资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

AI Agent智能体全景技术图与架构设计：智能体自主性与智能性的双重提升

创作时间:

作者:

@小白创作中心

AI Agent智能体全景技术图与架构设计：智能体自主性与智能性的双重提升

引用

CSDN

https://blog.csdn.net/m0_59164304/article/details/144197034

AI Agent（智能体）是人工智能领域的重要研究方向，它通过模拟人类的感知、决策和执行能力，实现智能化的自主操作。本文将从AI等级划分、大模型Agent架构设计模式以及学习路径等方面，全面介绍AI Agent的技术图景与架构设计。

AI Agent智能体全景技术图

AI等级划分是理解AI Agent能力层次的重要框架，借鉴自动驾驶级别的划分方式，将AI智能体的能力从低到高进行分级：

L0 - 没有人工智能：Agent不具备人工智能特性，只能执行预定或固定的任务，没有感知、决策或学习的能力。
L1 - 规则符号智能：Agent开始具备基于规则的决策能力，能够根据预设的规则和符号进行简单的判断和执行。这种智能体通常只能处理特定情境下的任务，且缺乏灵活性和适应性。
L2 - 推理决策智能：Agent能够利用逻辑推理能力来解决问题，不再仅仅依赖于预设的规则。它能够根据当前的环境信息和目标，进行一定程度的推理和决策，以选择最合适的行动方案。
L3 - 记忆反思智能：在L3级别，Agent不仅具备推理决策能力，还开始拥有记忆和反思的能力。它能够记住过去的经验和教训，并在未来的决策中加以利用。这种智能体能够自我优化和改进，以适应不断变化的环境和任务。
L4 - 自主学习智能：自主学习是L4级别Agent的主要特征。它能够自主地从数据中学习新知识和技能，无需人类的明确指导。这种智能体能够处理更复杂的问题，并在面对新情境时展现出更强的适应性和创造力。
L5 - 个性群体智能：在最高级别，Agent不仅具备高度自主的学习和决策能力，还展现出个性化的特征。它能够根据自身的特点和偏好来执行任务，并与其他Agent进行协作和沟通。此外，L5级别的Agent还能够理解和适应人类社会的复杂性和多样性，与人类实现更加紧密和自然的交互。

大模型Agent架构设计模式

架构设计模式是构建AI系统的重要基础。在大模型应用领域，以下几种架构设计模式被广泛应用：

Agent路由分发架构模式

当用户输入一个Prompt查询时，该查询会被发送到路由转发模块，而路由转发模块则扮演着对输入Prompt进行分类的角色。如果Prompt查询是可以识别的，那么它会被路由到小模型进行处理，这通常是一个更准确、响应更快且成本更低的操作。然而，如果Prompt查询无法被识别，那么它将由大模型来处理。尽管大模型的运行成本较高，但它能够成功返回更多种类型查询的答案。通过这种方式，大模型应用产品可以在成本、性能和用户体验之间实现平衡。

大模型Agent代理架构模式

在任何一个生态系统中，都会有多个针对特定任务领域的专家，并行工作以处理特定类型的查询，然后将这些响应整合在一起，形成一个全面的答案。这样的架构模式非常适合复杂的问题解决场景，在这种场景中，问题的不同方面需要不同的专业知识，就像一个由专家组成的小组，每个专家负责处理更大问题的一个方面。更大的模型（比如：GPT-4）负责理解上下文，并将其分解为特定的任务或信息请求，这些任务或信息请求被传递给更小的代理模型。这些代理模型可能是较小模型，它们已经接受过特定任务的训练，或者是具有特定功能的通用模型，比如：BERT、Llama-2、上下文提示和函数调用。

基于缓存的微调Agent架构模式

将缓存和微调引入到大模型应用架构中，可以解决成本高、推理速度慢以及幻觉等组合问题。通过缓存初始结果，能够在后续查询中迅速提供答案，从而显著提高了效率。当我们累积了足够的数据后，微调层将启动，利用早期交互的反馈，进一步完善一个更为专业化的私有大模型。专有私有大模型不仅简化了操作流程，也使专业知识更好地适应特定任务，使其在需要高度精确性和适应性的环境中，比如：客户服务或个性化内容创建，表现得更为高效。对于刚入门的用户，可以选择使用预先构建的服务，比如：GPTCache，或者使用常见的缓存数据库：Redis、Cassandra、Memcached来运行自己的服务。

面向目标的Agent架构模式

对于用户的Prompt提示词，Agent会基于大模型先做规划（Planning），拆解成若干子任务，然后对每个子任务分别执行（Action），同时对每一步的执行结果进行观测（Observation），如果观测结果合格，就直接返回给用户最终答案，如果观测结果不合格或者执行出错，会重新进行规划（Replanning）。这种面向目标的Agent架构模式非常常见，也是AGI大模型时代，每一个程序员同学都需要掌握的架构设计模式。

Agent智能体组合架构模式

该架构设计模式强调了灵活性，通过模块化AI系统，能自我重新配置以优化任务性能。这就像一个多功能工具，可以根据需求选择和激活不同的功能模块，对于需要为各种客户需求或产品需求定制解决方案的企业来说，这是非常有效的。可以通过使用各种自主代理框架和体系结构来开发每个Agent智能体，比如：CrewAI、Langchain、LLamaIndex、Microsoft Autogen和superAGI等。通过组合不同的模块，一个Agent可以专注于预测，一个处理预约查询，一个专注于生成消息，一个Agent来更新数据库。将来，随着专业AI公司提供的特定服务的增多，我们可以将一个模块替换为外部或第三方服务，以处理特定的任务或领域的问题。

Agent双重安全架构设计模式

围绕大模型的核心安全性至少包含两个关键组件：一是用户组件，我们将其称为用户Proxy代理；二是防火墙，它为大模型提供了保护层。用户Proxy代理在查询发出和返回的过程中对用户的Prompt查询进行拦截。该代理负责清除个人身份信息和知识产权信息，记录查询的内容，并优化成本。防火墙则保护大模型及其所使用的基础设施。尽管我们对人们如何操纵大模型以揭示其潜在的训练数据、潜在功能以及当今恶意行为知之甚少，但我们知道这些强大的大模型是脆弱的。在安全性相关的技术栈中，可能还存在其他安全层，但对于用户的查询路径来说，Proxy代理和防火墙是最关键的。

Agent框架总结

单智能体

单智能体的基本架构包括：大语言模型（LLM）+ 观察（obs）+ 思考（thought）+ 行动（act）+ 记忆（mem）。

多智能体

多智能体架构则包括：智能体 + 环境 + SOP + 评审 + 通信 + 成本。

多智能体优点

多视角分析问题：虽然LLM可以扮演很多视角，但会随着system prompt或前几轮的对话快速坍缩到某个具体的视角上；
复杂问题拆解：每个子agent负责解决特定领域的问题，降低对记忆和prompt长度的要求；
可操控性强：可以自主的选择需要的视角和人设；
开闭原则：通过增加子agent来扩展功能，新增功能无需修改之前的agent；
（可能）更快的解决问题：解决单agent并发的问题；

多智能体缺点

成本和耗时的增加；
交互更复杂、定制开发成本高；
简单的问题single Agent也能解决；

多智能体能解决的问题

解决复杂问题；
生成多角色交互的剧情；

Multi-Agent并不是Agent框架的终态，Multi-Agent框架是当前有限的LLM能力背景下的产物，更多还是为了解决当前LLM的能力缺陷，通过LLM多次迭代、弥补一些显而易见的错误，不同框架间仍然存在着极高的学习和开发成本。随着LLM能力的提升，未来的Agent框架肯定会朝着更加的简单、易用的方向发展。