大语言模型通识微课课件：构建大模型智能体.pptx

;尽管能力出色，但大模型还只是被动的工具，它们依赖简单的执行过程，无法直接当智能体使用。智能体机制具有主动性，特别是在与环境的交互、主动决策和执行各种任务方面。另外智能体通过挖掘大模型的潜在优势，可以进一步增强决策制定，特别是使用人工、环境或模型来提供反馈，使得智能体可以具备更深思熟虑和自适应的问题解决机制，超越大模型现有技术的局限。可以说，智能体是真正释放大模型潜能的关键，它能为大模型核心提供强大的行动能力；而另一方面，大模型能提供智能体所需要的强大引擎。可以说，大模型和智能体可以相互成就。;智能体根据设定的目标，确定好需要履行特定角色，自主观测感知环境，根据获得的环境状态信息，检索历史记忆以及相关知识，通过推理规划分解任务并确定行动策略，并反馈作用于环境，以达

成目标。在这个过程中，智能体持续学习，以

像人类一样不断进化。基于大模型来构建一个

智能体，能充分地利用大模型的各种能力，驱

动不同的组成单元。

图10-4基于大模型的智能体应用;智能体本身包括观测感知、记忆检索、推理规划和行动执行等模块。它呈现强大能力的关键在于系统形成反馈闭环，使得智能体可以持续地迭代学习，不断地获得新知识和能力。反馈除了来自环境外，还可以来自人类和语言模型。智能体不断积累必要的经验来增强改进自己，以显著提高规划能力并产生新的行为，以越来越适应环境并符合常识，更加完满地完成任务。

在执行任务过程中的不同阶段，基于大模型的智能体通过提示等方式与大模型交互获得必要的资源和相关结果。;基于大模型的智能体观测并感知环境及其动态变化；获取不同来源的环境数据，往往包括以多模态的形式呈现的文本、语音或视觉等，并经过处理作为观测到的环境信息。智能体记忆其中的部分信息，并从中检索获得历史序列，结合内置的知识，作为其规划形成行动决策的依据。

（1）感知空间：用户可以通过自然语言和智能体交流，也可以作为交流媒介与其他智能体交流，实现个性化和环境目标泛化。

（2）可观察性：智能体是否可以充分地观测感知到与规划决策相关的环境信息，并从获得的历史信息中了解到环境的相关状态。;记忆检索模块可以为智能体内置相关知识，同时也存储智能体的经验，包括环境状态和行动的历史信息，检索记忆的知识和经验来规划未来的行动。记忆检索模块帮助智能体持续学习，不断进化，并以更一致、合理和有效的方式行动。

（1）历史记忆。通过记忆模块，基于大模型的智能体可以模拟认知科学研究了解的人类记忆过程原则和机制。人类记忆遵循从感觉记忆（记录知觉输入）、到短期记忆（短暂维持信息）、再到长期记忆（长时间内巩固信息）的进程。;（2）知识记忆。根据其应用场景，智能体往往内置一定的知识，主要包括语言、常识、领域等。

（3）记忆存储。可以通过以自然语言或者嵌入等方式来实现记忆存储。根据不同的应用场景，采用适当的数据结构的记忆方式，提高记忆效率。

（4）记忆管理。根据需要利用大模型将存储在记忆中的过去经验总结简化成更广泛和更抽象见解的能力，以便以后更加有效快捷检索记忆。

（5）记忆检索。从记忆中快速地检索最合适的内容，确保了智能体可以访问相关准确的信息以执行特定的操作。;推理和规划对于智能体处理复杂任务至关重要。它给智能体赋予一种结构化的思考过程，即组织思维、设定目标，并确定实现这些目标的步骤。比如，通过推理规划，智能体将复杂的任务拆分为更易管理的子任务，并为每个子任务的完成制定适当的计划。规化的结果是形成行动策略，即智能体执行行动的方法。这些策略可能是回忆经验、多轮互动、反馈调整和融入外部工具。

推理和规划包括目标确认、任务分解、规划反思、规划工具等内容。;智能体的执行任务的过程中，推理规划确定行动策略，动作执行模块接收相应的行动序列，并执行与环境互动相关的操作，分步将行动策略强加到环境，实现该任务的目标。在策略执行中，智能体可能通过将任务分解成许多子任务来制定行动计划。

（1）语言文本。可以通过大模型的语言生成能力输出作为行动执行指令来驱动影响环境，而无须借助外部工具。输出结果包括推理规划能力、对话交流能力、获取知识能力、场景理解能力，这些能力进而驱动智能体本身的行动执行器或其他外部环境的智能体相关的行动。;（2）工具使用。通过引入工具扩展行动执行能力，使其更有能力应对专业或复杂的任务。这些工具包括API、知识库、视觉模型、语言模型、知识图谱、Web信息等，可以弥补基于大模型的智能体存在固有限制。

（3）工具生成。智能体可以根据需要创建可复用的满足特定需求的工具。

（4）具身行动。是指将模型智能与物理世界相结合，使基于大模型的智能体能够主动感知、理解和与环境互动，类似于人类行为。;