2. AI Agent 知识体系结构

2.1 智能体定义

• Agent = LLM + 观察 + 思考(Planning) + 行动(Action, Tools) + 记忆(Memory)
• Multi-Agent = Agent + env + SOP(标准作业程序) + 评审 + 路由 + 订阅 + 经济

• 记忆：

  • 参考：wikipedia: 脑
  • 记忆分为5种类型：工作记忆, 情节记忆, 语义记忆, 工具学习, 动作学习

  

• 规划: 规划基本与写代码等价 。目前LLM规划能力较弱， 以 Codeforces Rating 为例，GPT - 4 排名 后10%(来源: https://openai.com/research/gpt-4)

• 神经：人脑有大量如视神经、听觉神经等小网络；智能体大概率也需要大量的小模型（如在视觉、决策、路由等工作上），不能由一个大模型来主导，一不经济，二不实际

• 工具: 实际就是API，分为build something及use something，支撑了智能体通往现实世界

• 直觉: 如呼吸、吞咽、心跳等不需要在脑内有任何显性思考的部分

• 运控：黑色部分主要指运动控制，对应具身智能相关特性

• 举例：查找GPTs的智能体GTPs findGPTs：https://chat.openai.com/g/g-O8Y8pE85i-findgpts

• 以使用上面findGTPs的实例，结合搜索设计logo的任务，分析前述几大功能组件的在agent中的组织和工作流程：

  • 记忆: chatgpt训练过程的语料库的语义记忆(学习事实和关系的能力)，进行设计时匹配出工作记忆和情节记忆; 用户主动上传的知识库(e.g. GPTs导航站收录)作为长期记忆
  • 规划：目前LLM的自主规划的能力很弱，所以用一套SOP的工作流程来让LLM有更多的思考空间

  这里findGPTs 会先解构用户的描述，用LLM的基础能力去泛化找到其他语义相似的keywords进行检索，检索这一步采用了webcopilot 开源的action 进行浏览器访问（这个是强于openai 提供的bing search的效率的）

  

  Openai Action/Plugin的开发者，可以接入更多定制化的api，e.g. 飞书，高德地图, etc. 而openai的GTPs的开发者只能勾选openai平台现有的api功能；这是对LLM agent Tools的补充；

  • 观察/思考/动作：拿到了搜索引擎返回的 GPTs list，llm就开始观察和思考哪个是最高匹配度的GPTs，如果将来openai支持访问gpts的API那么这个agent就可以自动的提炼describe 直接去询问对应的GPTs并调用API返回搜索结果即为agent action行动的结果。

• 本节相关资料：

  • 基于大语言模型的AI Agents—Part 1
  • 【直播回放】MetaGPT作者深度解析直播回放_哔哩哔哩_bilibili

2.2, 2.3 案例 & 宏观机会

• MetaGPT 教程扩展资源: AI Agent 产品案例, e.g. **Awesome AI Agents, 收集非常全面的现有AI Agent聚合repo**

2.4. Agent 与快思维(Sy1)&慢思维(Sy2)

这里是简单摘要，参考原文位置:

• 信息技术革命沿着，门户->搜索->推荐->Agent演变;
• 关于系统 1 与系统 2 类型思维的概念, 来自于《思考，快与慢》