一文讀懂AI智能體：概念、特性、類型與應用全解析 原創 精華
一、AI智能體究竟是什么？
AI智能體是一組復雜功能的集合，軟件代碼通過與大語言模型（LLMs）交互來執行這些功能。這些功能涵蓋范圍極廣，從簡單的聊天、搜索，到復雜的針對某一主題進行深度研究并撰寫一篇經過SEO優化的博客文章等操作。AI智能體代表了人工智能領域的重大進步，讓大語言模型有了更具活力與多樣性的應用方式。
深入探究AI智能體的核心，會接觸到AI領域中的 “函數調用” 這一關鍵概念。ChatGPT的開發者OpenAI在2023年推出了函數調用功能，因其通用性與強大功能，迅速成為開發者的心頭好。要充分理解AI智能體的重要性，首先得搞清楚函數調用以及智能體函數。智能體函數對于將信息映射到特定行動至關重要，展現了智能體的智能與推理能力。
二、理解函數調用（Function Calling）
函數調用是一段基礎代碼塊，它接收輸入，將其傳遞給像GPT - 4或Google Gemini這樣的大語言模型，并返回由大語言模型生成的輸出。這一過程構成了AI智能體與語言模型交互運作的核心。函數調用包含三個關鍵組件：系統消息、用戶消息和助手消息。
1）系統消息
這是大語言模型執行指定任務所依據的核心指令，常被用于為大語言模型設定角色，比如GPT - 4。這能讓大語言模型對即將采取的行動進行情境化理解，確保其回復與期望的角色或專業知識相符。
2）用戶消息
這是用戶提供給函數的輸入內容，可以是一個問題、提示或任何形式的指令，引導大語言模型做出響應。
3）助手消息
這是大語言模型基于系統消息和用戶消息生成的輸出，代表了AI對給定任務的回應或完成情況。
以請求大語言模型撰寫一條關于紐約市的推文為例，來看看函數調用是如何運作的：
- 系統消息：你是一名擅長撰寫引人入勝推文的智能AI助手。
- 用戶消息：寫一條關于為什么紐約市是世界上最棒城市的推文。
- 助手消息（輸出）：紐約市可不只是一個地方，它是一種氛圍。從永不停歇的忙碌到無限的機遇，每個角落都訴說著一個故事。這里是夢想誕生之地，多元文化蓬勃發展，活力無可比擬。紐約市不只是世界上最棒的城市，它是世界的中心。
這個例子展示了ChatGPT背后典型的交互過程。當你向ChatGPT提出一個查詢時，它會處理你的輸入（用戶消息）以及預定義的系統消息（用戶無法訪問），并生成輸出（助手消息）。
簡單函數調用最常見的應用包括聊天界面和文本摘要。這些應用展示了大語言模型在結合函數調用時的基本能力。然而，盡管函數調用看似簡單直接，但在嘗試執行更復雜任務時，其簡單性可能會成為限制因素。
三、函數調用存在的問題
像Langchain這樣的平臺就是基于函數調用的概念構建的。然而，當任務復雜程度超過簡單的摘要時，挑戰就會浮現。
以之前生成推文的例子來說，如果你想對生成的推文進行審核，向大語言模型提供反饋，并讓它結合反饋重新生成推文，這個過程就會變得復雜得多。完成此任務的唯一方法是構建一系列函數并將它們鏈接在一起，這一概念被稱為函數鏈或提示鏈。
基于模型的反射智能體提供了一種更復雜的替代方案，它通過維護環境的內部模型，在復雜場景中提升決策能力。
在某些情況下，比如實現先進的數據處理功能時，一個函數可能根本不需要與大語言模型交互。相反，它可能需要一個通過調用機器學習算法或執行硬編碼的 “if - else” 邏輯來執行任務的程序。例如，如果你想確保推文中沒有 “有毒” 或 “令人反感” 的詞匯，就需要將大語言模型的輸出發送到一個經過訓練以檢測有毒內容的機器學習模型。其結果將用于決定下一步行動，這可能會導致對內容的進一步處理或重新生成。
隨著任務復雜性不斷增加，函數數量增多，鏈條變長，這不僅引入了更多復雜性和潛在的故障點，還會讓故障排查變成一場噩夢。
在這個過程中，我們意識到其中一些函數可以被模板化，并在不同應用中重復使用。這一認識促成了AI智能體的誕生，其旨在解決函數鏈的局限性和復雜性問題。
四、AI智能體如何解決函數鏈問題？
了解函數調用后，就更容易理解AI智能體的概念了。AI智能體的核心仍然是函數調用，用于執行指定任務，但它配備了一系列預構建的函數（我們稱之為特性，也有人稱之為模塊或智能體函數），可根據不同任務啟用和使用。此外，基于模型的智能體利用內部模型評估潛在結果并做出明智決策，這使它們有別于更簡單的反射智能體。
（一）AI智能體的關鍵特性
- 學習智能體：這類系統通過從先前經驗中持續學習來提升自身性能。它們依據反饋和感官輸入調整行為，常用于不可預測的環境中，并利用深度學習技術在電子商務和流媒體平臺等應用中提供個性化服務。
- 短期記憶：此特性在執行任務期間的會話中存儲記憶。其最常見的用例是在處理客戶服務請求的聊天機器人中，使AI能夠在單個對話中保持上下文連貫性。
- 長期記憶：該特性總結每個會話的短期記憶，并將其存儲為持久記憶。每次智能體與大語言模型交互時，這都會為其提供上下文。要知道，大語言模型本身是無狀態的，不會天生記住你之前的交互。雖然ChatGPT似乎能記住之前的交互，但這是因為它是一個在應用層內置了記憶功能的應用程序。開發者用于構建智能體的API默認不具備此功能。如果你不想在智能體中構建此特性，也可以直接調用第三方服務，比如GetZep，這是一個專門的記憶處理服務。
- 檢索增強生成（RAG）：RAG即檢索增強生成，該特性允許你提供關于你、你的產品或某個概念的 “專屬知識”，這些知識可能并不在大語言模型的數據集中。RAG最常見的用例是搜索。想象一個類似Perplexity風格的搜索引擎，但只處理你提供的數據。RAG就是你提供數據的方式，它讓智能體能夠搜索你所詢問的內容并檢索相關信息。例如 “SuperPhil” 應用，這是一個由RAG驅動的搜索智能體，它可以通過查閱Phil Fersht（領先研究公司HFS Research的創始人）的博客文章，回答企業首席信息官可能提出的任何問題。你可以使用Lyzr的知識搜索演示應用，用自己的數據來嘗試這個功能。
- 聊天：由于大語言模型無狀態，構建聊天應用需要添加一個臨時記憶單元，用于存儲聊天記錄，并在每次交互時將其發送給大語言模型以提供上下文。自動化這個模塊，只需啟用此特性（從用戶界面角度看，就像點擊一個 “開啟” 按鈕），就能將任何智能體轉換為聊天智能體。在構建用于客戶服務或潛在客戶生成用例的智能體時，此特性尤為重要。你可以使用Lyzr的聊天機器人演示應用，用自己的數據來嘗試這個智能體特性。
- 工具調用：工具調用賦予智能體強大能力，因為它允許智能體連接任何API或調用自定義函數。例如，如果之前生成的推文需要發布到Twitter（現稱為X），你只需調用Twitter API即可自動發布推文。
- 人工介入：這個重要特性讓人類能夠對這些智能體保持控制。在推文的例子中，如果你想在發布前審核推文，啟用人工介入特性就能讓你驗證智能體的輸出，并據此采取進一步行動。
- 智能體從人類反饋中學習（ALHF）：這是機器學習中常用的 “從人類反饋中強化學習（RLHF）” 概念的修改版本。ALHF接受對生成輸出的人類反饋，處理反饋，規劃改進，并重新生成符合反饋的輸出。例如在推文中，如果你要求智能體重寫推文以提及 “多元文化”，智能體將在新輸出中融入這一要求。
- 智能體從AI反饋中學習（ALAIF）：與ALHF類似，ALAIF特性使智能體能夠從自身性能指標中學習。例如，如果智能體的任務是撰寫關于你品牌的引人入勝的推文，ALAIF允許智能體跟蹤表現最佳的推文，并按照先進先出（FIFO）模型將它們添加到 “示例集” 中。FIFO方法幫助智能體不斷根據用戶偏好調整輸出質量。ALAIF在智能體的 “自我學習” 能力中起著重要作用。此外，通過版本控制，它允許你恢復到你喜歡的智能體的任何先前版本。
- 輸入防護欄：在執行任務時，你肯定不希望智能體將關鍵和敏感信息傳遞給大語言模型，這就是輸入防護欄發揮作用的地方。通過此特性，你可以啟用個人身份信息（PII）編輯功能，或定義你希望智能體遵循的特定防護規則。
- 輸出防護欄：與輸入防護欄類似，輸出防護欄確保智能體生成符合期望的輸出。Lyzr智能體具備 “毒性控制器” 這樣的特性，這是我們在HuggingFace上開源發布的一個機器學習模型。該模型會檢查輸出中是否存在有毒和令人反感的語言。如果檢測到，它會創建一個防護欄，添加到防護欄列表中，并促使智能體重新生成輸出。
- 提示增強器：超過90% 的大語言模型無法滿足客戶期望的情況是由于提示不佳造成的。雖然大語言模型的核心系統提示在不斷改進，對不良提示也越來越寬容，但一個好的提示會進一步提升智能體的輸出質量。雖然有一些優秀的提示生成器，比如Anthropic的提示生成器，但如果智能體將此作為內置特性，那將非常有益。Lyzr的智能體配備了自動提示增強器，我們將其作為一個名為MagicPrompts的免費工具推出，目前已有超過1500名活躍用戶在使用。
- 自我反思：此特性對于幫助智能體持續生成高質量輸出至關重要。自我反思就如同人類的內省一樣。通過反思，智能體將根據所有輸入條件審查其輸出，并驗證輸出是否按照指令和防護欄生成。你可以定義智能體反思其輸出的次數。雖然反思次數越多，大語言模型的使用量（以及成本）就會增加，但這也會提高質量、一致性和相關性。自我反思的一種變體是交叉反思，即使用不同的大語言模型進行審查。
- 人性化處理：如果你希望修改智能體的輸出，使其聽起來更像人類，那么人性化處理特性就能實現這一點。此特性使用頻率通常較低，主要出現在電子郵件生成智能體中，因為在這種場景下更需要自然、對話式的語氣。
- 大語言模型選擇器：一篇名為RouteLLM的最新論文強調了根據任務選擇合適大語言模型的好處，這種方法可以顯著降低使用大語言模型的成本。智能體默認可以啟用此特性，為開發者節省編寫另一個路由函數的時間。
- 事實核查器：對于通過分析各種新聞來源生成新聞文章的智能體來說，事實核查至關重要。事實核查器是一個新興特性，它允許智能體在發布輸出前驗證事實，確保準確性和可靠性。
- 輸出評估：如果你有特定的測試用例，可以將它們傳遞給智能體，讓智能體根據這些測試用例評估輸出結果。如果結果不一致，智能體將重新生成輸出以滿足測試用例要求，確保質量并符合指定標準。
雖然這些特性看似繁雜，但正是它們將簡單的 “函數調用” 轉變成了功能強大、可靠的AI智能體。任何具有重復適用性的函數都可以作為一個特性添加進來，這不僅節省了大量開發時間，還讓智能體具備各種有趣的能力組合，有可能產生創新且強大的應用。
五、AI智能體的類型
在過去幾個月里，出現了三種不同類型的AI智能體，每種都有其獨特的優勢和應用場景。
1）基礎構建智能體
這些多功能智能體是創建復雜智能體自動化工作流程的基礎。像Lyzr（企業智能體框架）、Langchain（流行的開源框架）和CrewAI（基于Langchain的智能體框架）等流行框架都提供基礎構建智能體。它們的靈活性使其能夠自動化從簡單聊天機器人到復雜工作流程的廣泛任務，對開發者和企業來說都是極具價值的工具。
2）角色智能體
這一類別迅速受到歡迎，其智能體被設計為體現特定角色或人物形象。例如銷售開發代表（SDR）智能體、營銷智能體和法律智能體。知名的法律智能體Harvey以及流行的AI SDR Jazon就是這類智能體的典型代表。角色智能體的吸引力在于其專業能力，并且在許多情況下，它們以軟件即服務（SaaS）解決方案的形式提供，這使得企業能夠輕松獲取并立即投入使用。
然而，值得注意的是，大多數這類智能體（像Lyzr在客戶云端運行的角色智能體等少數除外）都像 “黑匣子” 一樣運作。這意味著客戶無法訪問或修改系統提示和后端邏輯，這可能會限制定制化和透明度。
在這一領域，Ema提出了一種有趣的方法，它正在開發一種通用智能體概念，能夠為組織處理各種任務，有可能在角色智能體范式內提供更大的靈活性。
3）任務自動化智能體
這一類別目前在AI智能體市場中占據最大份額。這些智能體旨在高效執行特定的、通常是單一的任務。例如用于客戶交互的聊天機器人、基于檢索增強生成（RAG）的搜索引擎、文本摘要器、文本轉SQL轉換器以及其他單任務自動化工具。它們受歡迎的原因在于其專注的功能以及易于集成到現有工作流程中。
六、多智能體系統中各類智能體框架一覽
在過去的一段時間里，涌現出了幾個備受矚目的智能體框架。下面來看看一些最受歡迎且發展活躍的平臺：
1）Langchain
最初是一個大語言模型應用開發平臺，在2024年1月推出了LangGraph，這是一個專門的智能體庫。它以與母公司Langchain框架的集成能力以及強大的路由功能而聞名。關鍵指標：開發者對Langchain開源框架的貢獻超過10萬次。知名客戶包括CommandBar、Adyen、New Computer。
2）Lyzr
2023年9月為企業客戶推出了商業框架，將自己定位為Langchain在企業領域的主要替代方案。其優勢在于擁有豐富的智能體特性集，能夠快速開發復雜的智能體。提供一鍵部署，并通過Lyzr專業服務提供擴展部署支持。最近推出了智能體API，徹底改變了開發者基于Lyzr進行構建的方式。獨特之處在于提供預構建的智能體，如Jazon（AI SDR）和Skott（AI營銷人員）。關鍵指標：截至目前，為客戶節省了82.5萬人工時。知名客戶有HFS Research、SurePeople、Evalueserve、Kastle。
3）LlamaIndex
起源于一個RAG框架，在該領域仍然是有力的競爭者，最近擴展到了智能體框架領域。
4）Flowise
作為Langchain和LlamaIndex的可視化替代方案，允許用戶使用直觀的拖放界面構建Langchain或LlamaIndex工作流程，非常適合那些更喜歡可視化編程而非傳統編碼的用戶。
5）AutoGen
被認為是最早的真正智能體框架之一，展示了智能體方法的潛力，并通過開源貢獻迅速獲得發展動力。然而，關于其企業適用性仍存在疑問，這可能會影響其在企業環境中的采用。
6）CrewAI
在2024年初迅速走紅，以其簡單性和愉悅的開發體驗而聞名。通過輸入角色詳細信息（包括背景故事和描述），可以輕松創建智能體，并便于將多個智能體組合成工作流程。
7）Gumloop
這是一家由Y Combinator支持的公司，為工作流程自動化提供了一種有趣的方法。雖然嚴格來說它不是一個 “智能體框架”，但其自動化自定義工作流程的方法本質上具有智能體特性。可以將其視為生成式AI領域中與Zapier類似的工具，架起了傳統自動化與AI驅動流程之間的橋梁。
8）Ema
與Lyzr一樣專注于企業市場，通過其通用智能體概念為智能體構建提供了獨特的方法。它充當多個后端智能體的前端，允許組織運行多個Ema來自動化各種工作流程。關鍵指標：從知名風險投資公司籌集了超過6000萬美元的資金。
9）Wordware
這是一個專門為使用基于英語的編程開發智能體而構建的集成開發環境（IDE），代表了智能體開發中最具創新性的方法之一。雖然功能強大，但由于開發者需要適應其獨特的編程范式，因此存在一定的學習曲線。
七、AI智能體的應用場景
隨著AI智能體的不斷發展與完善，它們在各個行業的應用也日益廣泛。以下是一些常見且熱門的應用場景，這些場景都是基于上述智能體框架構建的：
1）自動化銷售拓展
AI銷售開發代表（SDR）變得極為流行，成為生成式AI在銷售和營銷領域的一個成功應用案例。它們能夠處理最初的客戶互動，對潛在客戶進行資格評估，并安排預約。通過自動化這些重復性任務，AI SDR不僅節省了人力成本，還能以更高的效率和更廣泛的覆蓋范圍觸達潛在客戶，為銷售團隊篩選出更有價值的線索，顯著提升銷售流程的整體效能。
2）博客生成
智能體可以針對博客文章進行數據調研，撰寫高質量、符合SEO優化的博客內容，并自動將其發布到各個平臺。這一場景極大地加快了內容創作流程，內容創作者只需設定主題和大致方向，智能體就能利用其學習能力和數據檢索功能，快速生成有深度、有吸引力且能適應搜索引擎算法的文章，讓內容發布更具時效性和連貫性，有助于企業或個人在網絡內容競爭中占據優勢。
3）客戶服務自動化
智能體能夠處理傳入的客戶咨詢，依據公司知識庫給出恰當回復。在必要時，它們可以關閉工單或將問題升級給人工客服。這種自動化不僅提升了響應速度，增強了客戶滿意度，同時也減輕了人工客服的工作負擔，使他們能夠將精力集中在更為復雜和個性化的客戶問題上，優化了客戶服務資源的分配，提升整體服務質量。
4）文檔審查
智能體依據特定指令對提供的文檔進行審查，標記出其中存在的問題、不一致之處或需要關注的區域。在法律、合規以及合同管理等場景中，這一應用尤為重要。例如在法律合同審查中，智能體可以快速比對條款、查找潛在風險，為法律專業人士節省大量時間和精力，同時提高審查的準確性和全面性，降低潛在法律風險。
5）產品推薦
傳統的推薦系統大多基于文本數據，而借助生成式AI驅動的智能體，企業能夠構建多模態推薦引擎。這些引擎可以綜合考慮文本、圖像、用戶行為等多種數據維度，從而做出更為精準和個性化的產品推薦。比如在電商平臺上，智能體可以根據用戶瀏覽歷史、購買偏好以及商品圖片展示等多方面信息，為用戶推薦更符合其需求和喜好的商品，提升用戶購物體驗，增加銷售轉化率。
6）數據分析
智能體能夠處理用戶的自然語言查詢，將其轉換為SQL或其他數據庫查詢語言，對結構化數據執行查詢操作，并以非技術用戶易于理解的格式返回可操作的洞察結果。這一場景有效彌合了復雜數據結構與需要快速獲取洞察的業務用戶之間的差距，使得企業中的普通員工無需具備深厚的技術知識，也能輕松從海量數據中提取有價值的信息，為決策提供有力支持，提升企業整體的數據驅動決策能力。
這些應用場景僅僅展現了AI智能體潛在應用的冰山一角。隨著技術的持續進步以及更多企業對這些工具的采用，我們有望在各個行業和領域看到更為廣泛的創新應用。AI智能體框架的快速發展及其多樣化的應用，凸顯了這項技術的變革潛力。從簡化商業流程到提升客戶體驗，AI智能體在塑造我們日常生活和工作中與人工智能交互及應用方式的未來方面，正準備發揮關鍵作用。
本文轉載自公眾號Halo咯咯 作者：基咯咯
原文鏈接：??https://mp.weixin.qq.com/s/n_Ce3kj40TlzYFcGznX__w??
