hello-agent 学习打卡 Task01 0915

阅读《初识智能体》

https://github.com/datawhalechina/hello-agents/blob/main/docs/chapter1/第一章 初识智能体.md

智能体的组成

1. 任务环境：PEAS模型
   a. 性能Performance
   b. 环境Environment
   c. 执行器Actuators
   d. 传感器Sensors
2. 运行机制：通过一个持续的循环和环境交互
   a. 感知Perception（获取/接收数据）
   b. 思考Thought（规划，执行工具选择）
   c. 行动Action(执行)
3. 交互协议：规范与环境的互动
   a. 思考Thought: 分析当下，回顾上一次，反思，制定下一步
   b. 行动Action

智能体种类-决策架构

依据智能体的决策机制，可划分成2类：传统智能体，LLM智能体（大语言模型Large Language Model）

传统智能体

行为模式确定有边界，依赖人。内部的逻辑判断都是预先写好的，按部就班执行
按照发展历史，可划分成以下几种：
a. 反射智能体，依赖当前输入，不具备记忆或预测能力
b. 基于模型的反射智能体，内置一个世界模型，尝试理解世界
c. 基于目标的智能体，主动、有预见地做出选择，思考应该做什么才能达成目标
d. 基于效用的智能体，为满足多目标权衡，思考哪种行为能带来最满意的结果
e. 学习型智能体，相比前4种，多了一个学习元件（如强化学习），主动和环境互动，如AlphaGo Zero

LLM智能体

借助海量数据预训练，构建一个潜在的世界模型认知，灵活应对任务。
典型LLM：GPT（Generative Pre-trained Transformer）

智能体种类-时效性

权衡：追求速度，追求最优解
可分为反应式智能体，规划式智能体，混合式智能体

智能体种类-知识表示

用于决策的知识，是怎么存在在“思想”中

亚符号主义 AI（Sub-symbolic AI）

知识分布在一个神经网络中，从海量数据中得到统计结论。没有显式规则。

符号主义 AI（Symbolic AI）

智能源于对符号（人类可读）的逻辑操作，操作遵循严格的逻辑规则。对于未知的东西，存在瓶颈。

神经符号主义 AI（Neuro-Symbolic AI）

混合上述两种，既像神经网络从数据中学习，又像符号系统进行逻辑推理。

智能体应用方式

1. 深度集成到开发者的工作流，增强能力
   命令-执行
   如GitHubCopilot、Claude Code、Trae、Cursor...
2. 独立地进行规划、推理、执行和反思，直到最终交付成果
   目标-委托
   如CrewAI、MetaGPT、AgentScope...