AI 智能体（AI Agent）大多建立在大模型之上，其发展是从基于符号推理的专家系统逐步演进而来。
基于大模型的 AI 智能体具有以下特点：
AI 智能体的核心在于有效控制和利用大型模型以达到设定目标，这通常涉及精确的提示词设计。
在基于 LLM 的 AI 智能体中：
在追求人工通用智能（AGI）的过程中，具身智能成为核心研究范式，具身 Agent 强调与物理世界紧密结合，其设计灵感源于人类智能发展，认为智能更多来自与环境的持续互动和反馈。与传统深度学习模型相比，LLM-based Agent 能够主动感知和理解所在物理环境并互动，利用内部知识库进行决策和产生行动，改变环境，这被称为“具身行动”。
现在，我们将进入智能体的学习环节。在开始之前，我们首先需要了解智能体是什么。我们现在接触到的智能体大多是建立在大模型之上的。这些智能体的发展历程是从一个基于符号推理的专家系统逐步演进而来的。随着时间的推移，技术的进步使得我们能够开发出更加复杂和高级的智能体。这些基于大模型的智能体具有以下特点：1.强大的学习能力：它们能够通过大量的数据进行学习，从而获得对语言、图像等多种信息的理解和处理能力。2.灵活性：这些智能体可以适应不同的任务和环境，表现出较高的灵活性和适应性。3.泛化能力：它们能够将学到的知识泛化到新的情境中，解决之前未见过的类似问题。智能体的核心在于如何有效地控制和利用这些大型模型，以达到我们设定的目标。这通常涉及到精确的提示词设计，以引导模型朝着期望的方向发展。提示词的设计直接影响到智能体的表现和输出结果。接下来，我们可以展示一张图来更直观地说明这一点。在这张图的中心是提示词，它代表了智能体与用户或其他智能体交互的设定和逻辑。[heading1]十三、LangGPT结构化提示词[heading1]十四、动手实践——Chat GPT版本[content]在介绍了智能体的基本概念之后，我们将继续深入探讨，并动手实践制作智能体。我鼓励大家基于一些公开的大模型应用产品（如Chat GLM、Chat GPT、Kimi等），尝试开发属于自己的智能体。记住，智能体的开发是一个不断学习和进步的过程。不要害怕犯错，每一次尝试都是向成功迈进的一步。通过实践，您将能够更好地理解智能体的潜力，并发掘其在各种应用场景中的可能性。Step.1点击“浏览GPTs”按钮Step.2点击“Create”按钮创建自己的智能体Step.3使用自然语言对话进行具体设置Step.3使用手工设置Step.4开始调试你的智能体并发布
理解工具：AI Agent有效使用工具的前提是全面了解工具的应用场景和调用方法。没有这种理解，Agent使用工具的过程将变得不可信，也无法真正提高AI Agent的能力。利用LLM强大的zero-shot learning和few-shot learning能力，AI Agent可以通过描述工具功能和参数的zero-shot demonstartion或提供特定工具使用场景和相应方法演示的少量提示来获取工具知识。这些学习方法与人类通过查阅工具手册或观察他人使用工具进行学习的方法类似。在面对复杂任务时，单一工具往往是不够的。因此，AI Agent应首先以适当的方式将复杂任务分解为子任务，然后有效地组织和协调这些子任务，这有赖于LLM的推理和规划能力，当然也包括对工具的理解。使用工具：AI Agent学习使用工具的方法主要包括从demonstartion中学习和从reward中学习（清华有一篇从训练数据中学习的文章）。这包括模仿人类专家的行为，以及了解其行为的后果，并根据从环境和人类获得的反馈做出调整。环境反馈包括行动是否成功完成任务的结果反馈和捕捉行动引起的环境状态变化的中间反馈；人类反馈包括显性评价和隐性行为，如点击链接。具身智能在追求人工通用智能（AGI）的征途中，具身Agent（Embodied Agent）正成为核心的研究范式，它强调将智能系统与物理世界的紧密结合。具身Agent的设计灵感源自人类智能的发展，认为智能不仅仅是对预设数据的处理，更多地来自于与周遭环境的持续互动和反馈。与传统的深度学习模型相比，LLM-based Agent不再局限于处理纯文本信息或调用特定工具执行任务，而是能够主动地感知和理解其所在的物理环境，进而与其互动。这些Agent利用其内部丰富的知识库，进行决策并产生具体行动，以此改变环境，这一系列的行为被称为“具身行动”。
理解工具：AI Agent有效使用工具的前提是全面了解工具的应用场景和调用方法。没有这种理解，Agent使用工具的过程将变得不可信，也无法真正提高AI Agent的能力。利用LLM强大的zero-shot learning和few-shot learning能力，AI Agent可以通过描述工具功能和参数的zero-shot demonstartion或提供特定工具使用场景和相应方法演示的少量提示来获取工具知识。这些学习方法与人类通过查阅工具手册或观察他人使用工具进行学习的方法类似。在面对复杂任务时，单一工具往往是不够的。因此，AI Agent应首先以适当的方式将复杂任务分解为子任务，然后有效地组织和协调这些子任务，这有赖于LLM的推理和规划能力，当然也包括对工具的理解。使用工具：AI Agent学习使用工具的方法主要包括从demonstartion中学习和从reward中学习（清华有一篇从训练数据中学习的文章）。这包括模仿人类专家的行为，以及了解其行为的后果，并根据从环境和人类获得的反馈做出调整。环境反馈包括行动是否成功完成任务的结果反馈和捕捉行动引起的环境状态变化的中间反馈；人类反馈包括显性评价和隐性行为，如点击链接。具身智能在追求人工通用智能（AGI）的征途中，具身Agent（Embodied Agent）正成为核心的研究范式，它强调将智能系统与物理世界的紧密结合。具身Agent的设计灵感源自人类智能的发展，认为智能不仅仅是对预设数据的处理，更多地来自于与周遭环境的持续互动和反馈。与传统的深度学习模型相比，LLM-based Agent不再局限于处理纯文本信息或调用特定工具执行任务，而是能够主动地感知和理解其所在的物理环境，进而与其互动。这些Agent利用其内部丰富的知识库，进行决策并产生具体行动，以此改变环境，这一系列的行为被称为“具身行动”。