AI为什么总是“不听话”？因为你没搞懂智能体Agent的定义！
欢迎来到智能体的世界！智能体，尤其是 AI Agent 是2025年最热门的AI话题，我们今天就从这篇文章开始，来构建自己的 AI Agent。本文我们就先来认识一下什么是 Agent。
一、Agent 定义
一个 agent 是任何可以被视为通过传感器感知环境，并通过执行器作用于该环境的实体。 —— Russell & Norvig，《人工智能：一种现代方法》(2016)
看到这概念这个概念是不是感到非常地抽象，关于 Agent 的定义，我看了一些资料给出的定义也不太一样。下面做一个罗列。
huggingface 的 Agent Course 给出的定义
智能体（Agent）是一个利用人工智能模型与环境交互以实现用户定义目标的系统。它结合了推理、规划和行动执行（通常通过外部工具）来完成任务。
OpenAI 的 AGI 五级分类：
- Level 1: Conversational AI，仅限于语言对话，能力有限
- Level 2: Reasoners，在专业领域能够独立推理，不需外部工具
- Level 3: Agents，能长时间自主行动执行任务
- Level 4: Innovators，产生新思路，推动科技突破
- Level 5: Organizers，能管理协调整个组织
前 OpenAI 研究副总裁 翁荔 （Lilian Weng） 的定义
Agent = 大模型 + 记忆 + 主动规划 + 工具使用
LangChain 作者 Horrison 的定义
Agent是一个使用 LLM 决定应用程序控制流的系统。
吴恩达在他的公开课中提到 Agentic
提出不必拘泥于“是否属于 Agent” 而是应关注其具备 “Agentic（智能属性的程度）” 。
Agent 总结
通过上述对 Agent 的讨论发现，通过讨论什么是 Agent，好像业界没有一个通识的定义，这可能和 Agent 目前是一个蓬勃发展的新事物有关系。与其讨论哪些算 Agent，不如承认系统具备 “agentic（渐进的智能属性）”的程度可以不同。
类似自动驾驶汽车的 L1-L4 分级， 一个 agentic system 的智能程度是可以有不同等级的，取决于LLM对系统行为的决策权重。
通过上述讨论我们发现，虽然对于智能体的定义好像还是很模糊，但是我可以清晰的感觉到渐进的智能属性，它好像就是一个人，它能感知到环境，使用工具，做出决策，采取行动，来实现特定的目标。
类比人遇到一个问题，解决的过程，Agent 可以对任务进行拆解，把一个大的问题转化成一系列小的问题，然后更具不同的问题的特征，如需要使用搜索引擎查找互联网上的知识，又或者自己来做（通过使用大模型）在解决了一个一个的子问题之后，生成最后的解决结果。
由此来看，Agent 可以自主的运行，无须人工的干预，在执行的过程中对环境的变化能够做出实时的响应，具有规划能力，还具有记忆能力能够记住之前处理的字问题的结果。
通过上面的描述，可以发现，将 Agent 定义为：大模型 + 记忆 + 主动规划 + 工具使用。更符合我对智能体的了解，同时这个定义也说明了该系统具有智能的属性。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。