前文我们介绍了用户与 LLM 的交互方式，并简单介绍了多智能体系统

本文介绍 AI Agent 的组件构成。智能体（Agents） 是由多个组件系统构成的复杂单元。基于这些组件，智能体执行任务，实现任务目标。组件本身可能是简单或复杂的系统，通常可分为以下五大类别。

角色设定

角色设定代表了 Agent 的基础定义。角色设定（通常称为系统提示 System Prompt）指导 Agent 完成任务、学习如何作出反应。角色设计通常包含角色背景、人口属性（demographics）

🎭角色背景

• 职能定位（如客服专员、数据分析师、程序员、作家）

• 交互风格（正式/亲切、简洁/详尽）

• 知识边界（专业领域与权限范围）

🧬人口属性

添加人口属性（如年龄、性别、文化背景），可增强 Agent 交互的场景适配性与用户信任感。

• 年龄/性别：影响语言风格

• 文化背景：决定禁忌话题与礼仪（如节日问候）

• 专业履历：赋予领域权威性（如“10 年金融从业经验”）

Agent 的角色设定的创建方法：人工设定、LLM 辅助生成、基于数据或算法（如，进化算法）生成。

动作与工具使用

智能体（agents）为了完成任务或获取信息，需要执行一系列动作或使用外部工具。

智能体的动作可分为任务执行（task completion）、探索（exploration）和沟通（communication）。执行动作，会对智能体所在的环境及内部状态产生不同程度的影响。

🎯动作目标（Action Target）

动作目标，明确智能体的行为目的。理解动作目标（action target） 有助于我们为任务完成、探索或沟通定义清晰的目标。动作目标的表示形式：

• 语义函数：由LLM驱动的自然语言指令（如“查询某国前五大城市”）

• 原生函数：代码实现的底层操作（如文件读写、API调用）

🌌动作空间（Action Space）

动作空间定义了智能体在环境中可执行的所有可能动作集合，动作空间包括：

• 工具：外部API/物理设备（如数据库查询）；

• 自身知识：Agent内置规则库；

• 其他智能体：多Agent协同（如任务分配）

💥动作效果（Action Impact）

动作效果揭示了动作如何影响任务结果、智能体环境及其内部状态。认识动作效果，有助于执行任务过程中进行高效决策。执行动作，可能对以下因素产生影响：

• 智能体环境（如物理状态或交互场景）

• 内部状态（如知识库更新、情绪模拟）

• 其他智能体：协同网络

🤖动作生成（Action Generation）

动作生成方法有三类：人工创建、从智能体记忆中回顾、遵循预定义计划。

• 人工创建：用户直接指令；

• 从记忆中回顾：从长期记忆检索历史经验；

• 遵循预定义计划：执行预设任务序列；

记忆与知识

智能体利用知识与记忆，在规定的最大 tokens 数的情况下，为上下文补充最相关的信息。

📚检索组织结构

• 统一结构（Unified Structure）：所有知识记忆子集遵循单一组织形式（如纯向量索引或纯关系数据库）；

• 混合结构（Hybrid Structure）：融合多种存储形式（如“向量数据库+图数据库+时序日志”），具有灵活性、扩展性优点。

📊检索数据形式

• 语言文档：PDF、HTML 等非结构化文本，需分块（chunking）后提取语义

• 数据库：关系型数据库、文档数据库、对象数据库

• 向量嵌入（Embeddings）

• 简单列表（作为轻量级记忆缓存）

🔍检索操作

• 增强（Augmentation）：将检索结果作为上下文，增强智能体的决策能力。

• 语义提取（Semantic Extraction）：基于向量嵌入（Embeddings）的相似性搜索。

• 压缩（Compression）：减少冗余信息，提升检索效率

推理与评估

推理（Reasoning） 使智能体能够自我反思（self-reflect），对任务进行逻辑分解与路径规划，生成内部思考。评估（Evaluation） 对任务执行过程及结果进行量化或定性分析，为智能体在任务处理过程及任务完成时的自我反思提供基础。

🧠推理技术

从基础提示（Zero/One/Few-shot）→ 链式推理（CoT）→ 多路径探索（ToT）→ 骨架加速（SoT），逐步增强模型解决复杂问题的能力。

• 零样本提示：直接向模型下达任务指令，不提供任何示例，依赖模型预训练知识生成回答

• 单样本提示：提供1个示例，引导模型学习任务格式与逻辑

• 少样本提示：提供3-5个多样化示例，强化模型对复杂任务模式的理解

• CoT，思维链：要求模型分步展示推理过程

• ToT，思维树：模拟人类多路径探索与回溯的决策过程，将问题分解为树状路径，通过搜索算法选择最优解。

• SoT，思维骨架：模仿人类“先列提纲、再填充细节”的认知过程，首先生成答案要点骨架，再并行填充细节

📏评估技术

自洽性（Self-consistency）通过群体决策提升可靠性，提示链（Prompt Chaining）通过流程分解确保任务可控性。

• 自洽性（Self-Consistency）（自洽性）：生成多条推理路径，投票选择最一致的答案。

• 提示链（Prompt Chaining）：将复杂任务分解为有序子任务链，前序输出作为后续输入。通过中间结果追溯错误来源。

规划与反馈

🤖无反馈规划（自主式）

智能体基于预设规则独立执行任务，不依赖外部反馈进行动态调整的规划模式。

• 基础规划：静态任务分解策略（如甘特图、任务清单），无复杂推理或工具调用

• 自动工具调用的推理：通过LLM自动生成工具调用程序，实现代码执行/API调用

• 顺序规划：线性执行子任务（如关键路径法），无并行或动态路径优化

🔄带反馈规划

通过环境/人类/模型反馈动态修正计划的适应性机制。

• 环境反馈：传感器/API返回的实时状态信号（如自动驾驶中的路况变化）

• 人类反馈：用户主动提供的修正指令或评分（如医生调整AI诊断结果）

• LLM反馈：模型通过自洽性校验（Self-consistency）或反思链（Reflection）生成优化建议

• 自适应建设性反馈：根据错误类型动态调整的改进机制（如计划内细化、技能发现）

上为关于 AI Agent 组件构成的介绍。本文为《AI Agents in Action》的读书笔记。

欢迎关注我，后续介绍 AI Agent 的相关内容。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​