AI肖睿團(tuán)隊（韓露、顧躍、王春輝、吳寒、李娜）20250520@北京?北大青鳥人工智能研究院?北大計算機(jī)學(xué)院?北大教育學(xué)院學(xué)習(xí)科學(xué)實驗室AI

Agent與Agentic

AI

原理與應(yīng)用Deepseek內(nèi)部研討系列一、本次講座專為科研人員、工程師及AI技術(shù)愛好者設(shè)計，旨在深度剖析AIAgent與AgenticAI的核心技術(shù)、前沿進(jìn)展與未來挑戰(zhàn)。我們聚焦

技術(shù)底層機(jī)制、關(guān)鍵算法與工程實踐痛點，力求超越概念普及，提供硬核洞察。通過本次分享，您將全面理解Agent的技術(shù)內(nèi)涵與趨勢，獲得

技術(shù)選型參考，并激發(fā)對潛在研究方向與創(chuàng)新應(yīng)用的深度思考。二、本次講座的內(nèi)容主要涵蓋以下四個核心模塊：1.探源與定義-探源Agent智能的“是什么”與“為什么”：探析Agent爆發(fā)的技術(shù)契機(jī)與演進(jìn)脈絡(luò)；清晰Agent及AgenticAI的核心定義、關(guān)鍵特征及其與傳統(tǒng)AI的界限。2.核心技術(shù)深度剖析-揭秘Agent智能的“如何構(gòu)建”：系統(tǒng)拆解Agent技術(shù)棧：感知、認(rèn)知與決策（LLM引擎、規(guī)劃、記憶、學(xué)習(xí)）、行動模塊；深入探討主流的Agent架構(gòu)模式（如單Agent、多Agent系統(tǒng)、反思性Agent）及其設(shè)計原則與考量，以及針對當(dāng)下主流的關(guān)

鍵交互協(xié)議如：MCP、A2A、AG-UI的深入探討。3.前沿實踐與技術(shù)分析：洞察Agent智能的“技術(shù)落地”：深度拆解COZE、

Manus、

Deep

ResearchAgents、Genspark、

Lovart等代表性Agent平臺與項目的技術(shù)特點、架構(gòu)創(chuàng)新及優(yōu)劣勢。4.現(xiàn)狀、挑戰(zhàn)與未來展望：展望Agent智能的“路在何方”：評估當(dāng)前技術(shù)成熟度，剖析核心挑戰(zhàn)（行動、規(guī)劃、記憶、幻覺等）與開放

問題；展望AIAgent的發(fā)展趨勢、顛覆潛力與倫理考量，并提供行動建議.三、大家可以參考《人工智能通識教程（微課版）》這本系統(tǒng)全面的入門教材，結(jié)合B站“思睿觀通”欄目的配套視頻進(jìn)行學(xué)習(xí)。歡迎關(guān)注“AI

肖睿團(tuán)隊”的視頻號和微信號（ABZ2829），加入社區(qū)，共同探討AIAgent的前沿動態(tài)與未來發(fā)展。講座內(nèi)容介紹

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）2

一、

AI

Agent和Agentic

AI的興起……………………………

P41.

AIAgent的爆發(fā)……………………...…

P62.

Agent的發(fā)展歷程……………….…

P83.

AIAgent的核心特質(zhì)及概念解析..………………….…………

P104.Agentsvs

AIAgents

vs

Agentic

AI

……..………………..…

P155.AIAgent的適用場景及判斷標(biāo)準(zhǔn)……..…………..…

P166.AIAgent應(yīng)用案例分享……..……….…..…

P177.

總結(jié)：新范式已至，未來可期……..…………..……………..……..…

P18二、

AI

Agent的核心技術(shù)棧解密…..…………

P201.

AIAgent的核心組成部分…………

P222.

感知模塊……………………

P233.

認(rèn)知與決策模塊………………………

P294.

行動模塊………………………

P395.

Agent架構(gòu)模式……………

P536.

構(gòu)建基礎(chǔ)AIAgent：核心步驟概覽……………..

P767.

總結(jié)：Agent核心技術(shù)

-從能力邊界到智能涌現(xiàn)…..

P77三、

主流Agent平臺、框架與項目技術(shù)拆解………….………….…

P791.

Agent平臺/框架/應(yīng)用分類總覽……………………

P812.Agent構(gòu)建平臺(Low-code/No-code)………………….

P823.

Agent開發(fā)框架(Code-centric)………………….…

P1044.Agentic應(yīng)用/產(chǎn)品(End-userfocused)……….…………

P1295.

通用智能Agent……...………………………

P1506.

專用領(lǐng)域Agent/系統(tǒng)……………..……

P1707.

總結(jié)：Agent生態(tài)的多元探索與實踐前沿…………….……………….……

P194四、AI

Agent的技術(shù)現(xiàn)狀、核心挑戰(zhàn)與未來展望..……………

P1961.

當(dāng)前Agent發(fā)展現(xiàn)狀…………….……

P1982.

核心技術(shù)挑戰(zhàn)…………………………..………

P2043.

開放性問題探討……………….……...…

P2114.AIAgent的未來趨勢與展望

………..…….……...…

P2165.

總結(jié)與思考…...…………………..……….……...…

P220內(nèi)容目錄

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）3

n

我們將深入探討

AI

Agent

與

Agentic

AI

這

一

迅速發(fā)展的領(lǐng)域

。

隨著大型語言模型

（

LLM）等技術(shù)的飛躍式進(jìn)步，AI

Agent正從昔日的理論構(gòu)想大步邁向現(xiàn)實應(yīng)用，迎

來了前所未有的爆發(fā)契機(jī)，標(biāo)志著人工智能發(fā)展已步入一個更強(qiáng)調(diào)自主性與行動能力

的新階段。n

為構(gòu)建清晰的認(rèn)知框架，我們將核心聚焦于Agent的本質(zhì)定義—即一個具備環(huán)境感知

（Perception）

、智能決策

（Decision-making/Reasoning）

乃至

自主行動

（Action）能力的智能實體

。

通過對這些核心概念的厘清，您將深刻理解AI

Agent的

技術(shù)底蘊及其與現(xiàn)有AI范式的聯(lián)系與區(qū)別，為把握這一AI前沿趨勢奠定堅實基礎(chǔ)。一、AIAgent和AgenticAI的興起

AI肖睿團(tuán)隊

4

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829

）4

1.

AI

Agent的爆發(fā)2.

Agent的發(fā)展歷程3.

AI

Agent的核心特質(zhì)及概念解析4.

AgentsvsAIAgentsvsAgenticAI5.

AI

Agent的適用場景及判斷標(biāo)準(zhǔn)6.

AI

Agent應(yīng)用案例分享7.

總結(jié)：

新范式已至，未來可期一、

AI

Agent和Agentic

AI的興起1.1天時地利：AIAgent爆發(fā)的技術(shù)與生態(tài)契機(jī)1.2風(fēng)口浪尖：為何AIAgent成為當(dāng)前新焦點？2.1AIAgent的源起：思想的火花與早期探索2.2從理論到實踐：Agent發(fā)展的關(guān)鍵轉(zhuǎn)折點3.1超越簡單交互：AIAgent的獨特價值主張3.2核心概念解析

(一)：什么是AIAgent？3.3核心概念解析

(一)：Agent的核心特征3.4核心概念解析

(一)：AIAgent的五個發(fā)展階段3.5核心概念解析

(二)：AgenticAI

-追求更高階的智能

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）5

相關(guān)基礎(chǔ)設(shè)施與生態(tài)的成熟（地利）1.向量數(shù)據(jù)庫

(Vector

Databases)高效存儲和檢索海量非結(jié)構(gòu)化數(shù)據(jù)（文本、圖像等轉(zhuǎn)換的Embedding），為Agent構(gòu)建長期記憶和知識庫提供了關(guān)鍵支撐2.模型API與服務(wù)化各大廠商開放LLM及其他AI能力API(如OpenAIAPI,GoogleGeminiAPI，DeepSeekAPI等)，降低了開發(fā)者構(gòu)建Agent的技術(shù)門檻和成本3.開源框架與社區(qū)LangChain,crewAI,AutoGen等開源框架的涌現(xiàn)，提供了模塊化的Agent構(gòu)建工具和豐富的實踐案例，加速了Agent應(yīng)用的開發(fā)和迭代大語言模型(LLM)的能力躍升（天時）1.自然語言理解

(NLU)與生成

(NLG)LLM具備前所未有的復(fù)雜指令理解、上下文推理、復(fù)雜文本生成能力，為Agent提供了強(qiáng)大的“大腦”和“嘴巴”2.

常識推理與邏輯演繹LLM在一定程度上掌握了世界知識和基本推理能力，使得Agent能夠進(jìn)行更復(fù)雜的規(guī)劃和決策。（雖然仍有局限，但已達(dá)到可用門檻）3.

代碼生成與理解LLM可以生成和理解代碼，為Agent賦予了直接操作軟件、調(diào)用API的“雙手”1.1天時地利：AIAgent爆發(fā)的技術(shù)與生態(tài)契機(jī)

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）6

LLM的突破性進(jìn)展與日益完善的基礎(chǔ)設(shè)施，共同催生了AIAgent的爆發(fā)點。LLM的賦能、早期探索的啟迪以及當(dāng)前多樣化Agent產(chǎn)品與平臺的實踐浪潮，共同將AIAgent推向了技術(shù)革命和產(chǎn)業(yè)變革的前沿。1.

LLM賦予Agent“超級大腦”

質(zhì)的飛躍：

LLM根本性地解決了以往Agent在理解復(fù)雜指令、進(jìn)行多輪對話、掌握廣博知識、執(zhí)行靈活推理等方面的核心瓶頸。

Agent不再是預(yù)設(shè)規(guī)則的簡單執(zhí)行者，而是具備了更強(qiáng)的通用性和適應(yīng)性。2.GPTs與多樣化Agent形態(tài)的啟示與實踐

GPTs、AutoGPT等早期探索的點燃效應(yīng)，推動了對Agent架構(gòu)和能力思考。

當(dāng)前Agent實踐的多樣化浪潮，從概念驗證到應(yīng)用落地，形態(tài)與平臺不斷

涌現(xiàn)，推動Agent走向?qū)嵱没?、產(chǎn)品化。3.對“行動能力”與“自主智能”的普遍渴望

用戶和開發(fā)者不再滿足于AI的“說”和“寫”（內(nèi)容生成），更期望AI能夠“做”（任務(wù)執(zhí)行），能夠自主理解目標(biāo)、規(guī)劃路徑、調(diào)用工具、與環(huán)境交互并最終完

成任務(wù)，真正成為智能實體或自主系統(tǒng)。PEKINGUNIVERSITYN

I

V9

81.2風(fēng)口浪尖：為何AIAgent成為當(dāng)前新焦點？

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）7

Agent的思想源遠(yuǎn)流長，是人工智能領(lǐng)域的經(jīng)典概念之一。早期概念回顧：符號主義AI中的Agent:（1956–1990）

理念:智能源于符號的表示和操作。

Agent被視為能夠通過邏輯推

理和規(guī)則匹配來感知環(huán)境、

制定計劃并執(zhí)行動作的實體。

代表:Allen

Newell和

Herbert

A.Simon的

“邏輯理論家”(LogicTheorist)和

“通用問題求解器”(General

Problem

Solver,GPS)

可視為早期Agent思想的雛形。

特點:強(qiáng)調(diào)明確的知識表示和演繹推理。分布式人工智能

(DAI)與多智能體系統(tǒng)

(MAS):

理念:復(fù)雜問題可通過多個協(xié)同工作的Agent解決。

關(guān)注點:Agent間的通信、

協(xié)調(diào)、

協(xié)商和合作。2.1AIAgent的源起：思想的火花與早期探索

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）8

Agent：概念起源于哲學(xué)，描述了一種擁有

欲望、信念、意圖以及采取行動能力的實體。HerbertA.SimonAllen

Newell?

GPT-3

(2020):展示了LLM強(qiáng)大的零樣本/少樣本學(xué)習(xí)能力。?

InstructGPT/ChatGPT

(2022):通過指令微調(diào)和RLHF，顯著提

升了LLM的指令遵循和對話能力，使其成為理想的Agent“大腦”。?

AutoGPT,

BabyAGI

(2023):作為實驗性項目，展示了基于LLM的自主任務(wù)規(guī)劃與執(zhí)行能力，極大地激發(fā)了社區(qū)與公眾對自主AI完

成復(fù)雜任務(wù)的想象，推動了對Agent架構(gòu)和能力的廣泛思考。?

Genspark、Coze、

Manus、

Lovart（2024~2025）：Agent實踐的多樣化，從概念驗證到應(yīng)用落地，形態(tài)與平臺不斷涌現(xiàn)，推動Agent走向?qū)嵱没?、產(chǎn)品化推動Agent走向?qū)嵱没a(chǎn)品化。2.2從理論到實踐：Agent發(fā)展的關(guān)鍵轉(zhuǎn)折點

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）9

關(guān)鍵里程碑：技術(shù)進(jìn)步不斷推動Agent從理論構(gòu)想向?qū)嵱孟到y(tǒng)演進(jìn)?

雖然不是嚴(yán)格意義上的Agent，但

其“知識庫

+推理機(jī)”的模式為Agent的決策模塊提供了早期思路。?

搜索引擎爬蟲、早期聊天機(jī)器人、

推薦系統(tǒng)等，展現(xiàn)了Agent在特定任務(wù)上的應(yīng)用潛力。?

為Agent賦予了從與環(huán)境交互中學(xué)習(xí)

決策策略的能力

(例如，AlphaGo)。?

提升了Agent在感知

(如CV,

NLP)

和模式識別方面的能力。Step

05大型語言模型(LLM)

的爆發(fā)(2020s)Step

04機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的融合(2010s)Step

02強(qiáng)化學(xué)習(xí)(RL)

的興起(1990s-至今)Step

03互聯(lián)網(wǎng)與WebAgent(1990s-2000s)Step

01基于規(guī)則的專家系統(tǒng)(1970s-1980s)對比傳統(tǒng)AI/機(jī)器學(xué)習(xí)(AI/ML)

及生成式AI

(GenerativeAI)

傳統(tǒng)AI/ML?模式:通常是被動式、數(shù)據(jù)驅(qū)動的模式匹配或預(yù)

測(如圖像分類、推薦系統(tǒng))。?交互:

交互性弱，主要處理特定、封閉的任務(wù)。

生成式AI

(GenAI):?模式:強(qiáng)大的內(nèi)容生成能力

(文本、圖像、代碼)。?交互:通常是“一問一答”或“一次性生成”，缺乏持續(xù)的任務(wù)執(zhí)行和環(huán)境適應(yīng)。

自主性

(Autonomy)?核心差異:能夠基于目標(biāo)自主決策、規(guī)劃步驟、執(zhí)行動作，并

在過程中根據(jù)環(huán)境反饋進(jìn)行調(diào)整，減少人工干預(yù)。

持續(xù)環(huán)境交互與適應(yīng)

(Continuous

Interaction&Adaptation)?核心差異:Agent被設(shè)計為在一個（可能是動態(tài)的）環(huán)境中持續(xù)運

作，感知變化并作出反應(yīng)或主動調(diào)整策略。

復(fù)雜、多步驟任務(wù)處理

(Complex,

Multi-step

Task

Completion)?核心差異:能夠?qū)⒑甏?、模糊的目?biāo)分解為一系列可執(zhí)行的子任務(wù)，

并行地完成它們。3.1超越簡單交互：AIAgent的獨特價值主張

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）10

AIAgent的核心獨特價值3.2核心概念解析

(一)：什么是AIAgent？作用:Agent的“大腦”，基于感知到的信

息、內(nèi)部知識和目標(biāo)，進(jìn)行思考、規(guī)劃、選

擇下一步行動。核心：推理、任務(wù)規(guī)劃、問題求解、知識運

用、策略生成。

LLM通常在此扮演關(guān)鍵角色。作用:從環(huán)境中收集信息，理解當(dāng)前狀態(tài)。方式：通過文本輸入、圖像識別、語音指令、

傳感器數(shù)據(jù)、API返回結(jié)果等方式，理解環(huán)

境狀態(tài)，識別相關(guān)實體和事件。作用:Agent對環(huán)境施加影響，執(zhí)行決策結(jié)

果。方式：生成文本/語音、調(diào)用API、代碼執(zhí)行、

控制物理設(shè)備（機(jī)器人）、與其他Agent通

信等。“任何能夠通過傳感器

(Sensors)感知其環(huán)境

(Environment)，并通過

執(zhí)行器

(Actuators)對其環(huán)境產(chǎn)生行動

(Action)的事物?！薄_素和諾維格《人工智能：一種現(xiàn)代方法》

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）11

總結(jié)：AIAgent是一個具備感知環(huán)境、自主決策、并采取行動以達(dá)成特定目標(biāo)的智能實體。決策/推理Decision-making/Reasoning行動ActionAgent關(guān)鍵組成部分Agent經(jīng)典定義感知Perception

反應(yīng)性(Reactivity)n定義：Agent能夠感知其所處的環(huán)境，并對環(huán)境中發(fā)生的變化

及時做出響應(yīng)。n體現(xiàn)

：對外部刺激的快速反饋。Q

學(xué)習(xí)/適應(yīng)性

(Learning/Adaptability)n定義：Agent能夠從經(jīng)驗中學(xué)習(xí)，不斷改進(jìn)其行為和性能，適應(yīng)環(huán)境的變化或任務(wù)需求的變化。n體現(xiàn)：經(jīng)驗積累、策略優(yōu)化、知識更新。

目標(biāo)導(dǎo)向性

(Goal-orientedness)n定義：Agent的行為是圍繞一個或多個預(yù)設(shè)的或動態(tài)生成的目

標(biāo)展開的。n體現(xiàn)

：任務(wù)驅(qū)動、效用最大化。

自主性

(Autonomy)n定義：Agent能夠在沒有人類或其他Agent直接干預(yù)的情況

下，獨立控制其內(nèi)部狀態(tài)和自身行為。n體現(xiàn)：自我啟動、

自我決策、

自我調(diào)整。

交互性

(Social

Ability)n定義：Agent能夠通過某種Agent通信語言

(ACL)或其他機(jī)制與其他Agent（包括人類）進(jìn)行交互、協(xié)作、協(xié)商。n

體現(xiàn)：溝通、協(xié)作、談判。

主動性

(Initiative)n定義：Agent不僅僅對環(huán)境做出反應(yīng)，還能表現(xiàn)出目標(biāo)驅(qū)動

的行為，主動發(fā)起行動以達(dá)成目標(biāo)。n體現(xiàn)

：機(jī)會發(fā)現(xiàn)、主動規(guī)劃。3.3核心概念解析

(一)：Agent的核心特征一個成熟的AI

Agent具備以下核心特征這些特征共同構(gòu)成了智能體的核心能力，使其能夠有效地在復(fù)雜環(huán)境中執(zhí)行任務(wù)。

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）12

3.4核心概念解析

(一)：AIAgent的五個發(fā)展階段記憶與推理階段

03Agent具備記憶(記住用戶信息)和推理能力(更聰明地解

決問題)記憶:跨會話記住用戶細(xì)節(jié)，

實現(xiàn)個性化(如記住用戶偏

好)。推理:通過推理工具(如PythonTools)提高多步驟任

務(wù)的成功率(從60%提升到更

高)。例子:Agent在多次對話后記住用戶需求，提供更貼切的

回答。要點:推理提升復(fù)雜任務(wù)表現(xiàn)，

但會增加成本和延遲。Agent系統(tǒng)

05構(gòu)建完整的Agent

系統(tǒng)，通

過API異步處理任務(wù)并返回

結(jié)果。實現(xiàn):需要數(shù)據(jù)庫保存狀態(tài)

、異步任務(wù)處理(如FastAPI后臺

任務(wù))和結(jié)果流式傳輸。挑戰(zhàn):技術(shù)復(fù)雜(如使用WebSocket)，但這是未來趨

勢

，也是商業(yè)化的重點。例子:一個帶有AgentAPl和

Ul框架的，具有用戶交互能

力的Agent系統(tǒng)。要點:最難但最有潛力，適

合大規(guī)模應(yīng)用。多Agent團(tuán)隊階段多個Agent組成團(tuán)隊，分工

合作解決復(fù)雜問題。挑戰(zhàn):每個Agent需專注單一領(lǐng)域(工具少于

10個)，團(tuán)

隊協(xié)作需推理支持，否則成

功率低(目前成功率

<50%)。例子:一個團(tuán)隊Agent分析股票數(shù)據(jù)，另一個提供建議。要點:2025年多Agent

系統(tǒng)

仍不成熟，適合研究而非生

產(chǎn)?；A(chǔ)工具與指令階段最簡單的AIAgent;使用

LLM結(jié)合工具和指令完成

任務(wù)。特點:最簡單的AlAgent，使用

LLM結(jié)合工具和指令

完成任務(wù)。功能:通過指令

“教"Agent

如何完成任務(wù)，使用工具

(如搜索工具)與外部環(huán)境交

互。例子:一個指導(dǎo)開發(fā)者構(gòu)建Agent

的Agent。要點:適合初級任務(wù)，但能

力有限。知識庫與存儲階段加入知識庫和存儲功能，讓

Agent能搜索外部信息并保存狀態(tài)。知識庫:使用混合搜索(全文

+語義搜索)+重排序(reranking)，提升信息檢索

精準(zhǔn)度。存儲:保存會話狀態(tài)(如ChatGPT的聊天記錄)，讓Agent在不同會話間保持

“記憶”。例子:Agent能從

SQLite

數(shù)

據(jù)庫中讀取知識，回答更復(fù)

雜的問題。要點:解決

LLM無狀態(tài)問題，

提升任務(wù)連續(xù)性。

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）13

AIAgent的發(fā)展呈現(xiàn)“從簡單開始，逐步增加復(fù)雜性”的特性。020104n定義：AgenticAI強(qiáng)調(diào)AI系統(tǒng)所具備的自主性(Autonomy)、

目標(biāo)驅(qū)動

(Goal-driven)、環(huán)境交互

(EnvironmentInteraction)和學(xué)習(xí)能力

(Learning

Capability)n定位：它是AIAgent追求的高級形態(tài)和核心設(shè)計理念/

哲學(xué)，而不僅僅是實現(xiàn)了Agent基本功能的系統(tǒng)。一個

系統(tǒng)可以是一個Agent

，但不一定足夠“Agentic”n目標(biāo)：構(gòu)建能夠像智能生物一樣，在復(fù)雜動態(tài)環(huán)境中主

動感知、理解、規(guī)劃、行動并持續(xù)學(xué)習(xí)和適應(yīng)的AI系統(tǒng)n

自主性

(Autonomy):無需人類持續(xù)干預(yù)，能獨立感

知、決策和行動。n

目標(biāo)驅(qū)動

(Goal-driven):始終以達(dá)成預(yù)設(shè)或動態(tài)生

成的目標(biāo)為導(dǎo)向。n

環(huán)境交互(Environment

Interaction):能夠主動感

知環(huán)境變化，

并通過行動影響環(huán)境，

形成閉環(huán)。n

學(xué)習(xí)與適應(yīng)性(Learning/Adaptability):能夠從經(jīng)

驗中學(xué)習(xí)，改進(jìn)自身行為，適應(yīng)變化的環(huán)境和任務(wù)3.5核心概念解析

(二)：AgenticAI

-追求更高階的智能

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）14

Agentic

AI的內(nèi)涵

Agentic

AI的關(guān)鍵特征3AgenticAIAgenticAI把AIagents更加自主、適應(yīng)性強(qiáng)且主動，能自主規(guī)劃、決策，無需人類指示就能行動。關(guān)鍵：自主性，學(xué)習(xí)能力最強(qiáng)。舉例：一個管理智能家居的AgenticAI系統(tǒng)不僅能調(diào)節(jié)溫度，還能在食物快用完時自動下單，安排家電維護(hù)，優(yōu)化能源使用——全程無需你動手。4.AgentsvsAIAgentsvsAgenticAI2AIAgents（AI智能體/代理）升級版的agents，AI驅(qū)動，不只是遵

循簡單規(guī)則，而是能利用機(jī)器學(xué)習(xí)、

自然語言處理等AI技術(shù)做決策。關(guān)鍵：能從數(shù)據(jù)中學(xué)習(xí)，適應(yīng)新情況，隨時間變得更聰明。舉例：Siri、小愛同學(xué)這類虛擬助手就是AIAgents。它們能理解你的語音指令，學(xué)習(xí)改進(jìn)回答質(zhì)量，執(zhí)行設(shè)置鬧鐘、播放音樂等任務(wù)。Agents（智能體/代理）最基礎(chǔ)的概念，指任何能感知環(huán)境

并為達(dá)成目標(biāo)而行動的實體，可以

是軟件、硬件，甚至是人。關(guān)鍵：不需要AI也能工作。舉例：冰箱的恒溫器是典型Agent。它感知溫度（環(huán)境感知），開關(guān)制冷系統(tǒng)（采取行動），保持設(shè)定溫度（實現(xiàn)目標(biāo)）。它只是按照預(yù)設(shè)規(guī)則工作，不需要任何AI能力。

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）15

1AIAgents的適用場景

高復(fù)雜度的任務(wù)：任務(wù)流程復(fù)雜，涉及多個子任務(wù)

和決策點。

需要自主規(guī)劃與執(zhí)行：任務(wù)目標(biāo)明確，但達(dá)成路徑不固定，需要Agent根據(jù)實時情況動態(tài)調(diào)整。

需要與環(huán)境交互：Agent需要從外部系統(tǒng)獲取信息，并向其發(fā)送指令以影響環(huán)境。

需要長期記憶與學(xué)習(xí)：Agent需要積累經(jīng)驗，并通

過學(xué)習(xí)優(yōu)化未來的決策和行為。

需要多模態(tài)感知與理解：任務(wù)涉及文本、圖像、語音等多種數(shù)據(jù)形式的輸入和輸出。何時選擇AIAgent？

任務(wù)可拆解性：任務(wù)是否可以被分解為一系列可由

Agent獨立完成的子任務(wù)？

環(huán)境可觀察性與可控性：Agent能否獲取足夠的環(huán)

境信息進(jìn)行決策？能否對環(huán)境施加有效影響？

目標(biāo)明確性：任務(wù)的最終目標(biāo)是否清晰可衡量？

知識可表達(dá)性：完成任務(wù)所需的知識是否可以被

Agent理解和利用？

魯棒性要求：任務(wù)對錯誤容忍度如何？Agent能否

在不確定性下穩(wěn)定運行？

長期價值考量：Agent的持續(xù)學(xué)習(xí)能力能否為業(yè)務(wù)

帶來長期增益？

898PEKING

UNIVERSITY

N

I

V

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）16

5.AIAgent的適用場景及判斷標(biāo)準(zhǔn)醫(yī)療健康某在線問診app：單日最高處理12萬次問診，分診準(zhǔn)確

率達(dá)95%。實際價值：大幅提升問診效率并縮短患者平均候診時間

40分鐘。軟件開發(fā) Devin

(Cognition

AI)：首個AI軟件工程師，能自主完成

復(fù)雜編程任務(wù)，從需求理解、

代碼生成、調(diào)試到部署。實際價值：

大幅提升開發(fā)效率，降低人力成本，

加速產(chǎn)

品上市。智能客服某電商客服機(jī)器人：

不僅僅是簡單的問答機(jī)器人，能理

解用戶意圖，自主查詢知識庫，執(zhí)行多步操作（如辦理

業(yè)務(wù)、修改訂單）。實際價值：

24*7不間斷服務(wù)，提高客戶滿意度，降低人

工客服壓力。廣告營銷某公司內(nèi)容創(chuàng)作Agent：根據(jù)營銷目標(biāo)和受眾畫像，自

主生成文案、

圖片、視頻腳本，

甚至能進(jìn)行多輪迭代優(yōu)

化。實際價值：

規(guī)?；a(chǎn)高質(zhì)量內(nèi)容，提高營銷效率。

N

I

V

898PEKING

UNIVERSITY

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）17

AIAgent在智能客服、醫(yī)療健康、廣告營銷、軟件開發(fā)領(lǐng)域已取得了顯著成效。6.AIAgent應(yīng)用案例分享AIAgent的崛起，得益于LLM的飛躍與基礎(chǔ)設(shè)施的成熟，標(biāo)志著AI正從被動式工具向主動型智能體深刻轉(zhuǎn)型。這不僅僅是技術(shù)的浪潮，更是一種追求自主感知、智能決策、高效行動與持續(xù)進(jìn)化的AI新范式。AgenticAI的設(shè)計哲學(xué)，驅(qū)動我們探索更高級的智能形態(tài)，其重塑復(fù)雜任務(wù)執(zhí)行、賦能創(chuàng)新發(fā)現(xiàn)、以及變革人機(jī)協(xié)作模式的巨大潛力，正徐徐展開，未來可期。

898PEKING

UNIVERSITY

N

I

V

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）18

7.總結(jié)：新范式已至，未來可期一、AI

Agent和Agentic

AI的興起………………

P41.

AIAgent的爆發(fā)……………………...…

P62.

Agent的發(fā)展歷程……………….…

P83.

AIAgent的核心特質(zhì)及概念解析..………………….…………

P104.Agentsvs

AIAgents

vs

Agentic

AI

……..………………..…

P155.AIAgent的適用場景及判斷標(biāo)準(zhǔn)……..…………..…

P166.AIAgent應(yīng)用案例分享……..……….…..…

P177.

總結(jié)：新范式已至，未來可期……..…………..……………..……..…

P18二、

AI

Agent的核心技術(shù)棧解密……………

P201.

AIAgent的核心組成部分…………

P222.

感知模塊……………………

P233.

認(rèn)知與決策模塊………………………

P294.

行動模塊………………………

P395.

Agent架構(gòu)模式……………

P536.

構(gòu)建基礎(chǔ)AIAgent：核心步驟概覽……………..

P767.

總結(jié)：Agent核心技術(shù)

-從能力邊界到智能涌現(xiàn)…..

P77三、

主流Agent平臺、框架與項目技術(shù)拆解………….………….…

P791.

Agent平臺/框架/應(yīng)用分類總覽……………………

P812.Agent構(gòu)建平臺(Low-code/No-code)………………….

P823.

Agent開發(fā)框架(Code-centric)………………….…

P1044.Agentic應(yīng)用/產(chǎn)品(End-userfocused)……….…………

P1295.

通用智能Agent………………

P1506.

專用領(lǐng)域Agent/系統(tǒng)……………..……

P1707.

總結(jié)：Agent生態(tài)的多元探索與實踐前沿…………….……………….……

P194四、AI

Agent的技術(shù)現(xiàn)狀、核心挑戰(zhàn)與未來展望..……………

P1961.

當(dāng)前Agent發(fā)展現(xiàn)狀…………….……

P1982.

核心技術(shù)挑戰(zhàn)…………………………..………

P2043.

開放性問題探討……………….……...…

P2114.AIAgent的未來趨勢與展望

………..…….……...…

P2165.

總結(jié)與思考……...………………..……….……...…

P220內(nèi)容目錄

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）19

n

本部分將深入剖析AI

Agent賴以運作的核心技術(shù)體系

。

首先從感知模塊入手，探討Agent如何接收和理解文本

、

圖像

、

語音

、

視頻及傳感器等多模態(tài)信息，并轉(zhuǎn)化為內(nèi)

部環(huán)境狀態(tài)表征。n

接下來，重點闡述認(rèn)知與決策模塊，揭示大型語言模型（

LLM）作為核心引擎在指令

理解

、

意圖識別

、

上下文處理及長程記憶方面的角色與挑戰(zhàn)。n

隨后解析行動模塊，包括Agent利用工具

、

執(zhí)行代碼，詳細(xì)介紹MCP協(xié)議，以及通過

自然語言或GUI模擬進(jìn)行人機(jī)交互。n

最后，本部分將探討Agent的架構(gòu)模式，對比分析單Agent與多Agent系統(tǒng)，詳細(xì)介

紹

A2A

協(xié)

議

，并

延伸

至

反

思

性

和

具

身

智能

Agent

的特

殊

架構(gòu)

考

量

，拓

展了

AgenticRAG

、

AG-UI的內(nèi)容。AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）二、AIAgent的核心技術(shù)棧解密二、AIAgent的核心技術(shù)棧解密1.

AI

Agent的核心組成部分

{

2.2

感知模塊—關(guān)鍵技術(shù)4.

行動模塊5.

Agent架構(gòu)模式6.

構(gòu)建基礎(chǔ)AIAgent：核心步驟概覽7.

總結(jié)：Agent核心技術(shù)

-從能力邊界到智能涌現(xiàn)4.1行動模塊概述4.2工具使用—原理介紹4.3工具使用—MCP詳解4.4代碼執(zhí)行4.5物理世界交互與人機(jī)交互界面4.6小結(jié)：行動模塊5.1單Agent架構(gòu)vs多Agent系統(tǒng)5.2多Agent系統(tǒng)—A2A協(xié)議5.3主流Agent框架分析5.4Agent架構(gòu)的高級與前沿模式5.5Agentic

RAG5.6智能體交互最后一塊拼圖—AG-UI協(xié)議

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）21

3.1認(rèn)知與決策模塊概述3.2核心引擎：大型語言模型

(LLM)3.3規(guī)劃能力詳解3.4記憶能力詳解3.5學(xué)習(xí)與適應(yīng)能力詳解3.6小結(jié)：認(rèn)知與決策模塊2.

感知模塊3.

認(rèn)知與決策模塊2.1感知模塊概述2.3感知模塊—挑戰(zhàn)前沿AIAgent由多個關(guān)鍵部分組成：n

感知模塊：從環(huán)境中讀取多模態(tài)信息，包括文本、

圖像、語音、

視頻、其它傳感器數(shù)據(jù)等。n

認(rèn)知與決策模塊：Agent的”大腦

“，基于感知到的信息和自身知識，進(jìn)行思考、推理、規(guī)劃，并最終做出決策。n

行動模塊：接收認(rèn)知與決策模塊的規(guī)劃指令，調(diào)用相應(yīng)工具執(zhí)行環(huán)境交互操作，并返回結(jié)果。

N

I

V

898PEKING

UNIVERSITY

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）22

1.AIAgent的核心組成部分

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）23

感知模塊(

Pe

rce

pt

io

n

)感知模塊是連接數(shù)字與物理世界的橋梁。感知模塊

(Perception)

-AIAgent的“五官”

感知模塊是Agent與環(huán)境交互的入口，負(fù)責(zé)從外部世界收集信息，并

將其轉(zhuǎn)化為內(nèi)部可理解和處理的表征。

目標(biāo)：準(zhǔn)確、

高效捕捉環(huán)境狀態(tài)、用戶指令、

外部事件等重要性

理解環(huán)境：

識別對象、

事件、狀態(tài)。

理解指令：解析用戶意圖。

驅(qū)動決策：提供決策所需的數(shù)據(jù)。挑戰(zhàn)

信息噪音、

數(shù)據(jù)冗余、多模態(tài)融合、實時性要求PEKINGUNIVERSITYN

I

V9

8

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）24

2.1感知模塊1.文本

(Text):用戶指令、

文檔、

網(wǎng)頁內(nèi)容、

代碼、API響應(yīng)等2.

圖像

(Image):場景理解、

圖表分析、對象識別、

GUI元素等。3.語音

(Speech):用戶語音指令、對話錄音等。4.視頻

(Video):監(jiān)控錄像、

操作演示、動態(tài)場景分析、行為識別等。5.傳感器數(shù)據(jù)

(Sensor

Data):

(尤其對于具身智能Agent)溫度、

濕度、

位置(GPS)、

設(shè)備狀態(tài)、機(jī)器人傳感器

（激光雷達(dá)、

攝像頭）等。6.結(jié)構(gòu)化數(shù)據(jù)

(Structured

Data):數(shù)據(jù)庫記錄、

API返回的JSON/XML。

N

I

V

898PEKING

UNIVERSITY

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）25

信息輸入的多樣性AIAgent能夠處理和理解來自多種不同類型數(shù)據(jù)源的信息。2.1感知模塊

-多模態(tài)信息輸入核心目標(biāo)

：將語音信號準(zhǔn)確轉(zhuǎn)換為文本，作為后續(xù)NLP處理的輸入關(guān)鍵技術(shù)：?

聲學(xué)模型

(Acoustic

Model):將音頻

特征映射到音素單元。?

語言模型

(Language

Model

inASR):確保轉(zhuǎn)錄文本的流暢性和合理性。?

端到端模型

(End-to-EndModels):直接從音頻到文本挑戰(zhàn)

：?

口音、噪聲、遠(yuǎn)場識別、多人對話（說話人分離）、實時性2.2感知模塊

-關(guān)鍵技術(shù)（從原始信號中提取核心信息）核心目標(biāo)：從文本中提取意義、意圖和關(guān)鍵實體關(guān)鍵技術(shù)：?自然語言理解

(NLU):解析用戶指令、提取關(guān)鍵信息(實體、意圖、槽位填充)、理解上下文。?

命名實體識別

(NER):提取文本中的關(guān)鍵實體（人名、地名、組織、時間等）。?

情感分析

(SentimentAnalysis):判斷文本的情感傾向（積極、消極、

中性）。?

關(guān)系抽取

(Relation

Extraction):從文

本中抽取實體間的關(guān)系核心目標(biāo)

：從圖像或視頻中識別對象、理解場景內(nèi)容關(guān)鍵技術(shù)：?目標(biāo)檢測

(Object

Detection):定位并識

別圖像中的物體。?

場景理解

(Scene

Understanding):分析圖像或視頻的整體場景、物體間關(guān)系及上下文。?

光學(xué)字符識別

(OCR):從圖像中提取文字。?

視覺問答

(VQA):根據(jù)圖像內(nèi)容回答問題。

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）26

自動語音識別(ASR)-理解語音信息自然語言處理(NLP)-理解文本信息計算機(jī)視覺(CV)–理解視覺信息12327AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）核心環(huán)節(jié)：環(huán)境狀態(tài)表征(Environment

State

Representation)–塑造Agent的“世界觀”n定義：將來自一個或多個感知通道（如文本、視覺、

聽覺、傳感器數(shù)據(jù)等）的、經(jīng)過初步處理的信息，融合、提煉并組織成一個與任務(wù)相關(guān)的、Agent內(nèi)部可用的對當(dāng)前環(huán)境的統(tǒng)一描述。n

重要性：

它是連接多樣化原始感知與統(tǒng)一認(rèn)知決策的關(guān)鍵樞紐。

優(yōu)質(zhì)的狀態(tài)表征能顯著提升Agent的決策效率、準(zhǔn)確性和泛化能力。n

關(guān)鍵任務(wù)與技術(shù)思路：

多模態(tài)信息融合(Multimodal

Fusion):如何有效結(jié)合來自不同感官（如文本描述與對應(yīng)圖像）的信息，形成更全面的理解。?技術(shù)方向：早期融合、晚期融合、基于Transformer的跨模態(tài)注意力機(jī)制。

相關(guān)性與顯著性判斷

(Relevance&Salience

Detection):從海量感知信息中篩選出對當(dāng)前任務(wù)和Agent目標(biāo)最重要的部分，忽略無關(guān)噪聲。?技術(shù)方向：注意力機(jī)制、基于學(xué)習(xí)的重要性加權(quán)。

結(jié)構(gòu)化與符號化(Structuring&Symbolization):將信息組織成便于推理和規(guī)劃的格式。?示例：對象列表及其屬性、場景圖、符號化的事實斷言、向量嵌入。

State

Representation

Learning(SRL)

：利用（自）監(jiān)督學(xué)習(xí)方法，從原始觀測數(shù)據(jù)中自動學(xué)習(xí)到緊湊、信息豐富且對下游任務(wù)有益的狀態(tài)表示。?

目標(biāo)：解耦變化因素、捕捉動態(tài)特性、提高泛化性。

898PEKING

UNIVERSITY

N

I

V在通過NLP、

CV、

ASR等技術(shù)從不同模態(tài)獲取初步信息后，感知模塊的核心任務(wù)是將這些多源、異構(gòu)的信息進(jìn)行整合、抽象與結(jié)構(gòu)化，最終形成一個Agent內(nèi)部用于后續(xù)認(rèn)知、規(guī)劃和決策的統(tǒng)一、連貫的“環(huán)境狀態(tài)表征”。?技術(shù)方向：變分自編碼器

(VAEs)、對比學(xué)習(xí)、預(yù)測編碼n產(chǎn)出：一個內(nèi)部一致的、可操作的、反映了Agent對當(dāng)前環(huán)境理解的“狀態(tài)”，為認(rèn)知模塊的規(guī)劃、推理和決策提供直接輸入。2.2感知模塊

-關(guān)鍵技術(shù)（整合多源信息，構(gòu)建環(huán)境狀態(tài)表征）2.3感知模塊

-挑戰(zhàn)與前沿：動態(tài)與不確定環(huán)境下的狀態(tài)感知前沿方向

世界模型

(World

Models)

：學(xué)習(xí)一個環(huán)境的動態(tài)模型，使其能夠預(yù)測未來狀態(tài)和行動后果，這種預(yù)測本身就是一種深層次的狀態(tài)理解。

神經(jīng)符號方法

(Neuro-SymbolicApproachesforState

Representation)

：結(jié)合深度學(xué)習(xí)的模式識別能力與符號邏輯的推理能力，構(gòu)建更魯棒和可解釋的狀態(tài)表征。挑戰(zhàn)1

：部分可觀測環(huán)境

(POMDP)

在現(xiàn)實世界中，Agent往往無法完全觀測到真實的環(huán)

境狀態(tài)

，只能依賴

帶

噪聲

、

不

完

整

的

觀

測

(Observations)

來

推

斷

。（

現(xiàn)

實世界

中

的

大多數(shù)

Agent任務(wù)都屬于POMDP）

核心問題：如何從歷史觀測序列中推斷當(dāng)前最可能

的

真

實狀態(tài)

，即構(gòu)建

和

維護(hù)信

念狀態(tài)(BeliefState)——對真實狀態(tài)的概率分布。感知模塊不僅是簡單的數(shù)據(jù)采集，更是一個復(fù)雜的、

動態(tài)的、

基于推理的理解過程。有效的環(huán)境狀態(tài)表征是Agent智能行為的基石，尤其在面對真實世界的不確定性和動態(tài)性時，其挑戰(zhàn)與重要性愈發(fā)凸顯。挑戰(zhàn)2

：動態(tài)環(huán)境與持續(xù)學(xué)習(xí)

環(huán)境狀態(tài)是持續(xù)變化的，Agent需要有能力實時更新

其狀態(tài)表征。

新信息的融入可能需要調(diào)整已有的狀態(tài)理解，這與Agent的持續(xù)學(xué)習(xí)和適應(yīng)能力緊密相關(guān)。挑戰(zhàn)3

：可解釋性與可信賴性

Agent如何表征其狀態(tài)，以及為何形成這樣的表征，對于理解其后續(xù)決策至關(guān)重要。

需要探索更具可解釋性的狀態(tài)表征方法。

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）28

認(rèn)知與決策模塊(Cog

n

ition

&

Decision

Making

/

Reasoning

)

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）29

n

定義與核心功能：

Agent的

“中央處理器”，負(fù)責(zé)基于感知模塊提供的環(huán)境狀態(tài)和內(nèi)

部目標(biāo)，進(jìn)行思考、推理、規(guī)劃，并最終做出行動決策。

Agent智能水平的集中體現(xiàn)。n

四大核心組成部分：1.核心引擎：大型語言模型

(LLM)-提供基礎(chǔ)理解、推理和生成能力。2.

規(guī)劃(Planning)-如何達(dá)成目標(biāo)？制定行動序列。3.

記憶(Memory)-如何存儲和利用經(jīng)驗與知識？4.

學(xué)習(xí)與適應(yīng)(Learning&Adaptation)-如何從經(jīng)驗中進(jìn)化？3.1認(rèn)知與決策模塊

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）30

認(rèn)知與決策模塊–Agent的“大腦”與智能核心核心引擎-LLM：認(rèn)知核心的驅(qū)動力n

指令理解與意圖識別：

LLM強(qiáng)大的NLU能力使其能準(zhǔn)確理解復(fù)雜、模糊的用戶指令或內(nèi)部目標(biāo)。

例如：將

“幫我規(guī)劃一次去北京的三天旅游，預(yù)算5000元，喜歡歷史古跡”轉(zhuǎn)化為明確的任務(wù)需求。n

上下文理解與長程依賴：

LLM通過Attention機(jī)制能捕捉和利用上下文信息。

挑戰(zhàn)：

有限的上下文窗口

(Context

Window)限制了處理真正長程依賴的能力。

Agent框架的方案：?滑動窗口

(SlidingWindow):保留最近的交互歷史。?摘要機(jī)制

(Summarization):定期將早期對話或信息壓縮成摘要，注入上下文。?與外部記憶模塊結(jié)合

(RAG等):將相關(guān)歷史信息動態(tài)檢索并加入提示。n

常識推理與知識運用：LLM預(yù)訓(xùn)練中學(xué)習(xí)了海量世界知識和常識，能進(jìn)行一定程度的推理。3.2核心引擎：LLM的角色與能力LLM在Agent中：通常作為中央控制器或推理引擎，協(xié)調(diào)其他組件工作。

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）31

2.LLM的局限性及其彌補策略n

幻覺

(Hallucination):編造不實信息。

彌補：

工具調(diào)用

(Tool

Use)進(jìn)行事實核查

(e.g.,搜索引擎、

計算器)、引用外部知識庫

(RAG)、

自我反思與修正機(jī)制。n

知識截止

(Knowledge

Cutoff):缺乏最新信息。

彌補

：實時工具調(diào)用

(e.g.,聯(lián)網(wǎng)搜索)、定期更新/微調(diào)模

型、

RAG訪問最新文檔。n

邏輯推理脆弱性：在嚴(yán)格邏輯或數(shù)學(xué)問題上可能出錯。

彌補

：調(diào)用代碼執(zhí)行器、符號計算工具

(e.g.,Wolfram

Alpha)、專用邏輯推理模塊。1.關(guān)鍵技術(shù)

-推理增強(qiáng)技術(shù)n

思維鏈

(Chain-of-Thought,CoT):

引導(dǎo)LLM逐步思考，輸出中間推理步驟，而非直接給出答

案“

Let's

think

step

by

step.”

示例：問題

-

>思考步驟1

-

>思考步驟2

-

>

...

-

>答案n

思維樹

(Tree-of-Thought,ToT):

將問題求解過程建模為樹搜索，LLM在每個節(jié)點生成多個

想法(thoughts)，并評估這些想法，進(jìn)行前瞻和回溯。

示例：樹狀結(jié)構(gòu)，從問題節(jié)點分叉出不同思考路徑n

思維圖

(Graph-of-Thought,GoT):

將LLM生成的thoughts組織成圖結(jié)構(gòu)，允許更靈活的聚合

和轉(zhuǎn)換，提升推理的全局性和迭代性。

示例：網(wǎng)絡(luò)圖結(jié)構(gòu)，節(jié)點代表思考單元，邊代表關(guān)系3.2核心引擎：LLM的角色與能力

-推理增強(qiáng)與局限彌補

AI肖睿團(tuán)隊

學(xué)習(xí)交流可加AI肖睿團(tuán)隊助理微信號（ABZ2829）32

目標(biāo)：提升LLM在復(fù)雜問題上的推理能力和結(jié)果的可靠性，讓LLM“想得更明白”。規(guī)劃（Planning）：為達(dá)成特定目標(biāo)而制定一系列行動步驟的過程。n任務(wù)分解

(Task

Decomposition)的核心價值：1.明確化與可操作化

：將抽象目標(biāo)轉(zhuǎn)化為具體步驟。2.

降低復(fù)雜度：簡化問題，實現(xiàn)“分而治之”。3.增強(qiáng)執(zhí)行靈活性：便于并行處理、錯誤恢復(fù)和動態(tài)調(diào)整。n

實現(xiàn)任務(wù)分解的主要技術(shù)路徑：1.

分層規(guī)劃

(Hierarchical

Planning):

核心思想：從高層抽象任務(wù)開始，通過多層級逐步細(xì)化到具體的子任務(wù)序列，直至可執(zhí)行的原子操作。

優(yōu)勢

：提高規(guī)劃效率，生成更具可解釋性的計劃，適用于復(fù)雜領(lǐng)域。2.

分層任務(wù)網(wǎng)絡(luò)

(HierarchicalTask

Networks,

HTN):

一種經(jīng)典AI規(guī)劃方法，使用“方法”來描述如何將一個任務(wù)分解為一個或多個子任務(wù)序列。

核心組件：?任務(wù)

(Tasks):待完成的目標(biāo)或活動。?方法

(Methods):描述如何將一個非基本任務(wù)分解為一個或多個（有序或部分有序的）子任務(wù)序列。提供了預(yù)定義的任務(wù)分解模式。?操作符

(Operators/

PrimitiveTasks):對應(yīng)Agent可直接執(zhí)行的基本動作，具有明確的前置條件和效果。

工作方式：通過遞歸應(yīng)用方法來分解任務(wù)，直到所有任務(wù)都變成操作符

898PEKING

UNIVERSITY

N

I

V3.LLM驅(qū)動的任務(wù)分解：

利用LLM的理解和生成能力，直接將用戶的高層指令分解為子任務(wù)列表。

例如，用戶說“幫我組織一個團(tuán)隊下周的線上技術(shù)分享會?！?/p>

，LLM分解為“1.確定分享會主題和主講人。

享材料和演示。4.預(yù)訂線上會議室并測試設(shè)備。

5.會后收集反饋。”等。

優(yōu)勢：對模糊指令的適應(yīng)性強(qiáng)，能利用常識進(jìn)行分解，交互更自然。

挑戰(zhàn)：分解結(jié)果的邏輯性、完備性、可執(zhí)