AI 领域为何全面转向 AI Agent 方向？
当前大热的大语言模型（LLM）和检索增强生成（RAG）模型，虽然在语言理解和内容生成方面取得了突破性的进展，但仍然存在诸多限制。它们缺乏根据目标导引行为、持续学习和与环境交互的能力，难以应对复杂多变的现实场景需求。人工智能的未来将会是 Agentic（能够像人类一样，根据环境、知识和目标来自主进行决策和做出相应行为）。本文将探讨什么是 AI Agents，并梳理 AI 行业内部对这一概念的理解和定义。
01 核心主题：从被动响应到主动智能
文章的核心内容是阐释和探索'AI Agents'这一概念，这种技术将在决定和影响未来发展方向上变得越来越关键。期望读者能通过阅读本文对'AI Agents'有一个全方位的认识，不仅掌握它们的基本特性，还能了解到它们是如何被运用于各种行业场景中的。
人工智能领域正不断发展，不再局限于狭窄、专业化的应用模型，而是朝着创造高度智能、较为自主的 AI Agent 这一技术方向前进。这些 Agent 能够在大多数领域中真正帮助人类提高思维能力、工作效率或解决问题的能力，实现与人类智能的有效互补和增强。无论您是对人工智能有着丰富经验的从业者，还是刚踏入这个领域的初学者，了解 AI Agent 的发展轨迹对于保持信息畅通和积极参与未来的变革之旅都至关重要。
02 LLMs 和 RAG 不好用吗，为什么还需要 AI Agent 呢？
尽管大语言模型（LLMs）和检索增强生成（RAG）模型已经极大地扩展了我们在语言生成任务方面所能达到的界限。但是 AI Agent 强调的是综合智能，包括但不限于决策制定、环境交互和跨领域的知识应用，这样的智能系统能够适应更复杂的任务需求，并在与人的交流合作中展现出更强的灵活性和实用性。
AI Agent 之所以不可或缺，归结于以下几个核心因素：
1. 根据目标任务导引行为 (Goal-oriented behavior)
大语言模型（LLMs）与检索增强生成模型（RAG）的主要任务是根据训练数据中的 patterns 创造出类似人类创造的文本内容。尽管如此，它们在灵活且智能地设定和追求具体目标等方面仍存在一定的劣势。反之，AI Agent 则能够被设计为具备清晰目标，并能够策略性地规划和采取行动，实现既定目标。
2. 记忆和状态跟踪的能力 (Memory and state tracking)
目前大多数语言模型并不具备持续记忆或跟踪状态的功能，每个输入信息（input）都会被单独处理，不会考虑前后关联。相比之下，AI Agent 设计有 internal state 维护机制，能够不断积累知识，并运用这些累积的 state 信息为后续的决策（decisions）和行为（actions）提供依据，实现更加智能化的 AI 系统运作模式。
3. 与环境进行互动的能力 (Interaction with the environment)
大语言模型（LLMs）的工作局限于文本范畴，一般不涉及与物理现实世界的直接互动。相比之下，AI Agent 能够感知并干预它们所处的环境，无论是数字世界（digital world）、机器人系统（robotic systems），乃至通过传感器（sensors）与执行元件（actuators）感知的真实物理世界。
4. 知识迁移与场景泛化 (Transfer and generalization)
虽然 LLMs 擅长与其训练数据类似的语言任务，但它们往往难以将知识迁移到全新的领域或任务中。而 AI Agent，凭借其学习、推理及策略规划的综合能力，有能力更好地将知识迁移和推广应用到新的场景中。
5. 长期学习能力 (Continual learning)
大多数语言模型一旦训练完毕，其状态就会趋于静态固定。而 AI Agent 则可以在与新环境进行交互和不断处理新情况的过程中，边学习边优化自身知识体系与掌握的技能。
6. 多领域任务处理能力 (Multi-task capability)
LLMs 通常是针对特定语言任务（比如文本生成、机器翻译等）而专门设计的，它们的能力比较专一。而 AI agents 则可以被设计为通用的、多任务的 AI 系统，擅长无缝融合语言处理、逻辑推理、感知理解及控制操作等多种技能，来与人类一同应对那些既繁复又多元的难题。
03 AI Agent 将如何改变世界？
假定你正在规划一次行程繁复的旅行：
- LLM：能为你介绍各色旅游景点，或分享一些旅行小贴士。
- RAG：擅长寻找、挖掘关于旅行目的地的精彩博客与深度文章。
- AI Agent：在此基础之上，更能根据你的旅行预算精挑细选航班与住宿信息，一键完成所有预订流程，自动整合个人旅行行程至个人日历，出发前搭配相关温馨提醒，附上必备资讯，确保无忧出行。
