一文读懂：AI Agents究竟是什么？

大模型的下半场，迎接寒武纪的Agent大爆发。

【资料图】

5.4亿至3.6亿年前，海洋生物破发，相比于以前的单细胞或简单多细胞生物，三叶虫、海绵和脊索动物等更高层次的智能诞生了。类似寒武纪生命大爆发，BabyGPT、AutoGPT、Generative Agents等实验性产品相继出新。

从进化的角度来看，生命体的发展主要通过单元增强和组织增强两种方式实现。这两种增强方式相辅相成，使生命具备了更多样复杂的表达形式。

如同Agent——我们希望它是在任何系统中能够独立思考并与环境交互的智能体。

现在它已经有了一颗足够智商的“大脑”，如何让Agent像人一样思考和执行——只要给定任何一个目标，它就能自动解决各种问题。是进一步提高智商，增强智能体的“自身”单元；还是借助外部模块，强化“组织”能力？

虽然今天的Agent尚无法完成通用任务，也难以如多细胞之间的社会化分工，形成动态稳定体。但在个体Agent的局部模块上，如HuggingGPT，已展示了其使用工具的能力，包括Plug-in成为实际落地的重要里程碑，在大模型的下半场，将是Agent寒武纪落地爆发的时刻。

此刻Agent的落地瓶颈在哪里？它能否从专用抵达通用？多模态会为Agent带来什么？未来格局怎样演进？

就像地球上诞生的第一个细胞一样，即使目前的Agent尚无法替代我们在实际工作中的角色，但一切的一切都源于这第一个细胞，它是智能体进化的起点。

即使对Agent的落地再迷茫，也要继续“涌现”。

因为Agent的成败将是决定这一场GPT革命是否是新一代工业革命的关键。

以下将以结构化的思维来思考，Agent何去何从。

一、AI Agent究竟是什么？

几天前，拥有25个Agent的AI小镇正式开源，“西部世界”AI Town随之构筑，AI Agents之间的互动，将演绎出整个文明的演化进程。
OpenAI联合创始人Andrej Karpathy也高呼：“AI Agent代表着一个疯狂的未来。”

什么是Agent？Agent一词起源于拉丁语中的Agere，意思是“to do”。在LLM语境下，Agent可以理解为某种能自主理解、规划决策、执行复杂任务的智能体。

Agent并非ChatGPT升级版，它不仅告诉你“如何做”，更会帮你去做。如果CoPilot是副驾驶，那么Agent就是主驾驶。

一个精简的Agent决策流程，用函数表达式：

Agent：P（感知）—> P（规划）—>A（行动）

类似人类“做事情”的过程，Agent的核心功能，可以归纳为三个步骤的循环：感知、规划和行动。

感知是指Agent从环境中收集信息并从中提取相关知识的能力，规划是指Agent为了某一目标而作出的决策过程，行动是指基于环境和规划做出的动作。

其中，Policy是Agent做出Action的核心决策，而行动又通过观察成为进一步Perception的前提和基础，形成自主的闭环学习过程。

这一过程就像马克思主义的“实践论”：“认识从实践开始，经过实践得到了理论的认识，再回到实践中去。”Agent也在知行合一中进化。

一个更完整的Agent，一定是与环境充分交互的，它包括两部分——一是Agent的部分，二是环境的部分。此刻的Agent就如同物理世界中的“人类”，物理世界就是人类的“外部环境”。

可以想象，人类与外部环境交互的过程：我们基于对这个世界的全部感知，推导出其隐藏的状态，并结合自己的记忆和对世界的知识理解，进而做出Planning、决策和行动；而行动又会反作用于环境，给我们新的反馈，人类结合对反馈的观察，继而再做决策，以此循环往复。

最直观的公式：

Agent = LLM+Planning+Feedback+Tool use

其中，在做 Planning 的过程中，除了基于现在的状态，还有要记忆、经验，一些对过往的反思和总结，同时还有世界知识。

对比今天的ChatGPT，它其实并非Agent，而是一个通用的世界知识，即用来做 Planning 的知识源，它没有基于具体的环境状态，也没有Memory，Experience和Reflection。

当然，ChatGPT基于自身的知识可以做逻辑推理和一定的规划，也可以加向量数据库解决推理问题，加 Reflection 让过程更丰富，如此看来，可将ChatGPT这个端到端的黑盒子变得显性化一点儿——其实符号就是一个非常显性的系统，基于此可以定向纠错，定向提升。

对于Feedback，Agent基于Action得到正向的或试错的反馈、阶段性结果或奖励。Feedback有多种形式，如果将与我们聊天的ChatGPT视为一个Agent，我们在文本框中敲入的回复就是一种Feedback，只不过是一种文本形式的Feedback，此时我们对于ChatGPT来说，就是一种环境。RLHF也是一种环境，一种极度简单的环境。

“人类之所以是人类，因为他会使用工具。 ”

作为智能体， Agent 也可以借助外部工具扩展功能，使其能够处理更加复杂的任务。比如LLM使用天气API来获取天气预报信息。如果不调用外部工具，Action和Feedback也可以直接通过学习Policy，应对环境。

可见Agent是真正主动释放LLM潜能的关键。LLM作为核心，Agent为LLM提供了行动的主观能动性。

今天的LLM要怎么落地？LLM作为一个智商引擎，其他周边工具均可作为Prompt，未来是否会是一个端到端的系统？如果周边的工具不够，是否会有一个更通用的适配框架？

二、Agent落地的瓶颈，是因为“智商”不够？

Agent本身用到两部分能力，一部分是由LLM作为其“智商”或“大脑”的部分，另一部分是基于LLM，其外部需要有一个控制器，由它去完成各种Prompt，如通过检索增强Memory，从环境获得Feedback，怎样做Reflection等。
Agent既需要大脑，也需要外部支撑。

针对目前Agent在实际落地中的阻碍，其原因是LLM自身的“智商”不够，还是其外部的系统化程度不够？

如果外部系统化程度不够的话，它将是一个长期待解决的问题。如果只是智商不够的问题，当GPT-4成为GPT-5，有了更高的智商，即可弥补之前的问题。

那么到底Agent的主要瓶颈在哪里？

真正理解这个问题的症结，可以先做错误归因。即在实际的错误中，清晰地归因到底是LLM本身的问题，还是Prompt的方式不对。

比如向语音助手询问“天气怎么样？”，这个问题本身就存在歧义——指的是哪里的天气？是哪一天的天气？具体想要知道天气中的哪些信息？这些都不是LLM本身所能解决的问题，它需要调用外部的工具系统。

如果仅归因“智商”的话，LLM只需理解“天气怎么样”，如果有具体的上下文——如“下个月上海的天气怎么样”，LLM基于此是否能推断出准确的信息，这是“智商”问题；但具体调用什么工具，执行的参数本身是否准确，这些并非归因于“智商”。

三、未来是否能实现一个更加通用的Agent外部框架？

很多人将 LLM 作为 Agent 的实现方式，这太简单粗暴了。比如，仅为Agent设定一个目标，定义一些基本的条件约束之后，就期待它能完成自我规划、分解任务、自我提示，甚至调用外部的工具，并给出答案的全部过程。然而，LLM本身并不是这样训练的，必然不具备这种能力，但这并非归因于“智商”问题。

从Agent落地的角度来说，仍需要外部的逻辑框架。

虽然目前有许多类别的Agent，但大多很粗浅，不够通用。即使是最简单的Agent应用，语音助手或智能外呼系统，其复杂性以及如何引入环境Feedback等问题，都未得到有效解决。

因此，除了对错误进行更细致的分析外，我们应该研究的一个问题是：除了LLM本身足够通用之外，是否会实现一个通用的外部逻辑框架，来解决Agent真正落地的问题？

如果我们无法找到外部通用的逻辑框架，那么现在这场所谓的AGI革命可能只是一个泡沫，一个巨大无比的泡沫，它其实可能与上一代NLP并无本质区别。

现阶段Agent的落地，不只是“智商”问题，还需要如何借助外部工具从专用抵达通用——而这是更重要的问题。

四、Agent如何能有通用的适配环境？是否需要一个learnable的环境小模型？

把LLM放进一个虚拟世界会怎么样？
在游戏《我的世界》中，英伟达开发最新方法Voyager，以15.3倍速点亮科技树，同时获得的独特物品是此前的3.3倍，探索范围是2.3倍。原因归功于GPT-4对游戏规则的深入理解和丰富的知识储备，它来源于预训练过程，而非后续的增强学习。
从这个视角来看，在优化Agent的过程中，除了关注Feedback，还应该考虑模型如何感知环境。那么通用大脑与环境模型之间的关系如何，怎么配合？Agent如何从专用抵达通用？

Agent目前还鲜少有很好且通用的落地效果，大多是解决特定场景的特定问题——将LLM作为一个通用大脑，通过Prompt设计为不同的角色，以完成专用的任务，而非普适性的应用。

这其中的一个关键问题，即Feedback将成为Agent落地实现的一大制约因素，这一点在Tool use中体现得尤为明显。对于一些如查询天气等简单问题，只需设计恰当的Prompt即可，但对于复杂的Tools应用，其成功概率会大大降低。

简单粗暴地用LLM做出Agent，是天方夜谭。

这种做法一方面忽视了Feedback的重要性，另一方面，即使LLM得到Feedback，凭借它的“智商”也可能并不完全理解所有的环境或Feedback，更难基于此调整自身行为。

想要真正成功落地Agent，是给予Agent一个更通用的适配环境，一种可能的解决方案是创建一个专门用于理解和适配环境的小模型，以此和LLM交互。

由于最强大脑的“智商”部分——LLM因为规模太大是很难针对具体Agent进行重训的，而小模型是可以适应环境变化、多次训练的。在这个场景中，我们可将LLM看作大脑，而小模型就像小脑，作为中间层专门处理环境Feedback，与GPT-4交互。

那么，Agent从专用到通用的实现路径会是什么？

假设Agent最终将落地于100种不同的环境，在目前连最简单的外部应用都难以实现的前提下，最终能否抽象出一个框架模型来解决所有外部通用性问题？

先将某一场景下的Agent做到极致——足够稳定且鲁棒，再逐步将它变成通用框架，也许这是实现通用Agent的路径之一。

五、多模态在Agent的发展中有多重要？

现在的GPT-4，是将所有的内容都转化成文本语言，然后人类去Prompt它。首先，转化过程可能会丢失信息或产生错误，从而导致结果出现偏差。
GPT的下一个版本，如果它能实现多模态在理解层面的超强能力，那它会不会在一定程度上缓解今天Agent的不可靠以及信息丢失与偏差的问题？多模态与Agent的关系将是什么样的？

如果LLM不需要在真实世界中交互，而只是在虚拟世界中执行特定任务，那么多模态对于完成任务的帮助也许并不大。但如果LLM需要与真实世界交互，那么多模态无疑非常重要。

多模态只能解决Agent感知上的问题，而无法解决认知的问题。

在很多情况下，如智能客服场景，用户可能会通过多种方式提供信息，多模态具有很好的感知价值，但在解决一些逻辑、推理等核心问题，还差距尚远。

多模态是必然趋势，未来的大模型必然是多模态的大模型，未来的Agent也一定是多模态世界中的Agent。

当在进行基于文本的Agent的开发时，当多模态的分水岭时刻到来，这些Agent是在原有基于文本的基础上继续发展，进一步融入多模态特性？还是需要彻底改变原有开发Agent的理念和架构，以适应未来的多模态世界？

Agent的开发并不需要全部推倒重来，但一旦Agent拥有了多模态能力，它将会与现有模型截然不同。比如GPT的下一代版本，它可能会包含一些更加强大的图像等多模态理解功能。我们不必急于立即构建这样的模型，也可以选择先调用这样的模块，即最好将多模态理解功能内置在模型中。

半年后，我们将会看到多模态大模型的到来。而多模态Agent的到来，可能会比我们想象中更快。

首先，许多大公司都在储备军火一般地研发多模态。这种量变的积累非常容易引发质变，可能很快就会有实际的产品被推出。其次，人们期待的Agent是如同人类一般的助手，他不仅能说话，还能看到、听到、感知到。理论上，一个优秀的Agent应该能实现多感官、多模态的交互，Perception、Policy都需要多模态。

随着RT-2的发布，一种新的视觉语言动作模型VLA，它将多模态大模型塞进机械臂，实现了实体机器人版ChatGPT。‍

从趋势上看，未来的Agent一定是多模态的。Agent要成功，多模态也一定是必要的。

在多模态交互方面，数字人也提供了一个很好的示例，它展示了调用外部工具的优势。当大模型调用数字人时，因为形象都已提前设定，我们就无需担心它会突然生成某个政治人物的形象或声音，甚至包括他的幻觉。

尽管美其名曰“生成式AI”，其“生成”部分，最好调用外部工具，以保证其确定性，规避大模型的幻觉。

比如，在多模态交互中，如果想要LLM扮演特朗普，并直接生成一支祝贺视频，那么很可能存在风险。如果LLM仅生成脚本，然后调用既定的数字人和声音接口合成视频，这样更安全可控。

六、多Agent真的会成功吗？

现在的 Agent 还是山顶洞人，但多AI Agents互动会改变一切。

在灵感来自模拟人生游戏的 Generative Agents 实验中，其每个角色都分别由一个 AI Agent 控制，它们在沙盒环境中生活和互动，充分体现了将反馈和环境信息转化为行动的过程，实现 AI Agents 的“社交”。

其中在规划和反应的环节，AI Agents 会充分考虑彼此之间的关系，以及一个 Agent 对另一个 Agent 的观察和反馈，来采取下一步动作。

这个有趣的模拟随之引发了一些戏剧化的社会现象，比如“谣言”的扩散、关系记忆等，在实验中经常出现两个 AI Agents 在聊天中延续他们之前的话题、办Party、呼朋唤友等社交活动。

显然，Agent 的真正落地，一定是建立在对环境的感知、动态学习，以及不断更新之上的。

七、Agent最先在什么场景落地？