[认知计算] 大模型与智能体

个人导航

知乎：https://www.zhihu.com/people/byzh_rc

CSDN：https://blog.csdn.net/qq_54636039

注：本文仅对所述内容做了框架性引导，具体细节可查询其余相关资料or源码

参考文章：各方资料

基本概念

人工智能技术从 “感知智能” 向 “认知智能” 跨越的过程中，大模型（LLM） 与智能体（Agent） 成为两大核心支柱

前者解决了 “理解与生成” 的语言能力瓶颈，后者突破了 “决策与行动” 的应用边界

• 大模型是 “智能大脑”，专注于语言理解与知识处理
  -> 高效处理语言类任务（如文案生成、知识问答）
• 智能体是 “行动主体”，聚焦于目标拆解与任务执行
  -> 将模糊的人类意图转化为可落地的自动化工作流

LLM + Agent -> 协同

大模型为智能体提供 “认知基础”，智能体为大模型提供 “应用载体”，二者形成 “1+1>2” 的协同效应

• 大模型对智能体的支撑
• 智能体对大模型的延伸

大模型：智能体的 “决策核心与交互接口”

意图解析器：将模糊需求转化为结构化指令

人类需求常存在模糊性（如 “帮我处理订单问题”），大模型可通过语境分析拆解出具体需求（是 “查询物流”“申请退款” 还是 “修改地址”），并提取关键信息（订单号、用户联系方式），转化为智能体可执行的结构化指令（如 “调用物流 API，查询订单 12345 的当前状态”）

决策辅助器：为行动提供逻辑支撑

智能体在复杂任务中需判断 “为何行动” 与 “如何行动”，大模型可基于海量知识与推理能力提供决策依据

• 医疗 Agent 制定治疗方案时，大模型可分析患者病历、过往案例、最新医学文献，生成 “推荐采用化疗 + 免疫联合疗法” 的建议
• 库存优化 Agent 中，大模型可基于市场趋势预测，建议 “优先促销滞销商品 A，而非商品 B”

交互接口：实现人性化反馈

智能体的行动结果（如 “API 返回库存 = 5，补货状态 = 已下单”）是技术化数据，需大模型转化为人类易懂的自然语言（如 “您关注的商品 A 目前还有 5 件库存，已为您安排补货，预计 3 天后到货”）

智能体：大模型的 “能力延伸与场景落地载体”

记忆系统：弥补大模型 “知识遗忘” 缺陷

大模型的 “上下文窗口” 有限
-> 智能体通过 “短期记忆 + 长期记忆” 系统解决这一问题：

• 短期记忆：存储当前会话上下文（如用户 “喜欢辣口味” 的临时需求），支持多轮对话
• 长期记忆：通过向量数据库存储用户特征（如 “对海鲜过敏”）、业务数据（如企业历史财报），可实时检索调用

工具调用：突破大模型 “无法行动” 边界

大模型无法直接与外部系统交互，智能体通过 “工具接口” 为其赋予行动能力

• 数据类工具：API（天气查询、股票数据）、数据库（SQL 查询）、RAG（检索专业知识库）
• 执行类工具：代码执行器（运行 Python 脚本处理数据）、IoT 接口（控制智能家居灯光）、插件（ChatPDF 解析文档、Midjourney 文生图）

规划模块：解决大模型 “任务拆解” 短板

大模型无法将复杂任务拆解为可执行的子步骤，智能体的规划模块通过 “思维链（CoT）”“ReAct” 等提示工程技术，实现任务拆解

• 第一步：调用 RAG 工具获取客户数据（数据收集）
• 第二步：大模型基于数据生成报告初稿（报告整理）
• 第三步：调用企业 OA 工具确定汇报人（汇报人选定）
• 第四步：自动提交至管理层系统（任务闭环）

Agent的设计：从单智能体到多智能体协作

目前业界主流的设计模式由吴恩达（Andrew Ng）提出，分为反思式、工具调用型、规划型、多智能体协作四类

1.反思式 Agent（Reflection）—— 自我迭代优化

模拟人类 “复盘” 行为，通过 “生成 - 评估 - 改进” 的闭环，让智能体在任务执行中自主修正错误

适用场景：对输出精度要求高的任务（如代码生成、文案优化、报告撰写）

组件:

• Actor：生成初始解决方案
• Evaluator：基于目标评估初始方案
• Self-Reflection：根据评估结果生成改进建议

1. Actor 生成初始 Python 代码（实现 “数据排序” 功能）
2. Evaluator 运行代码，发现 “未处理空列表报错” 的问题
3. Self-Reflection 生成改进建议：“添加空列表判断逻辑，避免 IndexError”
4. Actor 根据建议优化代码，直至通过所有测试

2.工具调用型 Agent（Tool Use）—— 拓展能力边界

通过调用外部工具弥补智能体自身能力缺陷，将 “无法独立完成的任务” 转化为 “工具可执行的步骤”

适用场景：需外部数据 / 执行能力的任务（如天气查询、网页检索、文档解析）

1. 任务识别：判断当前任务是否需要工具（如 “查询明天北京天气” 需调用天气 API）；
2. 工具选择：从工具库中匹配最合适的工具（如 “生成图片” 选 Midjourney）；
3. 参数生成：将任务转化为工具可识别的参数（如调用天气 API 需传入 “城市 = 北京，日期 = 明天”）；
4. 结果处理：解析工具返回结果（如 API 返回的 JSON 数据），并结合大模型生成最终答案

实践案例：智能购物助手
(用户需求 “推荐目前口碑最好的咖啡机”)

1. 判断任务需 “实时数据”，选择 “网页检索工具”
2. 生成检索参数 “关键词 = 2025 咖啡机 口碑排名，来源 = 知乎 / 小红书”
3. 调用工具获取检索结果（如 “德龙 EC9665、飞利浦 EP5144 排名前二”）
4. 大模型结合结果，生成 “推荐德龙 EC9665（奶泡细腻，适合家用）” 的自然语言回复

3.规划型 Agent（Planning）—— 拆解复杂任务

模拟人类 “任务规划” 思维，将复杂、长期目标拆解为 “小而可执行” 的子任务，避免智能体陷入 “逻辑混乱” 或 “步骤遗漏”

适用场景：需多步骤协同的任务（如生成工作报告、组织旅行、项目管理）

• 任务拆解：通过 “思维链（CoT）” 提示大模型，将目标拆分为子步骤
• 顺序排序：明确子任务的依赖关系
• 动态调整：根据子任务执行结果调整后续步骤

工作报告生成 Agent:
(目标 “生成 Q3 销售部门工作报告”)

1. 拆解子任务：“收集 Q3 销售数据→分析同比 / 环比变化→识别核心问题→提出改进建议→生成 PPT 报告”
2. 顺序执行：先调用 “销售数据库工具” 获取数据，再由大模型分析变化，最后调用 “PPT 生成工具” 输出报告
3. 动态调整：若数据显示 “华东区域销量下滑 30%”，则在 “核心问题” 环节增加 “华东区域渠道优化” 的分析

4.多智能体协作（Multi-agent Collaboration）—— 应对复杂系统

当任务涉及多领域、多角色时，单智能体难以覆盖所有能力，需构建 “多智能体团队”，通过角色分工与交互协作完成目标，模拟人类组织的 “部门协作” 模式

适用场景：跨领域复杂任务（如企业数字化转型、大型项目开发、医疗会诊）

• 角色定义：为每个 Agent 分配明确职责
• 通信机制：设计 Agent 间的信息交互接口
• 协调机制：设定 “主导 Agent” 或 “规则引擎”，避免协作冲突

电商平台运营团队:
(目标 “提升双 11 促销转化率”)

1. 角色分工：
   • 数据分析师 Agent：分析历史促销数据，确定 “核心客群为 25-35 岁女性”
   • 营销策划 Agent：基于客群特征，设计 “满 300 减 50 + 赠品” 的促销方案
   • 客服 Agent：提前培训促销规则，准备常见问题话术
   • 库存 Agent：根据促销方案，调整热门商品库存
2. 协作流程：
   • 数据分析师 Agent 将客群数据传入共享记忆库
   • 营销策划 Agent 基于数据生成方案，发送至库存 Agent
   • 库存 Agent 确认库存充足后，反馈至营销策划 Agent，最终执行促销

LLM + Agent的落地挑战

1. 幻觉问题：决策的不可靠性
   大模型的 “幻觉”（编造不存在的信息）会传递给智能体，导致错误决策
   例如：医疗 Agent 中，大模型编造 “某药物可治疗癌症” 的虚假知识，可能引发医疗事故；财报分析 Agent 中，大模型误算 “净利润增长率”，导致投资决策失误
2. 泛化能力弱：场景的局限性
   智能体的规划能力依赖 “任务边界清晰、工具定义明确” 的场景，在动态的环境中易陷入逻辑混乱
   例如：通用助手 Agent 在处理 “帮我办一场生日会” 的任务时，可能遗漏 “预订场地→确认嘉宾→准备蛋糕” 的关键步骤，或无法应对 “场地临时取消” 的突发情况
3. 工具调用不稳定：交互的不可控性
   智能体依赖外部工具的 API 接口，但工具的 “参数变更、服务故障、权限限制” 会导致调用失败
   例如：航班查询 API 突然调整返回格式，会导致客服 Agent 无法解析余票数据；数据库权限过期，会导致库存 Agent 无法获取实时库存

大模型智能体

大模型: LLM
智能体: AI Agent

大模型Agent是一种构建于大型语言模型（LLM）之上的智能体，它具备环境感知能力、自主理解、决策制定及执行行动的能力

Agent能够模拟独立思考过程，灵活调用各类工具，逐步达成预设目标

大模型Agent由规划、记忆、工具与行动四大关键部分组成

规划（Planning）

定义：规划是Agent的思维模型，负责拆解复杂任务为可执行的子任务

实现方式：通过大模型提示工程（如ReAct、CoT推理模式）实现

记忆（Memory）

定义：记忆即信息存储与回忆，包括短期记忆和长期记忆

实现方式：短期记忆用于存储会话上下文，支持多轮对话；长期记忆则存储用户特征、业务数据等，通常通过向量数据库等技术实现快速存取

工具（Tools）

定义：工具是Agent感知环境、执行决策的辅助手段

实现方式：通过接入外部工具（如API、插件）扩展Agent的能力，如ChatPDF解析文档、Midjourney文生图等

行动（Action）

定义：行动是Agent将规划与记忆转化为具体输出的过程，包括与外部环境的互动或工具调用

实现方式：Agent根据规划与记忆执行具体行动，如智能客服回复、查询天气预报、AI机器人抓起物体等

LLM Agent + RAG

RAG技术为LLM Agent提供了额外的知识来源

RAG（Retrieval Augmented Generation）：检索增强生成

通过引入RAG，LLM Agent能够在需要时查询外部知识库，如专业数据库、学术论文、行业报告等，从而增强其知识广度和深度

例题

首先，借鉴人类 “模块化认知” 架构，优化 LLM 的网络结构分工。
现有 LLM 多采用统一的 Transformer 架构，缺乏明确的功能分化。未来可设计模块化模型，例如将负责基础语言理解的模块、逻辑推理的模块、常识存储与调用的模块分离，通过特定的交互机制实现模块间协同，避免单一架构下 “所有任务一锅煮” 导致的推理精度不足问题。

其次，模拟人类 “分层记忆” 机制，提升模型的上下文管理与知识复用能力。
现有 LLM 的上下文窗口本质是 “有限长度的短时记忆”，缺乏对长时知识的高效检索与整合。可引入记忆分层设计：将高频复用的常识、领域知识存储于 “长时记忆库”（类似人类的语义记忆），通过注意力机制或检索增强技术（RAG）实现按需提取；将当前对话、任务上下文作为 “短时记忆”，优化窗口内信息的优先级排序

再者，融合人类 “因果推理” 与 “常识认知” 模式，弥补 LLM 的逻辑缺陷。
当前 LLM 擅长捕捉文本中的统计规律，但缺乏对因果关系的深层理解。改进方向包括：在训练数据中融入因果结构信息（如因果图谱、逻辑规则），让模型学习 “因 - 果” 关联而非仅 “相关” 关联；借鉴认知科学中的 “心理理论”（Theory of Mind），让模型模拟人类对他人意图、信念的推断能力，提升社交交互中的语境适配性

最后，模仿人类 “渐进式学习” 与 “反馈调节” 机制，优化模型的学习与迭代方式。
现有 LLM 多依赖大规模静态数据的一次性预训练，缺乏动态反馈与渐进式优化。可引入增量学习与强化学习的结合：先通过基础数据让模型掌握底层语言能力（类似人类的语言习得阶段），再通过领域数据逐步提升专业能力（类似人类的专业学习）；同时借鉴人类的 “纠错学习”，将人类反馈强化学习（RLHF）扩展为更精细的 “认知反馈”