AI Agent是什么？5W1H框架深度解析

导言

大模型的横空出世，重新点燃了市场对AI的热情。而AI Agent这个概念，更是将这股热潮推向了新的高度。从去年开始，AI Agent就成了炙手可热的名词，其热度丝毫不亚于大模型本身，甚至一众大佬纷纷为其站台。

2023年下半年，OpenAI联合创始人、前Tesla AI总监Andrej Karpathy曾表示：如果一篇论文提出某种不同的训练方法，OpenAI内部会嗤之以鼻，认为都是自己玩剩下的；但当新的AI Agents论文出来时，他们会十分认真且兴奋地讨论。普通人、创业者和极客在构建AI Agents方面相比OpenAI这样的公司更有优势。

在AI Ascent 2024大会上，斯坦福大学教授、前谷歌大脑项目创始人吴恩达分享了关于AI Agent的最新趋势与洞察：AI Agent工作流将在今年推动人工智能取得巨大进步——甚至可能超过下一代基础模型。这是一个重要的、令人兴奋的趋势，他呼吁所有人工智能从业者都关注它。

微软创始人比尔·盖茨也通过个人网站发表看法：AI Agent将成为下一个平台，简而言之，它几乎将在任何活动和生活领域提供帮助，对软件行业和社会产生深远影响。

趁着这波浪潮，短短一年时间内，AI Agent领域的创业公司和独角兽实现了爆发式增长。早在去年3月，AutoGPT就在GitHub上获得了7.4万星，并快速成为史上Star数量增长最快的开源项目，如今已超过16万星。后续发布的BabyAGI、AgentGPT也如雨后春笋般涌现，调研报告、订购披萨、发送邮件、旅行攻略——无数Agent应用场景纷纷开始落地。

在国内，AI Agent相关产品也相继诞生。去年7月，阿里云发布了旗下第一个智能体——ModelScopeGPT，面向开发者群体。随后百度文心智能体平台、字节Coze、腾讯元器，各大厂商的AI智能体平台也纷至沓来。

面对如此巨大的热潮，相信很多读者在心潮澎湃的同时，也会心存疑虑：AI Agent到底是什么？是真正的科技突破还是科技泡沫？对企业和个人能带来什么影响？

接下来，我们将使用5W1H分析框架来详细拆解AI Agent，一步步带大家了解其全貌。由于内容较多，本文将通过三篇文章逐步阐述全部内容。

上篇：介绍What + Why，主要解答以下问题。

What：AI Agent是什么？有哪些组成部分？原理是什么？怎么分类？
Why：为什么会产生AI Agent？优势和劣势是什么？为什么企业和个人都要关注？

中篇：介绍When + Where + Who，主要解答以下问题。
When：AI Agent的发展历程是怎样的？未来发展趋势？
Where：有哪些应用场景？
Who：有哪些玩家？行业价值链是怎样的？

下篇：介绍How，主要解答以下问题。
How：如何实现AI Agent？包括哪些系统模块？如何开始学习？

下面正式开始5W1H框架对AI Agent的拆解之旅！

一. 5W1H分析框架之What

1.1 AI Agent到底是什么？

从概念上来说，AI Agent（智能体）是一种不需要持续人类干预的AI系统，可以基于环境和背景信息，自主分析问题、做出逻辑决策，并在没有持续人类输入的情况下处理多种任务。

AlphaGo就是一个典型代表——它可以在围棋对弈中根据棋局和对手行动，自主决策下一步。AI助手也是，比如你只需下达“帮我预订明早10点上海飞深圳的机票”，它就能自动完成从搜索、查询、下单到确认的全部动作。

从结构上来说，一个AI Agent包括三个部分：

Perception（输入）：通过文字输入、传感器、摄像头、麦克风等，建立对外部世界的感知。

Brain（大脑）：最重要的部分，包括信息存储、记忆、知识库、规划决策系统。

Action（行动）：基于Brain的决策进行下一步，主要包括对外部工具的API调用，或对物理控制组件的信号输出。

目前在大模型热潮背景下，媒体上所说的AI Agent，更严格地讲应该叫LLM Agent——因为整个Agent的核心控制中枢Brain，底层是LLM大模型。如果未来出现比LLM更强大的AI技术基座，也会产生基于新基座的Agent。下文所述AI Agent如无特殊说明，均指LLM Agent。

那么Agent和LLM大语言模型是什么关系？简单类比：如果把LLM（比如GPT）比作大脑中一堆神经元，具有记忆、常识和推理等能力，那么AI Agent就是独立的人——除了大脑，还拥有视觉、听觉、味觉等多种感官，以及手和脚来操作外部工具。

从本质来讲：AI Agent = 大语言模型 + 记忆 + 规划 + 工具使用。

接下来，逐步拆解AI Agent的组成部分。

1.2 详细拆解AI Agent的构成

1.2.1 构成一：规划（Planning）

Planning是整个AI Agent最核心的部分。Agent会把大型任务分解为子任务，规划执行流程，同时进行思考与反思，决定继续执行还是终止。

整个Planning模块包括两个步骤：子任务分解，反思和完善。

步骤一：子任务分解

Agent将大型任务拆分为更小、更易于管理的子目标，从而高效处理复杂任务。主要方式包括：思维链COT、思维树TOT、思维图GOT、规划器LLM+P。

a. 思维链COT（Chain of Thought）
当对LLM要求“think step by step”时，它会将问题分解成多个步骤，逐步思考和解决，使输出更准确。这是一种线性思维方式。

b. COT-SC
单个COT可能出错，可以尝试让Agent发散，通过多种思路解决问题，然后投票选出最佳答案。

c. 思维树TOT
对COT的进一步扩展，在每一步推理出多个分支，拓扑展开成一棵思维树。使用启发式方法评估每个分支，并用广度优先或深度优先搜索算法探索。

d. 思维图GOT
TOT对需要分解后再整合的问题（如排序）存在缺陷，可通过GOT解决。

e. LLM+P
依靠外部传统规划器进行长视野规划，利用PDDL作为中间接口描述规划问题。LLM先将问题转化为Problem PDDL，再由经典规划器生成计划，最后翻译回自然语言。

步骤二：反思和完善

在现实任务中，规划环节不可能万无一失，试错不可避免。通过自我反思和逐步完善，才能逼近最佳结果。主要方式包括：

a. ReAct（Reasoning-Action）
让大模型先思考，再行动，然后观察结果，再思考，循环往复。相比Reasoning-Only和Action-Only模式，ReAct效果更好。

b. Reflexion
为Agent配备动态记忆和自我反思能力的框架，具有标准强化学习机制。每次行动后计算启发式值，根据反思结果决定是否重置环境开始新试验。

c. Basic Reflection
利用左右互搏实现协同进化。例如设计一个市场调研Agent，Generator负责输出，Reflector负责检查，两者协同完成反思和完善。

1.2.2 构成二：记忆（Memory）

记忆是Agent获取、存储、保留和检索信息的过程。先用人脑做类比：感官记忆（几秒）、短时记忆（20-30秒，容量约7项）、长时记忆（几天到几十年，容量无限，包括显性与隐性）。

映射到AI Agent：感官记忆对应原始输入的嵌入表征（文本、图像等）；短时记忆对应上下文学习（受Transformer窗口限制）；长期记忆对应外部向量数据库，可快速检索引用。

还有一个关键因素：大模型知识的更新。基础大模型是用海量通用数据训练的“及格通才”，但在企业专属场景中，需要通过RAG（检索增强生成）技术挂载企业知识库，用向量数据库存储，将Agent训练为优秀专才。RAG技术非常关键，后续文章将重点介绍其原理与使用方法。

1.2.3 构成三：工具（Tooling）

为AI Agent配备工具API（如计算器、搜索工具、代码执行器、数据库查询等），使其能与物理世界交互，解决实际问题。

Agent使用工具的方式主要有：

a. TALM & ToolFormer
对LLM进行微调，以学习使用外部工具API。根据新增API调用注释是否能提高输出质量进行数据集扩展。

b. HuggingGPT = ChatGPT + HuggingFace
使用ChatGPT作为任务规划器，根据模型描述选择HuggingFace平台中的模型，并总结响应结果。

c. API-Bank
包含53种常用API工具（搜索引擎、计算器、日历查询、智能家居控制等），LLM先访问API搜索引擎找到要调用的API，再用文档调用。

d. Function Calling
通过API调用LLM时，调用方描述函数（功能、请求参数、响应参数），让LLM根据用户输入选择合适函数，并将自然语言转换为调用参数。

规划、记忆、工具，就是AI Agent系统最核心的三个模块。接下来看看分类。

1.3 AI Agent的分类

从去年开始，各类AI Agent层出不穷。合理的分类有助于理解其原理和模式。可从三个角度分类：工作模式、决策方式、应用场景。本文先介绍前两种，下一篇文章介绍“Where”时再详述应用场景。

1.3.1 按工作模式分类

单Agent：通过单一Agent解决问题，不需要与其他Agent交互。如专门用于市场分析的Agent，只能处理单一任务。

多Agent：多个Agent协同工作，相互交流信息，共同完成复杂任务。在软件开发、智能生产、企业管理等高度协同的场景中非常有帮助。例如有公司创建了多Agent系统，让Agent扮演产品经理、UI设计师、研发工程师、测试人员、项目经理等角色。

混合Agent：Agent系统与人类共同参与决策，交互合作完成任务，强调人机协作。如智慧医疗中医生与Agent共同诊断：Agent快速分析医疗记录和影像，提供初步建议；医生基于自身专业经验做最终决定。

1.3.2 按决策制定方式分类

简单反射型Agent：基于“如果-那么”规则直接响应，不存储历史数据。反应迅速但适用范围有限，如系统告警时自动拨打电话。

基于模型的反射型Agent：拥有环境内部模型，能基于理解和过往经验做出更复杂决策。如Nest智能温控器，既能根据当前温度调节，也能学习用户偏好。

基于目标的Agent：涉及对未来的考虑，从根本上不同于条件-动作规则。如智能导航根据起点、目标、交通拥堵和用户偏好输出最佳路线。

基于效用的Agent：旨在最大化效用功能，选择预期效用最高的行动。比如导航中有的用户要最短时间，有的要最少路费，系统根据不同效用给出不同结果。

学习型Agent：在未知环境中运行，从经历中学习并随时间调整行动。AlphaGo就是学习型Agent。

基于逻辑的Agent：基于逻辑规则推理解决问题，适合需要高度逻辑判断的场景，如法律咨询聊天机器人。

LLM大模型与这些Agent的关系在于：LLM为Agent的后续行动提供输入和推理。例如基于目标的Agent，会从用户输入中提取目标和要求，结合子任务分解、反思等步骤逐步完成最终目标。

二. 5W1H分析框架之Why

2.1 为什么会产生AI Agent？

为什么会产生AI Agent（特指LLM Agent）？从两方面回答：技术发展的局限性，以及人和AI的交互性。

从技术发展的局限性来看

在LLM大语言模型出现以前，一般通过规则和强化学习的方法让机器智能化地完成任务，但各有弊端。规则方法需要行业专家介入，缺乏容错能力，一个小错误就可能导致系统失败。强化学习需要大量样本训练，收集数据成本高，难以推广。

LLM出现后，人们发现它在逻辑推理、工具应用、策略规划、指令遵循等方面表现不错。工程师开始意识到，将大语言模型作为Agent的核心认知系统，可以极大地提高规划能力。但LLM还无法像人类一样深度规划思考、运用各种工具互动、拥有长期记忆。于是出现了COT/TOT/GOT、ReAct、Reflexion等技术提升Planning能力；RAG提升记忆；ToolFormer、Function Calling提升工具使用能力。

从人和AI互动的角度

主要经历了三种模式：最早是Embedding模式，人类完成大部分工作，AI作为单点能力嵌入（如OCR、人脸识别）。随着大模型出现，部分场景进化到Copilot模式，AI作为助手辅助人类（如Notion AI、微软Copilot）。而AI Agent模式将协同推至新高度——人类只提出任务和目标，由AI自主完成大部分工作。从互动角度看，AI Agent是AGI发展过程中的必经之路。

2.2 AI Agent有哪些优势和局限？

对用户来说，AI Agent的主要优势：

第一，以任务为导向。脱离传统Chatbot的闲聊模式，弥合语言理解与行动之间的鸿沟，直接基于用户意图自动推理和行动，大幅提升效率。

第二，自然的交互方式。以LLM为底座，语言理解和生成能力确保了自然无缝的用户交互。

第三，进化的决策能力。虽然还远不如人类，但这项能力在持续进化。

第四，灵活的适应性。在RAG和Function Calling等技术支撑下，可快速适应不同行业和应用场景，通过API与外部环境交互。

但LLM本身的局限也影响了AI Agent：

第一，可靠性不足。LLM容易出现幻觉和不一致性，多步骤联动会加剧问题。假设每一步可靠性95%，任务分解到5步以上，最终可靠性不到80%，限制了在关键场景的应用。

第二，法律问题。企业对外输出的Agent可能要对错误负责。例如有用户因加拿大航空聊天机器人误导而延误航班，最终由航空公司赔偿。

第三，性能和成本。GPT-4、Gemini-1.5在推理和function calling上表现不错，但速度慢、成本高，尤其需要循环调用和自动重试时。

针对可靠性问题，一个解决方案是Agentic Workflow——借助人工经验分解任务、配置执行流程，AI Agent更多承担意图识别、检索、归纳、分类的角色。例如创建财务分析报表Agent，由人类告诉它：当接收到分析某公司报表的指令时，先去某财务网站搜索、下载数据、存储、提取特定字段计算、最后输出报告。后续文章将专门介绍Agentic Workflow。

2.3 企业和个人为什么要关注AI Agent？

企业用户通常面临更复杂的业务需求，有明确的场景、逻辑以及大量行业数据和知识积累，非常适配Agent自主性、决策与执行、工具使用等特点，企业端是Agent施展能力的绝佳舞台。同时，AI Agent可以用工程化思想对抗个体工作的不确定性，过往的SOP、PDCA、OKR等管理方法可与Agent适配，完成管理工作的科学升级。

因此，企业需要关注AI Agent，结合行业特点和自身业务，在供应链、产品研发、市场营销、内部办公等环节提升效率。例如供应链环节的智能配补货、原料自动下单、库存优化、供应商协同、合同审查；产品研发环节的成分分析、新品建议、设计出图；市场营销环节的智能客服、精准推荐、创意制作、广告投放等。

再看对个人的影响。虽然目前面向C端还没有出现杀手级应用（包括OpenAI的GPTs其实只是特定知识库的Chatbot），但从长期趋势看，AI Agent一定会在越来越多场景渗透。同时，作为企业的工作者，AI Agent对个人工作效率的提升显而易见。利用AI Agent武装自己，让工作和学习效率更上一层台阶。未来可能只有两种人：驱动Agent的人，和被Agent驱动的人。

总结

本篇文章是使用5W1H分析框架拆解AI Agent的上篇，围绕What和Why，详细阐述了AI Agent的概念、构成、分类、产生原因、优势劣势以及对企业和个人的影响。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI Agent是什么？5W1H框架深度解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题