[{"data":1,"prerenderedAt":233},["ShallowReactive",2],{"articles":3},[4],{"id":5,"title":6,"author":7,"body":8,"category":217,"date":218,"description":219,"extension":220,"featured":221,"home_position":222,"image":223,"meta":224,"navigation":221,"order":225,"path":226,"seo":227,"status":228,"stem":229,"tags":230,"__hash__":232},"content/articles/Agent的前世今生.md","Agent的前世今生","sibuchen",{"type":9,"value":10,"toc":213},"minimark",[11,16,25,31,40,47,55,59,64,69,79,90,112,140,151,155,158,163,168,173,178,181,186,191,197,203,207],[12,13,15],"h1",{"id":14},"agent的由来","Agent的由来",[17,18,19,24],"p",{},[20,21,23],"span",{"style":22},"color:red","符号主义 AI（Symbolic AI）","，常被称为传统人工智能，其核心信念是：智能源于对符号的逻辑操作。这里的符号是人类可读的实体（如词语、概念），操作则遵循严格的逻辑规则。\n其主要优势在于透明和可解释。由于推理步骤明确，其决策过程可以被完整追溯，这在金融、医疗等高风险领域至关重要。然而，其“阿喀琉斯之踵”在于脆弱性：它依赖于一个完备的规则体系，但在充满模糊和例外的现实世界中，任何未被覆盖的新情况都可能导致系统失灵，这就是所谓的“知识获取瓶颈”。",[17,26,27,30],{},[20,28,29],{"style":22},"亚符号主义 AI（Sub-symbolic AI）","，或称连接主义，则认为知识并非显式的规则，而是内隐地分布在一个由大量神经元组成的复杂网络中，是从海量数据中学习到的统计模式。神经网络和深度学习是其代表。\n他不是通过学习“猫有四条腿、毛茸茸、会喵喵叫”这样的规则来认识猫的，而是在看过成千上万张猫的图片后，大脑中的神经网络能辨识出“猫”这个概念的视觉模式 。这种方法的强大之处在于其模式识别能力和对噪声数据的鲁棒性 。它能够轻松处理图像、声音等非结构化数据，这在符号主义 AI 看来是极其困难的任务。\n然而，这种强大的直觉能力也伴随着不透明性。亚符号主义系统通常被视为一个黑箱（Black Box）。它能以惊人的准确率识别出图片中的猫，但你若问它“为什么你认为这是猫？”，它很可能无法给出一个合乎逻辑的解释。此外，它在纯粹的逻辑推理任务上表现不佳，有时会产生看似合理却事实错误的幻觉 。",[32,33,34],"blockquote",{},[17,35,36],{},[37,38,39],"em",{},"符号主义试图将人类的知识显式地编码给机器，而联结主义则试图创造出能够像人类一样学习知识的机器。",[17,41,42,43,46],{},"长久以来，符号主义和亚符号主义这两大阵营如同两条平行线，各自发展。为克服上述两种范式的局限，一种“大和解”的思想开始兴起，这就是",[20,44,45],{"style":22},"神经符号主义 AI（Neuro-Symbolic AI）","，也称神经符号混合主义。它的目标，是融合两大范式的优点，创造出一个既能像神经网络一样从数据中学习，又能像符号系统一样进行逻辑推理的混合智能体。它试图弥合感知与认知、直觉与理性之间的鸿沟。\n大语言模型驱动的智能体是神经符号主义的一个极佳实践范例。其内核是一个巨大的神经网络，使其具备模式识别和语言生成能力。然而，当它工作时，它会生成一系列结构化的中间步骤，如思想、计划或 API 调用，这些都是明确的、可操作的符号。通过这种方式，它实现了感知与认知、直觉与理性的初步融合。",[17,48,49,50],{},"符号主义、亚符号主义与神经符号混合主义的知识表示范式：\n",[51,52],"img",{"alt":53,"src":54},"","/assets/Agent%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F/%E7%AC%A6%E5%8F%B7%E4%B8%BB%E4%B9%89%E3%80%81%E4%BA%9A%E7%AC%A6%E5%8F%B7%E4%B8%BB%E4%B9%89%E4%B8%8E%E7%A5%9E%E7%BB%8F%E7%AC%A6%E5%8F%B7%E6%B7%B7%E5%90%88%E4%B8%BB%E4%B9%89%E7%9A%84%E7%9F%A5%E8%AF%86%E8%A1%A8%E7%A4%BA%E8%8C%83%E5%BC%8F.png",[12,56,58],{"id":57},"agent的分类","Agent的分类",[17,60,61],{},[51,62],{"alt":53,"src":63},"/assets/Agent%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F/Agent%E7%9A%84%E5%88%86%E7%B1%BB.png",[65,66,68],"h2",{"id":67},"agent-vs-workflow","Agent VS Workflow",[17,70,71,72,75,76],{},"尽管Workflow 和 Agent 都旨在实现任务自动化，但其底层逻辑、核心特征和适用场景却截然不同。\n简单来说，",[20,73,74],{"style":22},"Workflow 是让 AI 按部就班地执行指令，而 Agent 则是赋予 AI 自由度去自主达成目标。","在 AIWorkflow 中 LLM 只是一个节点，它只能盘活一个节点，主导的还是机械化代码，LLM 只是辅助。而在 AIAgent 中 LLM 作为主导，自主判断是否调用工具（机械化代码），主导的是LLM，机械化代码只是辅助。\n",[51,77],{"alt":53,"src":78},"/assets/Agent%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F/Workflow%20%E5%92%8C%20Agent%20%E7%9A%84%E5%B7%AE%E5%BC%82.png",[17,80,81,82,85,86,89],{},"如图所示，工作流是一种传统的自动化范式，其核心是",[20,83,84],{"style":22},"对一系列任务或步骤进行预先定义的、结构化的编排。","它本质上是一个精确的、静态的流程图，规定了在何种条件下、以何种顺序执行哪些操作。",[20,87,88],{"style":22},"整个过程的每一步、每一个判断条件都被精确地预先设定。","(符号主义 我们传统的编程思维)",[17,91,92,93,96,97,100,101,106,107,111],{},"与工作流不同，基于大型语言模型的智能体是一个",[20,94,95],{"style":22},"具备自主性的、以目标为导向的系统","。它不仅仅是执行预设指令，而是能够",[20,98,99],{"style":22},"在一定程度上理解环境、进行推理、制定计划，并动态地采取行动以达成最终目标","。LLM 在其中扮演着“大脑”的角色。一个典型的例子，便是我们创建的智能旅行助手 ",[102,103,105],"a",{"href":104},"/labs/nova","Nova"," 。当我们向它下达一个新指令，例如：",[108,109,110],"strong",{},"“明天我要去邵阳，有什么推荐景点吗？”"," 它的处理过程充分展现了其自主性：",[113,114,115,125,131],"ol",{},[116,117,118,121,122],"li",{},[108,119,120],{},"规划与工具调用："," Agent 首先会把任务拆解为两个步骤：① 查询天气；② 基于天气推荐景点。随即，它会自主选择并调用“天气查询 API”，并将“邵阳”作为参数传入。",[108,123,124],{},"(注意在 Nova 的测试案例中，我们也并没有规定要“先查天气”，甚至也没有“要查天气”的指示，这都是 Nova 自主决策的结果)",[116,126,127,130],{},[108,128,129],{},"推理与决策："," 假设 API 返回结果为“阴天”。Agent 的 LLM 大脑会基于这个信息进行推理：“需要搜索适合阴天游玩的邵阳景点”。接着，它会根据这个判断，在它的知识库中或再调用其它的搜索引擎工具，筛选出符合要求的景点，如瑶寨、白水洞等。",[116,132,133,136,137],{},[108,134,135],{},"生成结果："," 最后，Agent 会综合信息，给出一个完整的、人性化的回答：",[37,138,139],{},"“根据查询结果，邵阳明天是阴天，气温11摄氏度。在这样的天气条件下，我为您推荐游览瑶寨。瑶寨在阴天时景色宁静，非常适合摄影和放松，特别是其独特的丹霞地貌在阴天会显得格外迷人。祝您旅途愉快！”",[17,141,142,143,147,148],{},"在这个过程中，没有任何写死的",[144,145,146],"code",{},"if天气=阴天 then 推荐瑶寨","的规则。如果天气是“晴天”，Agent 会自主推理并调用合适的工具，最终可能会推荐崀山、南山牧场等景点。",[108,149,150],{},"这种基于实时信息进行动态推理和决策的能力，正是 Agent 的核心价值所在。",[12,152,154],{"id":153},"agent的发展","Agent的发展",[17,156,157],{},"前置知识了解：",[32,159,160],{},[17,161,162],{},"符号主义：专家系统、SHRDLU、ELIZA、“深蓝”计算机",[32,164,165],{},[17,166,167],{},"过度时期：“心智社会”理论（去中心化）",[32,169,170],{},[17,171,172],{},"联结主义：机器学习/深度学习、反向传播算法、卷积神经网络、Transformer模型",[32,174,175],{},[17,176,177],{},"行为主义：强化学习、TD-Gammon、AIphaGo",[17,179,180],{},"概念区分：",[32,182,183],{},[17,184,185],{},"机器学习/深度学习：静态数据集-预训练(背景知识)-微调(专业知识)-感知问题-学习能力）",[32,187,188],{},[17,189,190],{},"强化学习：环境交互数据-专业知识-决策问题-决策能力）",[17,192,193,194],{},"智能体发展演进时间线（未完全版）:\n",[51,195],{"alt":53,"src":196},"/assets/Agent%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F/%E6%99%BA%E8%83%BD%E4%BD%93%E5%8F%91%E5%B1%95%E6%BC%94%E8%BF%9B%E6%97%B6%E9%97%B4%E7%BA%BF%EF%BC%88%E6%9C%AA%E5%AE%8C%E5%85%A8%E7%89%88%EF%BC%89.png",[17,198,199,200],{},"AI Agent 技术栈概览：\n",[51,201],{"alt":53,"src":202},"/assets/Agent%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F/AI%20Agent%20%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A6%82%E8%A7%88.png",[12,204,206],{"id":205},"现代agent的基础架构","现代Agent的基础架构",[17,208,209,210],{},"LLM驱动的智能体核心组件架构：\n",[51,211],{"alt":53,"src":212},"/assets/Agent%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F/LLM%E9%A9%B1%E5%8A%A8%E7%9A%84%E6%99%BA%E8%83%BD%E4%BD%93%E6%A0%B8%E5%BF%83%E7%BB%84%E4%BB%B6%E6%9E%B6%E6%9E%84.png",{"title":53,"searchDepth":214,"depth":214,"links":215},2,[216],{"id":67,"depth":214,"text":68},"agent","2026-02-19","如果你还不知道什么是Agent，亦或者是想探究Agent的奥秘，那不妨先停下你匆匆的脚步，用一盏茶的时间，随我一同闯入Agent的世界，探索Agent的前世与今生......","md",true,3,"/images/Agent的前世今生.png",{},1,"/articles/agent",{"title":6,"description":219},null,"articles/Agent的前世今生",[231,7],"AIAgent","RS2eoPfPyvbhkp-0RdfjaRcVIx7YfT-e94cU1B-LdVM",1774960320849]