本文摘要： 本章介绍了大语言模型的基础知识，重点讲解了语言模型的发展历程和Transformer架构。首先从统计语言模型N-gram入手，分析了其基于马尔可夫假设的概率计算方法和最大似然估计原理，同时指出了数据稀疏性和泛化能力差两大缺陷。接着介绍了词嵌入技术，通过将词语映射到高维向量空间，解决了N-gram的词孤立问题，并展示了词向量运算的经典案例。最后探讨了RNN和LSTM网络，解释了其通过隐藏

智能体发展经历了从符号主义到联结主义再到强化学习的演进过程。符号主义（1950s-1980s）认为智能源于符号处理，通过专家系统实现，但面临知识获取瓶颈和系统脆弱性问题。联结主义（1980s-2000s）采用神经网络自下而上学习，解决了感知问题。强化学习（2010s+）通过试错机制专注于决策问题。预训练+微调范式（2018+）利用海量数据训练模型，突破了知识获取瓶颈。最终，LLM智能体（2022+

核心四要素: 传感器(sensors) 环境(Environment) 执行器(actuator) 自主性(Autonomy)智能体 = 能通过传感器感知环境 + 自主通过执行器采取行动 + 达成目标的实体面试回答版我理解 Agent 本质上是一个能自主完成目标的 AI 系统，跟传统 AI 最核心的区别在于「自主性」和「能行动」。传统 AI 是你问一个问题它回答一个问题，每次都是独立的，被动响应；