OpenAI o1模型如何重塑智能体Agent

先看一个问题：

“满足Sales Order SO08E34需要采购多少零件？”

你会选择哪种Agent架构？

1. ReAct：Agent利用ReAct框架逐步求解；

2. One-Shot：Agent“一次成型”指令序列（Routine）后作答。

一个月前，ReAct几乎是不二之选——但o1出现之后，情况变了。One-Shot，很可能是未来方向。

One-Shot

最新一轮融资后，OpenAI的市值已达1570亿美元，o1的AGI大饼想必在本次融资中发挥了关键作用。虽然OpenAI将o1主要定位在Science、Math和Coding这些领域，但其展现的一些“偏门”能力，可能会带来意想不到的效果。

其中一个偏门能力，就是善于将复杂的业务描述（Policy & Procedure）准确编排为可执行的指令序列（Routine）。因为首次准确率相当高，这种做法也被称为One-Shot。

举一个例子：在OpenAI的Cookbook《Using reasoning for routine generation》中，o1展示了如何将“如何删除付款方式”的帮助文章转化为Routine（图1）。

图1：o1将复杂的业务描述转化为Routine（部分截取）

在这个例子里，o1可以将长度约300 tokens的Policy一次性编排为长度约1000 tokens的复杂Routine（图2）。这个Routine由7个Action和若干函数定义构成，每个Action又包含子Actions和执行逻辑（比如IF...ELSE...）。

图2：流程图化的Routine（部分截取）

其中，Action可以分为四类：

1. Function Call（黑色）：生成并调用相关API，例如验证用户或取消订阅；

2. Knowledge Retriever（深蓝）：调阅相关政策和知识；

3. 向用户索取信息（黄色）；

4. 指导如何通知客户（浅蓝）。

这样设计的优势在于：当用户查询如何删除付款方式时，执行Routine的Agent不仅能提供操作建议，更可以在用户授权的情况下直接完成相关操作。

我们进一步比较了主流大模型与o1的One-Shot能力。在实验中，主流大模型转化简单业务描述（约100 tokens）为中等长度Routine（约500 tokens）的首次准确率只有60%；而o1则可以理解更复杂的业务描述（超过500 tokens），稳定输出超长Routine（超过1000 tokens），无需Few-Shots就能保证首次准确率超过90%（表1）。

表1：主流大模型 vs o1的One-Shot能力

One-Shot Agent

回到最初的问题：

“满足Sales Order SO08E34需要采购多少零件？”

如果Agent第一次运行回答：“150个零件。”第二次运行回答：“200个零件。”——这个Agent大概马上就会被淘汰。

与AI领域众多随机性问题（Stochastic）不同（例如Alpha Go），企业在实际商业活动中面对的绝大多数是确定性问题（Deterministic）。也就是说，特定问题通过固定流程和算法能得到确定的解。

因此，当回答确定性问题时，Agent理论上既不需要“Think Step-by-Step”，也不需要一步一步地Thought-Action-Observation。而是用o1这种强力模型一次性生成遵循固有流程和算法的Routine，并通过Routine保证回答的确定性。

按照这个逻辑，回答“多少零件”这个问题需要两步：

第一步，利用o1强悍的One-Shot能力将MRP生成流程一次性转化为可执行的Routine（图3）。这个Routine由完成计算MRP所需的Function Call构成（实体和算法）。

图3：Routine生成

第二步，在用户查询零件需求时，将问题映射为上述Routine，并调用大模型驱动该Routine的执行（图4，此处的Execution LLM不是o1）。

图4：Routine执行

符合这种设计原则的Agent，可以称为“One-Shot Agent”。实际上，OpenAI在其Cookbook中已经暗示了类似的架构：

When developing customer service solutions, one of the initial steps involves transforming knowledge base articles into a set of routines that an LLM can comprehend and follow. A routine, in this context, refers to a set of step-by-step instructions designed specifically for the LLM to execute efficiently.

相较于全自动的ReAct和完全手工的Copilot，半自动化的One-Shot架构有几点优势（表2）：

1. 免去了ReAct全自动的“踌躇”，也不像Copilot那样需要人工构建Routine；

2. 鉴于流程和规则的确定性，被验证过的Routine可以反复使用，提升准确度并降低token用量；

3. 当业务规则发生变化时，One-Shot不需要像Copilot那样完全由人工调整Routine，只需利用新的业务内容重新生成即可。

表2：比较ReAct、Copilot和One-Shot在Routine生成和维护上的异同

当然，o1还未正式发布，One-Shot Agent在实际环境中的效果还有待检验，但方向已经初见端倪。

方向

类似开头的问题，One-Shot Agent的机制也应该能高效应对以下问题：

“北区的销售额如何在今年提升20%？”

“如果增加这个新功能，用户会喜欢吗？”

“这批椅子的生产计划和原料采购应如何安排？”

...

这些问题都属于决策体系。通常，企业需要协调数据、洞察以及人的智慧，并遵循固定的流程来求解。求解过程大部分由人、少部分由系统驱动，要么昂贵，要么自动化程度低。尽管SaaS已经耕耘多年，决策体系依然是一块“洼地”。

但随着“慢思考”大模型的演进，One-Shot Agent的特征非常适合跨平台并协作人类解答流程复杂的决策问题。可以预见，One-Shot Agent在未来的决策体系中将扮演相当关键的角色，这也是后续值得持续探索的方向。

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：OpenAI o1模型如何重塑智能体Agent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