同角色的创作门槛和周期，是真的简便。那么新型的产品设计方式也就出现了，在我原来的工作流中，我作为一名产品经理，我会开始使用AI去重新构建我的工作流：使用AI进行搞定用户画像、使用AI进行竞品调研、使用AI设计产品测试用例、使用AI绘制产品功能流程图...真的太多了。虽然我也推荐了一些我自己的工作流上使用的产品，但是我比较建议的是：每个人都是独特的个体，应该先摸清楚自己的日常工作流是怎么样的，然后通过每一个工作节点线索，去找到适合你自己使用的工具。就好比，我现在初出茅庐，手上握着+1攻击力的武器，+1的防御装备，这不影响我去打怪升级这个事情，假如你找到了一件合适自己的武器，它可能是+1000攻击力，你换上就好了，是能够快速的在你原来的这套工作流里进行战力升级。关于Agent的未来，我只想说：曾被认为的异想天开的想法，都可能会是AI Agent的未来。AI Agent我们其实可以理解为一个技术浪潮中不断前进的新名词，而技术迭代会不断向前。

尽管许多先驱为“AI Agent”这一概念奠定了基础并不断完善，但我们今天所见的AI Agent并非一蹴而就。简而言之，AI Agent的发展可以分为以下几个阶段。同时这些阶段也深深受到符号主义、连接主义、行为主义的影响。[heading3]9.1 Symbolic Agent[content]在人工智能的黎明时期，符号人工智能作为主导范式，以其对符号逻辑的依赖而著称。这种方法运用逻辑规则和符号表示，将知识封装于精确的框架之中，推动了推理过程的发展。它专注于两个核心议题：知识的表示与推理的转换。这些Symbolic Agent的设计宗旨是仿效人类的思考方式，构建了一套清晰、可解释的推理体系，其符号化的本质赋予了它们强大的表达力。符号人工智能的代表之作，是基于知识的专家系统，它们在特定领域内展现出了卓越的推理能力。然而，Symbolic Agent在处理现实世界的不确定性和复杂性时，却遭遇了难以逾越的障碍。此外，符号推理算法本身的复杂性，使得寻找一种既高效又能在有限时间内产生有意义结果的算法，成为了一项艰巨的挑战。时间:20世纪50-70年代特点:基于逻辑和规则系统,使用符号来表示知识,通过符号操作进行推理技术:基于规则的系统,专家系统,如MYCIN,XCON等优点:明确的推理过程,可解释性强缺点:知识获取困难,缺乏常识,难以处理模糊性