2.Agent智能体分类

Posted on Edited on In Views: Word count in article: 1.5k Reading time ≈ 1 mins.

Agent 学习笔记 (二)：智能体的进化之路与分类图谱

1. 智能体的发展历程 (The Evolution of Agents)

1.1 从控制论到大模型：三个关键阶段

智能体并不是横空出世的概念，它的演进经历了从“硬编码”到“自我学习”，再到如今“常识推理”的跨越。

  1. 早期控制论 (Cybernetics & Symbolic AI)：
  • 特点：基于固定的逻辑门和专家系统。
  • 痛点：只能处理高度结构化的环境，稍微改变规则就会失效（脆性）。
  1. 强化学习时代 (Reinforcement Learning)：
  • 特点：Agent 通过“试错”和奖励机制（Reward）来学习策略。
  • 代表：AlphaGo。
  • 痛点：泛化能力极弱。下围棋的智能体没法帮你订机票，每个任务都需要从零训练。
  1. 大模型驱动时代 (LLM-based Agents)：
  • 特点：以大模型为“大脑”，利用海量的通用知识进行零样本（Zero-shot）推理。
  • 救赎：赋予了 Agent 真正的“通用性”，使其能够像人类一样通过自然语言理解复杂意图。

2. 智能体的核心分类 (Taxonomy of Agents)

在经典的 AI 理论（如《AIMA》）中，根据 Agent 的“聪明程度”和处理逻辑，通常将其分为以下五类。理解这些分类有助于我们在工程实践中选择最合适的架构。

类型 核心逻辑 适用场景
简单反射智能体 (Simple Reflex) 根据当前感知直接做出反应 (Condition-Action)。 简单的自动化脚本（如：检测到 CPU 占用 > 90% 就告警）。
基于模型的反射 (Model-based) 能够维护一个“内部状态”，记录当前看不到的环境信息。 复杂的系统监控（需要结合历史状态判断当前异常）。
基于目标的智能体 (Goal-based) 拥有明确的目标，会主动寻找达成路径。 我们目前学习的主流 Agent（如：帮我部署一套 K8s 集群）。
基于效用的智能体 (Utility-based) 不仅要完成目标，还要寻找“最优解”（如最省钱、最快速）。 资源调度优化、路径规划。
学习智能体 (Learning Agents) 能够从执行结果中学习，不断改进性能。 自我进化的代码修复 Agent。

3. 现代 LLM Agent 的架构范式 (Modern Paradigms)

在当前的工程实践中，我们更多地从“运作模式”来区分 Agent。这类似于 Docker Compose 中对不同 Service 的定义方式。

3.1 自主智能体 (Autonomous Agents)

  • 定义：给定一个高层目标（Goal），Agent 自行拆解步骤、调用工具并完成任务。
  • 例子：AutoGPT。你告诉它“帮我调研某项技术并写一份报告”，剩下的它全包。

3.2 协作智能体 (Multi-Agent Systems, MAS)

  • 定义：多个 Agent 扮演不同角色（如：程序员、测试员、架构师），通过对话协作完成复杂工程。
  • 类比：这非常像我们 IT 开发中的团队协作模式。每个 Agent 只需要精通自己的领域。

4. 深入理解：智能体的“心智模型” (Mindset of an Agent)

正如 Docker 容器需要镜像（Image）作为模板，Agent 的运行依赖于以下三个核心支柱的解耦：

  1. Planning (规划能力)：将大目标拆解为子任务（Task Decomposition）。
  2. Memory (记忆能力)：
  • 短期记忆：Context（上下文）。
  • 长期记忆：Vector DB（向量数据库 / RAG）。
  1. Tool Use (工具调用)：通过 API 扩展能力边界。

5. 总结 (Summary)

Agent 的进化史本质上是**“自动化程度”不断提升**的过程。

  • 从早期的 If-Else 到现在的 LLM Reasoning。
  • 从单一任务的脚本到具备“心智”的自主实体。