以下是关于智能体的相关信息：
AI 智能体是拥有各项能力来帮助我们做特定事情的“打工人”。目前有不少大厂推出了自己的 AI 智能体平台，如字节的扣子、阿里的魔搭社区等。
扣子（Coze）是字节跳动旗下的新一代一站式 AI Bot 开发平台，无论用户是否具备编程基础，都能在该平台上迅速构建基于 AI 模型的各类问答 Bot，并可将其发布到各种社交平台和通讯软件上。
创建智能体通常包括起一个名称、写一段简单介绍和使用 AI 创建一个头像等简单步骤。
在一些应用场景中，如生物医药领域，智能体可以由工作流和多个数据库实现。例如，生物医药小助手智能体由 1 个工作流和 6 个数据库组成，工作流相对简单，而数据库的收集和校对需要一定专业知识。在医疗领域，为保证回答的准确性，提示词约定回答只能来自于知识库。
在商业化场景方面，智能体在医药企业研发立项、科研机构临床转化评估、投资机构评估标的公司等方面都能发挥作用，回答相关问题。
决策智能体是智能体的一类，例如 Anterior 公司开发的临床决策引擎，用于自动化理赔提交审核，其将一定的控制逻辑交给大语言模型，在复杂推理流程中导航并做出业务决策。
原文链接：https://developer.volcengine.com/articles/7386988670428905510作者:法医[heading2]爆火的AI Agent[content]AI Agent也就是我们所说的AI智能体，那什么是AI智能体呢？简单来说就是拥有各项能力的打工人来帮我们做特定的事情。目前有不少大厂推出自己的AI智能体平台，像字节的扣子，阿里的魔搭社区等等，体验过GPT或者文心一言大模型的小伙伴应该都知道，现在基本可以用自然语言来编程了，相当于降低了编程的门槛，另外之前在使用GPT或者文心一言大模型的时候会出现胡编乱造的情况以及时效性、无法满足个性化需求等问题，如果这些不解决的话，AI很难被真正广泛应用，而AI智能体的出现正是解决这些问题的绝佳方式，AI智能体包含了自己的知识库、工作流、还可以调用外部工具，再结合大模型的自然语言理解能力，就可以完成比较复杂的工作。所以AI智能体的出现就是结合自己的业务场景，针对自己的需求，捏出自己的AI智能体来解决自己的事情。[heading2]扣子Coze[content]?扣子官网：[https://www.coze.cn/](https://www.coze.cn/)扣子（Coze），作为字节跳动旗下的新一代一站式AI Bot开发平台，无论用户是否具备编程基础，都能在该平台上迅速构建基于AI模型的各类问答Bot。这些Bot的功能涵盖了从解决简单问答到处理复杂逻辑对话的广泛范围。当我们开发完成后，还可以将自己构建的Bot发布到各种社交平台和通讯软件上，让更广泛的用户群体能够与这些Bot进行交互聊天。[heading2]竖起耳朵听的创建[content]我们可以通过简单3步创建智能体，首先我们要起一个智能体的名称，然后写一段智能体的简单介绍，最后使用AI创建一个头像即可。
我们将探讨的第一类智能体是决策智能体，它们使用智能体决策制定在复杂、多步骤的推理流程中导航并做出业务决策。与RAG或工具使用方法不同，这种架构首次将一定的控制逻辑交给LLMs，而不是预先设定所有步骤-但仍位于智能体自由度范围的较低端，因为智能体主要作为路由器导航一组预先确定的决策树。让我们以[Anterior](https://www.anterior.com/)(前称Co:Helm)为例。该健康计划自动化公司开发了一个临床决策引擎,用于自动化理赔提交审核。护士们如今凭借装满条件知识(就像世界上最无聊的"自选冒险")的付款人规则手册,人工完成这些审核。Anterior简化了这个过程。该公司首先将付款方规则转换为有向无环图(DAG),使用基于规则的脚本和语言模型。然后,他们的智能体遍历这个决策树,在每个节点利用LLMs来评估相关的临床文件是否符合特定的规则。对于较简单的节点,这可能涉及基本的检索增强型生成(RAG)步骤。但是,Anterior经常遇到需要子链的更复杂的任务,在这种情况下,智能体必须选择最佳方法,然后才能进入下一个节点。它会在每次决策时更新自己的状态(在内存中管理这些中间输出),并一直进行到最终确定。前者并非独一无二的采取这种方法。其他领域也在利用决策智能体,包括[Norm AI](https://norm.ai/)正在为监管合规打造AI智能体,以及[Parcha](https://www.parcha.com/)正在为KYC建立智能体。
这个智能体是由1个工作流+6个数据库实现的。工作流的设计比较简单，一个input，对接知识库，然后搭载豆包function call大模型，最后是一个output。6个数据库分别是我的公众号发表过的文章+执业药师教材（做第一个知识库的时候没经验，其实应该分开成两个数据库）、执业医师讲义、药监局新药审评报告、中国医药企业融资动态、药物对外授权（BD）动态、全球药物销售额。工作流是非常简单的，相对有难度的是收集知识库的资料并根据清洗结果进行手动二次校对（需要一定专业知识）。也许有人要问，医药知识我直接问大模型不好吗？大模型的语料来源庞杂，广度一定是比智能体好很多的，但是在医疗这个严肃领域，对回答准确性的要求非常高。为了避免出现误导性的回答，我在提示词中约定了回答只能来自于知识库。也许有问题超出知识库范畴的情况，但还没发现智能体回答是医学上不严谨的现象。广or精准，在医疗领域一定是精准优先的。[heading2]商业化场景[content]基本可以理解为，这个智能体能替代大部分的传统医药数据库商业化场景。医药企业研发立项：每个医药研发项目在立项之前，都要整理作用机制、目标治疗疾病的竞争格局、主流的技术路径是什么、同技术路径其他公司研发的产品在临床试验阶段看到的安全性风险和有效性分别是怎样的，这些问题智能体都可以回答科研机构临床转化评估：大学等科研机构有将基础的医药研究课题转化为药物的孵化机制，关注的主要是科学家研究方向的临床转化潜力，这些问题智能体都可以回答投资机构评估标的公司：主要关注国外对标技术的发展情况、融资情况、临床转化的可靠性，这些问题智能体都可以回答