该专栏为热销专栏榜 第19名
超级会员免费看
本文深入探讨了大模型如何赋能AI Agent的规划和决策能力，通过感知、规划、决策三个核心步骤，构建具备自主行动能力的智能体。文章以LLM为例，阐述了其在记忆、规划和工具使用方面的应用，并通过实例展示了如何在智能客服、无人驾驶和游戏AI中应用这些技术。此外，还讨论了未来发展趋势和面临的挑战，包括计算效率、安全性、伦理问题等。
OpenAI应用研究主管Lilian Weng在一篇长文中提出了
Agent = LLM（大型语言模型）+记忆+规划技能+工具使用
这一概念。AI Agent需要具备感知环境、做出决策并执行适当行动的能力。在这些关键步骤中，最重要的是理解输入给Agent的内容、进行推理、规划、做出准确决策，并将其转化为可执行的原子动作序列，以实现最终目标。
一个精简的Agent决策流程：
感知（Perception）→ 规划（Planning）→ 行动（Action）
- 感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力。
- 规划（Planning）是指Agent为了某一目标而作出的决策过程。
- 行动（Action）是指基于环境和规划做出的动作。
Agent通过感知从环境中收集信息并提取相关知识。然后通过规划为了达到某个目标做出决策。最后，通过行动基于环境和规划做出具体的动作。Planning是Agent做出行动的核心决策，而行动又为进一步感知提供了观察的前提和基础，形成了一个自主的闭环学习过程。
借用网上的一个案例来解释agent的执行：
- 当一个人问Agent是否会下雨时，感知模块将指令转换为LLM可以理解的表示。
- 然后，大脑模块开始根据当前天气和互联网上的天气预报进行推理。
- 最后，动作模块做出响应，将伞交给人类。
通过重复上述过程，智能体可以不断地获得反馈并与环境进行交互。
在以LLM驱动的Agent系统中，LLM扮演着Agent的大脑角色，并辅以几个关键组件：
-
规划：LLM能够进行全面的规划，不仅仅是简单的任务拆分。它可以评估不同的路径和策略，制定最佳的行动计划，以实现用户给出的目标。
-
记忆：可以利用LLM具有的记忆功能，存储和检索过去的信息和经验。这使得它能够在处理用户查询时，利用之前学到的知识和经验，提供更准确和个性化的答案。
-
工具使用：LLM通过理解工具的描述，来学习使用各种工具和资源，并灵活运用它们来支持任务的完成，在构建Agent的时候可以让Agent感知自己可以使用什么工具。工具的实现可以是利用搜索引擎、数据库、调用API等，获取和整理相关信息，以满足用户的需求。
文章目录
- Agent = LLM（大型语言模型）+记忆+规划技能+工具使用
- 【大模型应用开发 动手做AI Agent】Agent的规划和决策能力 1
- 【大模型应用开发 动手做AI Agent】Agent的规划和决策能力 2
- 【大模型应用开发 动手做AI Agent】Agent的规划和决策能力 3
- 【大模型应用开发 动手做AI Agent】Agent的规划和决策能力 4
订阅专栏 解锁全文
扫一扫
770
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
