我们经常听说AI Agents这个词，但它到底是什么呢？今天这一篇文章，就带你简单了解。
AI Agents可以被理解为一个智能助手，它可以像人类一样利用工具来完成任务。 想象一下，你想计划一次去香港的旅行。你可能会使用各种工具，比如搜索引擎查找航班和酒店，地图应用规划路线，点评应用来获取好吃的店铺…
那么这个时候，AI Agents就像你的个人旅行助手。 它可以访问和使用这些工具，根据你的指示完成任务。例如，你可以告诉它“我想预订下周去香港的航班”，Agents会使用航班搜索工具查找航班信息，然后向你展示可选项。
那么AI Agents是如何工作的？这里就涉及到三个概念：
1.模型：是一个大语言模型（LLM），它是Agents的核心。就像大脑，负责理解你的指示并做出决策。
2.工具：是Agents与外部世界互动的桥梁。它们可以是各种应用程序，比如搜索引擎、地图、数据库等。
3.编排： 编排是Agents的控制中心，它管理着Agents的行动和决策过程。它使用推理框架来指导Agents选择正确的工具并执行任务。
回到上面旅行的例子，来说说Agents是如何工作的：
①你告诉Agents你想去香港旅行。
②Agents使用大语言模型理解你的指示。
③编排层决定使用哪些工具，例如航班搜索工具和酒店预订工具。
④Agents使用这些工具收集信息，例如航班时间、酒店价格等。
⑤Agents将收集到的信息整理成易于理解的格式，并向你展示。
⑥你可以根据Agents提供的信息做出决策，例如选择航班和酒店。
那么通过上述的概念和案例，我们理解AI Agents就像一个智能助手，它可以利用各种工具来完成你的任务。它通过语言模型理解你的指示，并使用编排层来管理其行动和决策。
好的，接下来我们就分别再进一步聊聊这几个概念。
一、什么是Agents？
简单来说， 就是指利用现有工具，通过观察世界并采取行动来实现目标的应用程序。Agents具备自主性， 能够在无人干预的情况下独立行动，尤其是在设定了明确的目标或任务时。Agents也具有主动性，即使没有明确的人类指令，也能推理下一步行动以实现最终目标。
AI Agents主要由三个核心组件构成：
这三个核心组件我们在之前有介绍过。
1.模型（Model）： AI Agents的“大脑”，通常是大型语言模型（LLM），负责理解用户的指令并进行决策。AI Agents可以使用一个或多个不同规模的语言模型，这些模型能够遵循基于指令的推理和逻辑框架。就像我们之前讨论的旅行例子，模型就像助手的“大脑”，负责理解你的旅行计划并做出决策。
2.工具（Tools）： 工具是 AI Agents与外部世界交互的桥梁，例如搜索引擎、数据库、API 等。它们使Agents能够访问实时信息、执行操作并完成模型自身无法完成的任务。 在旅行的例子中，工具就相当于航班搜索引擎、酒店预订平台等应用程序，帮助获取旅行信息。
3.编排层（Orchestration Layer）： 编排层是 AI Agents的“控制中心”，它管理Agents的行动和决策过程。它使用推理框架来指导Agents选择正确的工具并执行任务。编排层就像旅行助手的“计划表”，它根据你的指示，安排助手使用哪些工具以及按什么顺序执行任务。
这三个组件协同工作，使 AI Agents能够像人类一样理解指令、使用工具并完成任务。
二、Agents和模型的区别
有人可能会问到，Agents和模型有什么区别？
模型像是一位博学的图书馆管理员，拥有丰富的知识储备，但局限于其训练数据的内容。 例如，一个训练有素的语言模型可以写诗、翻译语言甚至生成代码，但它无法与外部世界进行互动。它不能预订航班、查询实时天气或访问您的个人电子邮件帐户。
Agent则更像是一位足智多谋的侦探，除了拥有知识（模型）之外，还可以使用各种工具与外部世界进行互动以完成特定目标。
我们还是以旅行计划为例，来比较模型和Agents：
- 模型:你向模型询问：“帮我计划下周去香港的旅行”。模型可能会生成一个通用的旅行计划，包括一些著名景点、推荐餐厅和住宿选择。但是，模型无法访问实时信息，例如机票价格、酒店空房情况或天气预报。 它的计划可能包含过时或不准确的信息。
- Agents:你向Agents发出同样的请求：“帮我计划下周去香港的旅行”。Agents会使用语言模型理解你的需求，并通过编排层决定使用哪些工具。例如，Agents可以使用航班搜索工具查找最新的机票信息，使用酒店预订工具查看空房情况和价格，使用天气预报工具获取最新的天气预报。
综上，Agents会将所有收集到的信息整合起来，生成一个更精准、实用的旅行计划。
所以，模型局限于其训练数据，只能进行静态的信息处理和生成。而Agent则可以通过工具与外部世界进行互动，获取实时信息并执行操作，从而完成更复杂的任务。
三、工具
在之前的内容中，我们了解到 AI Agents就像一个足智多谋的侦探，能够利用各种“工具”来完成任务。那么，这些工具究竟是什么？它们如何运作？
1\. 工具的作用：
可以弥补语言模型的局限性， 虽然大型语言模型（LLM）拥有强大的信息处理能力，但它们无法直接与现实世界进行互动。 工具赋予了代理感知和影响外部世界的能力，使其能够执行模型自身无法完成的任务，例如：
①查询实时数据（例如股票价格、天气预报）
②执行实际操作（例如发送电子邮件、预订航班）
③访问外部数据库和知识库
2\. 工具的类型
主要有三个类型：扩展、函数和知识库。
（1）扩展 (Extensions):
扩展可以理解为 API 和Agents之间的标准化桥梁，允许Agents无缝地执行 API，而无需关心其底层实现细节。
它就像一个“适配器”，将外部 API 转换成 AI Agents可以理解和使用的格式
试想一下，您正在组装一台电脑，您需要将不同品牌的硬件连接在一起，这时您就需要使用各种适配器来确保它们能够相互兼容。扩展的作用也类似，它帮助 AI Agents与各种不同的外部 API 进行“沟通”。
所以扩展的作用在于：
①提供标准化的接口： 不同的 API 往往有不同的调用方式和数据格式，这给 AI Agents的使用带来了很大的不便。扩展提供了一个标准化的接口，可以让Agents用统一的方式调用不同的 API，无需关心其底层实现细节。 ②简化 API 的使用： 使用 API 通常需要编写代码来处理请求、响应和数据解析。扩展将这些繁琐的操作封装起来，让代理可以用简单的指令来调用 API，从而简化操作。
例如， 你可以使用 Google Flights API 扩展来构建一个帮助用户预订航班的Agents。
●用户查询： “我想预订下周五从北京到香港的航班。”
●Agents选择扩展： Agents会识别到用户想要预订航班，因此会选择 Google Flights API 扩展。
●Agents调用 API： Agents会根据扩展的定义来调用 Google Flights API，并将用户的出发地、目的地和日期等信息作为参数传递给 API。
●API 返回结果： Google Flights API 会返回符合条件的航班信息，包括航班号、航空公司、出发时间、到达时间、价格等信息。
●Agents解析结果： Agents会将 API 返回的结果解析成可理解的格式，并将其展示给用户。
（2）函数 (Functions):
简单来说，函数就像一个“工具箱”，里面包含各种可以完成特定任务的代码模块。
想象一下，你在修理家具，需要使用各种工具来完成不同的任务，例如使用锤子敲钉子，使用螺丝刀拧螺丝。函数的作用也类似，它为 AI Agents提供了一系列可以完成特定任务的“工具”。
函数的作用：
①将复杂任务分解成简单步骤： 函数可以将复杂的任务分解成一系列简单的步骤，使 AI Agents更容易理解和执行任务。
②提高代码的可复用性： 函数可以被多个Agents重复使用，从而提高代码的开发效率和可维护性。
③增强Agents的灵活性： Agents可以根据用户的需求来选择使用哪些函数以及如何组合使用这些函数，从而增强Agents的灵活性。
函数与扩展有什么区别？
①执行位置不同： 扩展的执行是在Agents端完成的，而函数的执行是在客户端完成的。
②API 调用方式不同： 扩展由Agents直接调用 API，而函数由客户端调用 API。
③控制粒度不同： 扩展提供了一个标准化的接口，Agents可以方便地调用 API，但对 API 的调用流程控制较少。函数则提供了更细粒度的控制，开发者可以自定义函数的执行逻辑和 API 的调用方式。
比如您正在构建一个旅行规划Agents，目标是让Agents根据用户的旅行偏好推荐合适的城市，并在客户端获取城市信息后展示相关图片和数据。
用户查询： “我想和家人一起去滑雪旅行，但我不知道去哪里好。”
Agents的思考过程：
●识别到用户的旅行偏好是“滑雪”。
●Agents决定使用 创建好的display\_cities 函数来生成一个包含推荐城市列表的结构化数据。
Agents生成函数调用：
{ “function_call”: { “name”: “display_cities”, “args”: { “cities”: [“基茨比厄尔”, “惠斯勒”, “策尔马特”, “班夫”], “preferences”: “滑雪” } }}
●客户端执行函数：
客户端接收到Agents发送的函数调用请求。—> 客户端根据函数 display\_cities 的定义，解析参数 cities 和 preferences。—> 客户端调用 Google Places API，使用城市名称列表获取每个城市的图片、景点信息等数据。—> 客户端将获取到的数据进行格式化处理，例如生成包含城市图片、简介和用户评价的卡片视图。
最终，客户端将处理后的数据返回给用户，用户可以看到Agents推荐的滑雪城市列表，以及每个城市的详细信息和精美图片，从而更方便地进行旅行规划。
函数 display\_cities 并没有直接执行获取城市信息的 API 调用，而是将这项任务委托给了客户端。这样，Agents只需要关注用户意图的理解和函数的选择，而无需处理复杂的 API 调用和数据处理逻辑。同时，客户端可以根据自身的需求和数据源来灵活地实现函数的逻辑，如使用不同的 API 或数据源来获取城市信息。
我们可以看到，函数为 AI Agents和客户端之间的协作提供了一种有效的方式，能够更好地利用客户端的资源和功能，从而提供更完善的用户体验。
（3）数据存储 (Data Stores):
我们探讨了“扩展”和“函数”，它们分别像“适配器”和“工具箱”，帮助 AI Agents与外部世界互动和执行任务。那么我们再来了解另一个组件：“数据存储”，它就像一个“知识库”，为 AI Agents提供更丰富的知识和信息。
①数据存储是什么：
简单来说，数据存储就像一个“图书馆”，存储着各种结构化和非结构化数据，例如网页内容、PDF 文件、数据库记录等等。
试想一下，您正在撰写一篇论文，您需要查阅大量的书籍和文献来获取相关信息。数据存储的作用也类似，它为 AI Agents提供了一个可以查询和检索信息的“知识库”。
②数据存储的作用：
●扩展Agents的知识范围： AI Agents的知识通常受限于其训练数据。数据存储可以提供额外的知识，例如特定领域的信息、最新的新闻事件、公司的内部文档等等，从而扩展Agents的知识范围和应用领域。
●提高Agents的准确性和可靠性： 数据存储可以帮助Agents获取更准确和可靠的信息，从而避免Agents产生“幻觉”或提供过时的信息。
③数据存储的运作方式：
●数据索引： 数据存储通常使用向量数据库来存储数据，向量数据库会将数据转换成向量表示，并建立索引，以便快速检索。
●查询匹配： 当代理需要获取信息时，它会将查询转换成向量表示，并在数据存储中进行匹配，找到最相关的数据。
●信息检索： 数据存储会将匹配到的数据返回给代理，代理可以利用这些信息来完成任务或回答用户的问题。
例如，你正在构建一个客户服务Agents，目标是让Agents能够回答用户关于公司产品和服务的问题。您可以使用数据存储来存储公司的产品手册、常见问题解答、客户评价等等信息。
比如用户查询： “这款电脑的电池续航时间有多长？”
Agents的思考过程：
●Agents识别到用户询问的是产品信息，并确定需要查询数据存储。
●Agents将用户查询转换成向量表示，并在数据存储中进行匹配。
●数据存储找到与“电池续航时间”相关的产品手册内容。
●Agents从产品手册中提取相关信息，并生成回答：“这款电脑的电池续航时间长达 24小时。”
以上呢，就是关于AI Agents的一个粗浅的解释，希望可以通过这篇科普，让大家对AI Agents有一个初步的认知。
参考文章：Agents https://www.kaggle.com/whitepaper-agents
📋 这套AI Agents相关模板，我整理成模板了
跟着上面步骤搭要花点时间。想直接拿现成的改，加我微信备注「AI Agents」，我发你。
🤔 卡在某一步了？
搭建过程里如果哪一步卡住了，如果你照着做没跑通，或者你们公司情况不太一样，可以找我聊聊，我免费帮你看看怎么调。不合适我也会直说。
扫码加我，备注「AI Agents」领模板
想看更多这类方案，我都整理在 吨师傅工具箱 里了：客户管理、进销存、工单报修……按场景分好类，可以直接抄。
