LLM（大型语言模型）和 AI Agent（人工智能智能体）存在以下区别：
LLM 主要侧重于语言的理解和生成，具有强大的语言处理能力。它们在大规模语料库上进行预训练，能够通过少量样本展现出泛化能力。然而，其缺点是计算资源消耗大，可能存在偏见和误解。
AI Agent 则为人工智能应用程序提供了全新的功能，包括解决复杂问题、对外界采取行动以及在部署后从经验中学习。它们通过高级推理/规划、工具使用、记忆/递归/自我反思的组合来实现这些功能。AI Agent 能够进行令人难以置信的演示，但目前大多数框架仍处于概念验证阶段，还不能可靠、可重现地完成任务。
基于 LLM 的 AI Agent 以 LLM 置于“大脑”或“控制器”的核心位置，赋予强大的语言理解和生成能力。为扩展感知和行动范围，采用多模态感知技术和工具利用策略，能理解和响应多种类型输入，并与环境有效互动。通过思维链和问题分解技术展现出推理和规划能力，还能从反馈中学习并执行新行动，表现出类似反应式 Agent 的特性。其已在软件开发、科学研究等现实场景中应用，能利用自然语言理解和生成能力与其他 Agent 交流协作。特点是基于大规模神经网络，特别是 Transformer 架构，技术上有 Llama、GPT 等预训练大型语言模型，优点是强大的语言理解、生成和对话能力，缺点是计算资源消耗大，可能存在偏见和误解。
此参考架构中缺少的最重要组件是AI代理框架。[AutoGPT](https://github.com/Significant-Gravitas/Auto-GPT)被描述为“使GPT-4完全自主的实验性开源尝试”，是今年春天[历史上增长最快的Github项目](https://twitter.com/OfficialLoganK/status/1647757809654562816)，实际上今天的每个AI项目或初创公司都包含某种形式的代理。与我们交谈的大多数开发人员都对代理的潜力感到非常兴奋。我们在这篇文章中描述的上下文学习模式可有效解决幻觉和数据新鲜度问题，以便更好地支持内容生成任务。另一方面，代理为人工智能应用程序提供了一组全新的功能：解决复杂的问题，解决复杂问题，对外界采取行动，以及在部署后从经验中学习。他们通过高级推理/规划、工具使用、记忆/递归/自我反思的组合来实现这一点。因此，代理有可能成为LLM应用程序架构的核心部分（如果您相信递归自我改进，甚至可以接管整个堆栈）。像LangChain这样的现有框架已经包含了一些代理概念。只有一个问题：代理还没有真正起作用。今天的大多数代理框架都处于概念验证阶段——能够进行令人难以置信的演示，但还不能可靠、可重现地完成任务。我们正在密切关注它们在不久的将来会如何发展。[heading2]展望未来[content]预训练的AI模型代表了自互联网以来软件架构的最重要的变化。他们使得个人开发者能够在几天内构建出令人难以置信的AI应用，这些应用超过了大团队花费几个月时间构建的监督机器学习项目。我们在此处列出的工具和模式可能是集成LLM的起点，而不是终点。我们将在发生重大变化时更新此信息（例如，转向模型训练）并在有意义的地方发布新的参考架构。如果您有任何反馈或建议，请联系我们。
大型语言模型（LLM）以其令人瞩目的新能力，赢得了业界的广泛关注和赞誉，激发了研究人员探索其在构建人工智能Agent方面的潜力。这些模型被巧妙地置于Agent的"大脑"或"控制器"的核心位置，赋予它们强大的语言理解和生成能力。为了进一步扩展这些Agent的感知和行动范围，研究人员采用了多模态感知技术和工具利用策略，使Agent能够理解和响应多种类型的输入，并有效地与环境互动。通过思维链（Chain of Thought）和问题分解技术，这些基于LLM的Agent展现出了与符号主义Agent相媲美的推理和规划能力。这些Agent还能够通过从反馈中学习，并执行新的行动来与环境互动，表现出类似反应式Agent的特性。它们在大规模语料库上进行预训练，并通过少量样本展现出泛化能力，这使得它们能够在不同任务之间实现无缝转移，而无需更新模型参数。基于LLM的Agent已经在软件开发、科学研究等现实世界场景中得到应用。它们利用自然语言理解和生成的能力，能够与其他Agent进行无缝的交流和协作，甚至在竞争中也能发挥重要作用。时间:21世纪10年代至今特点:基于大规模神经网络,特别是Transformer架构技术:Llama,GPT等预训练大型语言模型优点:强大的语言理解,生成和对话能力缺点:计算资源消耗大,可能存在偏见和误解
大型语言模型（LLM）以其令人瞩目的新能力，赢得了业界的广泛关注和赞誉，激发了研究人员探索其在构建人工智能Agent方面的潜力。这些模型被巧妙地置于Agent的"大脑"或"控制器"的核心位置，赋予它们强大的语言理解和生成能力。为了进一步扩展这些Agent的感知和行动范围，研究人员采用了多模态感知技术和工具利用策略，使Agent能够理解和响应多种类型的输入，并有效地与环境互动。通过思维链（Chain of Thought）和问题分解技术，这些基于LLM的Agent展现出了与符号主义Agent相媲美的推理和规划能力。这些Agent还能够通过从反馈中学习，并执行新的行动来与环境互动，表现出类似反应式Agent的特性。它们在大规模语料库上进行预训练，并通过少量样本展现出泛化能力，这使得它们能够在不同任务之间实现无缝转移，而无需更新模型参数。基于LLM的Agent已经在软件开发、科学研究等现实世界场景中得到应用。它们利用自然语言理解和生成的能力，能够与其他Agent进行无缝的交流和协作，甚至在竞争中也能发挥重要作用。时间:21世纪10年代至今特点:基于大规模神经网络,特别是Transformer架构技术:Llama,GPT等预训练大型语言模型优点:强大的语言理解,生成和对话能力缺点:计算资源消耗大,可能存在偏见和误解