- Published on
AI探秘-大模型基础概念
- Authors
- Name
- noodles
- 每个人的花期不同，不必在乎别人比你提前拥有
AI Agent
AI Agent是一个系统，它通过为大模型(LLM)提供工具和知识访问权限，使其能够执行操作并扩展其能力。
AI Agent是一个由多个组件组成的系统，它包括:
- Sensors(传感器):负责从环境中收集各种类型的信息，并将这些信息传递给Agent的核心决策系统
- Actuators(执行器):执行Agent的决策动作，获得环境反馈，影响环境状态
- Memory(记忆):存储和管理Agent的信息，包括历史记录、经验积累、知识管理和上下文保持
- Planner(规划器):制定行动计划和策略，包括目标分析、路径规划、资源分配和风险评估
- Reasoner(推理器):进行逻辑推理和决策分析，包括因果分析、决策支持和问题诊断
- Communicator(通信器):处理信息交换和交互沟通，支持多模态通信和协议适配
AI Agent系统采用双层认知架构,包括认知层(Cognitive Layer)和元认知层(Metacognitive Layer),这种设计使Agent能够像人类一样进行智能思考和自我调节。
- 认知层(Cognitive Layer) 感知(Sensors)、推理(Reasoner)、决策(Planner)、执行(Actuators)、记忆(Memory)、通信(Communicator)
- 元认知层(Metacognitive Layer) 监控、评估、调节、优化、策略选择、学习
AI Agent类型
| AI Agent类型 | 描述 | 优缺点 |
|---|---|---|
| Simple Reflex Agents(简单反射型Agent) | 基于预定义规则执行即时动作，不考虑历史或未来 | 响应快速，实现简单，无法处理部分可观察环境，缺乏记忆 |
| Model-Based Reflex Agents(基于模型的反射型Agent) | 基于世界模型和模型变化执行动作 | 能够处理部分可观察环境，具有记忆，但实现复杂 |
| Goal-Based Agents(目标导向型Agent) | 通过解释目标并确定达成目标的行动来创建计划 | 能处理复杂任务，方向明确，可能陷入局部最优 |
| Utility-Based Agents(基于效用的Agent) | 考虑偏好并通过数值权衡来确定如何达成目标 | 能平衡多个目标，决策更理性，效用函数设计复杂 |
| Learning Agents(学习型Agent) | 通过响应反馈并相应调整行动来随时间改进 | 适应性强，能处理未知情况，需要大量训练数据 |
| Hierarchical Agents(层次型Agent) | 具有分层系统中的多个代理，高层代理将任务分解为子任务供低层代理完成 | 能处理复杂任务，模块化设计，层级设计复杂，通信开销大 |
| Multi-Agent Systems (多Agent系统) | 多个Agent协作或竞争完成任务 | 能处理分布式复杂问题，协调困难，可能出现冲突 |
AI Agent框架
AI Agent框架是软件开发框架，专门用于构建、部署和管理AI Agent系统。它提供了一套完整的工具、库、API和基础设施，让开发者能够快速创建智能代理应用。
主流AI Agent框架对比
| 框架名称 | 开发语言 | 核心特性 | 适用场景 | 学习曲线 |
|---|---|---|---|---|
| LangChain | Python/JS | 链式调用、工具丰富、生态完善 | 通用应用、快速原型 | 中等 |
| AutoGPT | Python | 自主执行、目标导向、任务分解 | 自动化任务、创意工作 | 简单 |
| CrewAI | Python | 多Agent协作、角色定义、任务分配 | 团队协作、复杂项目 | 中等 |
| LlamaIndex | Python | 数据索引、知识检索、RAG优化 | 知识库、文档处理 | 简单 |
| Semantic Kernel | C#/Python | 企业级、多语言、插件系统 | 企业应用、.NET生态 | 中等 |
| LangGraph | Python | 图状态机、复杂流程、状态管理 | 复杂工作流、状态机 | 较难 |
Agentic RAG(智能代理检索增强生成)
Agentic RAG是传统RAG(Retrieval-Augmented Generation)的升级版本，它将AI Agent的智能决策能力与RAG的信息检索能力相结合，创造出更加智能和主动的信息处理系统。
Agentic RAG的循环交互模式
Agentic RAG系统依赖循环交互模式，通过多轮迭代不断优化检索策略和结果质量。
1. 初始调用(Initial Call)
- 用户目标传递:用户提示被传递给LLM
- 意图分析:系统分析用户的具体需求和目标
- 任务规划:制定初步的信息检索和处理计划
2. 工具调用(Tool Calling)
- 信息缺口识别:模型识别当前信息的不完整性或模糊性
- 工具选择:选择合适的工具或检索方法
- 检索执行:
- 向量数据库查询(如Azure AI Search Hybrid搜索)
- 结构化SQL调用
- 外部API调用
- 知识图谱查询
3. 评估与优化(Evaluation & Optimization)
- 信息充分性评估:审查返回的数据是否满足需求
- 质量检查:评估信息的准确性、相关性和完整性
- 策略调整:
- 优化查询参数
- 尝试不同的检索工具
- 调整检索策略和方法
4. 重复直到满意(Iterate Until Satisfied)
- 持续循环:重复检索-评估-优化过程
- 收敛判断:直到模型认为已获得足够清晰度和证据
- 最终响应:提供经过深思熟虑的最终答案
5. 记忆与状态(Memory & State)
- 状态保持:系统在步骤间保持状态和记忆
- 历史记录:回忆之前的尝试及其结果
- 智能决策:避免重复循环，做出更明智的决策
MCP
MCP(Model Context Protocol)是由Anthropic发布了一种大模型与外部数据源工具的集成标准。它定义了大模型如何安全、高效地访问和利用外部资源。
- 模型幻觉 大模型回答不了解的问题时可能产生虚假信息
- 信息过时 训练数据可能过时，无法提供最新信息
- 功能局限 大模型只能对话，无法执行实际任务
MCP Host(宿主应用)
通常是LLM的宿主应用。主要负责
- 创建和管理MCP Client
- 与大模型LLM交互
- 实现安全策略和权限控制
- 协调整个MCP系统
MCP Client(客户端)
MCP Client是与大模型直接交互的组件
- 与MCP Server交互获取可用工具
- 接收大模型的工具调用请求
- 执行对MCP Server的工具调用
- 将结果返回给大模型
MCP Server(服务器)
MCP Server提供具体工具和服务的组件
- 提供各种工具和服务
- 处理来自Client的工具调用
- 执行具体的业务逻辑
- 返回执行结果
A2A
A2A(Agent-to-Agent)是一种专门用于AI Agent之间进行通信、协作和协调的协议标准，它定义了多个Agent如何相互理解、协作和协调行动。
协议层次结构
┌─────────────────────────────────────┐
│ 应用层协议 │
│ (任务协作、知识共享、决策协调) │
├─────────────────────────────────────┤
│ 会话层协议 │
│ (对话管理、状态同步、上下文维护) │
├─────────────────────────────────────┤
│ 传输层协议 │
│ (消息传递、数据交换、安全传输) │
├─────────────────────────────────────┤
│ 网络层协议 │
│ (连接建立、路由选择、网络管理) │
└─────────────────────────────────────┘
核心组件
- Agent Registry: Agent注册和发现服务
- Message Router:消息路由和分发
- Collaboration Engine:协作引擎和协调器
- Security Manager:安全管理和权限控制
A2A通信模式
点对点通信
Agent A ←→ Agent B
- 直接通信:两个Agent直接交换消息
- 双向交互:支持双向的信息交换
- 实时响应:支持实时的交互和响应
广播通信
Agent A → 广播消息 → Agent B, C, D...
- 一对多通信:一个Agent向多个Agent广播消息
- 事件通知:通知系统中的重要事件
- 状态同步:同步系统状态信息
组播通信
Agent A → 组播消息 → Agent组 {B, C, D}
- 选择性广播:向特定的Agent组发送消息
- 角色管理:基于角色和权限的消息分发
- 协作协调:协调特定组内的Agent行动
A2A协作模式
主从协作
主Agent → 任务分配 → 从Agent
↓
结果收集 ← 任务执行 ← 从Agent
- 任务分解:主Agent将任务分解为子任务
- 资源分配:分配任务给合适的从Agent
- 结果整合:收集和整合各从Agent的执行结果
对等协作
Agent A ←→ 协商 ←→ Agent B
↓ ↓
任务A 任务B
↓ ↓
结果A ←→ 结果整合 ←→ 结果B
- 平等地位:所有Agent地位平等
- 协商机制:通过协商确定协作方式
- 结果整合:整合各Agent的执行结果
竞争协作
Agent A ←→ 竞争 ←→ Agent B
↓ ↓
资源竞争 任务竞争
↓ ↓
协商解决 ←→ 冲突解决 ←→ 协商解决
- 资源竞争:竞争有限的资源
- 任务竞争:竞争任务执行权
- 冲突解决:通过协商解决冲突