人工智能智能體白皮書：2025年智能體時代來臨

谷歌在2024年底發(fā)布了《智能體》（Agents）白皮書，表明未來人工智能將在商業(yè)中扮演更積極和獨(dú)立的角色，并詳細(xì)闡述了智能體的概念、架構(gòu)、運(yùn)作方式以及相關(guān)技術(shù)，為智能體的開發(fā)和應(yīng)用提供了理論框架和實踐指導(dǎo)。

一、AI Agent的核心架構(gòu)：超越單一模型的智能系統(tǒng)

生成式人工智能（Generative AI）中的智能體可以被定義為一種應(yīng)用程序，它通過觀察世界并利用其可用的工具來實現(xiàn)目標(biāo)。智能體具有自主性，能夠在沒有人類干預(yù)的情況下獨(dú)立運(yùn)行，尤其是在被賦予明確的目標(biāo)或任務(wù)時，它們能夠表現(xiàn)出色。智能體還可以主動地朝著目標(biāo)前進(jìn)，即使在沒有明確指令的情況下，它們也能夠推理出下一步應(yīng)該做什么來實現(xiàn)最終目標(biāo)。雖然人工智能中的智能體概念是相當(dāng)廣泛且強(qiáng)大的，但本文主要關(guān)注生成式人工智能模型能夠構(gòu)建的特定類型的智能體。

二、AI Agent工具生態(tài)：構(gòu)建智能體的“瑞士軍刀”

盡管語言模型在信息處理方面表現(xiàn)出色，但它們?nèi)狈χ苯痈兄陀绊懍F(xiàn)實世界的能力。這限制了它們在需要與外部系統(tǒng)或數(shù)據(jù)交互的情況下的實用性。換言之，語言模型的能力僅限于其訓(xùn)練數(shù)據(jù)所涵蓋的內(nèi)容，無論我們向模型提供多少數(shù)據(jù)，它們?nèi)匀蝗狈εc外部世界直接交互的基本能力。那么，我們?nèi)绾钨x予模型與外部系統(tǒng)進(jìn)行實時、情境感知交互的能力呢？函數(shù)、擴(kuò)展、數(shù)據(jù)存儲和插件都是為模型提供這種關(guān)鍵能力的方式。雖然這些工具的名稱各異，但它們的作用是相同的：創(chuàng)建基礎(chǔ)模型與外部世界的連接。這種與外部系統(tǒng)和數(shù)據(jù)的連接使智能體能夠執(zhí)行更廣泛的任務(wù)，并且能夠以更高的準(zhǔn)確性和可靠性完成這些任務(wù)。例如，工具可以允許智能體調(diào)整智能家居設(shè)置、更新日歷、從數(shù)據(jù)庫中獲取用戶信息，或者根據(jù)特定指令發(fā)送電子郵件。通過為智能體配備工具，使它們不僅能夠理解世界，還能夠?qū)κ澜绠a(chǎn)生影響，從而為各種新的應(yīng)用打開了大門。主要與三種主要類型的工具進(jìn)行交互：擴(kuò)展（Extensions）、函數(shù)（Functions）和數(shù)據(jù)存儲（Data Stores）。

（一）擴(kuò)展

要理解擴(kuò)展，可以將其視為一種標(biāo)準(zhǔn)化的方式，它在應(yīng)用程序接口（API）和智能體之間架起了一座橋梁，使智能體能夠無縫執(zhí)行API調(diào)用，而無需考慮其底層實現(xiàn)細(xì)節(jié)。

假設(shè)構(gòu)建了一個智能體，其目標(biāo)是幫助用戶預(yù)訂航班。你知道你想使用航班API來獲取航班信息，但你不確定如何讓智能體調(diào)用這個API端點。一種方法是實現(xiàn)自定義代碼，該代碼會接收用戶查詢，解析查詢中的相關(guān)信息，然后進(jìn)行API調(diào)用。例如，在航班預(yù)訂用例中，用戶可能會說：“我想從A飛往B。”在這種情況下，我們的自定義代碼解決方案需要從用戶查詢中提取“A”和“B”作為相關(guān)實體，然后才能嘗試進(jìn)行API調(diào)用。但如果用戶說：“我想飛往B”，而沒有提供出發(fā)城市呢？由于缺少必要的數(shù)據(jù)，API調(diào)用會失敗，我們需要實現(xiàn)更多代碼來處理這種邊緣和特殊情況。這種方法不可擴(kuò)展，并且在超出已實現(xiàn)自定義代碼范圍的任何情況下都很容易出錯。

更穩(wěn)健的方法是使用擴(kuò)展。擴(kuò)展通過以下兩種方式在智能體和API之間架起一座橋梁：一是教會智能體如何使用API端點。二是教會智能體成功調(diào)用API所需的參數(shù)或參數(shù)是什么。擴(kuò)展可以獨(dú)立于智能體創(chuàng)建，但應(yīng)作為智能體配置的一部分提供。智能體在運(yùn)行時使用模型和示例來決定哪個擴(kuò)展最適合解決用戶的查詢。這突出了擴(kuò)展的一個關(guān)鍵優(yōu)勢：它們內(nèi)置的示例類型，允許智能體動態(tài)選擇最適合用戶查詢的擴(kuò)展。

（二）函數(shù)

在軟件工程領(lǐng)域，函數(shù)被定義為自包含的代碼模塊，用于完成特定任務(wù)，并且可以根據(jù)需要重復(fù)使用。當(dāng)軟件開發(fā)人員編寫程序時，他們通常會創(chuàng)建許多函數(shù)來完成各種任務(wù)。他們還會定義何時調(diào)用函數(shù)A而不是函數(shù)B的邏輯，以及每個函數(shù)所需的輸入是什么。

函數(shù)在智能體世界中的工作方式非常相似，只是我們可以將軟件開發(fā)人員替換為模型。模型可以從一組已知的函數(shù)中選擇，并根據(jù)其規(guī)范決定何時使用每個函數(shù)以及函數(shù)需要哪些參數(shù)。函數(shù)與擴(kuò)展有幾個不同之處，其中最顯著的是：模型輸出函數(shù)及其參數(shù)，但不會直接調(diào)用API。函數(shù)在客戶端執(zhí)行，而擴(kuò)展在服務(wù)器端執(zhí)行。

（三）數(shù)據(jù)存儲

語言模型就像一個巨大的圖書館，包含其訓(xùn)練數(shù)據(jù)。但與不斷收購新書的圖書館不同，這個圖書館是靜態(tài)的，只包含其最初訓(xùn)練時的知識。這帶來了一個挑戰(zhàn)，因為現(xiàn)實世界中的知識是不斷變化的。數(shù)據(jù)存儲通過提供動態(tài)信息來解決這一限制，確保模型的響應(yīng)基于事實和最新信息。

考慮一個常見的情景，開發(fā)人員可能需要向模型提供少量額外數(shù)據(jù)，例如以電子表格的形式。數(shù)據(jù)存儲允許開發(fā)人員以原始格式向智能體提供額外數(shù)據(jù)，消除了耗時的數(shù)據(jù)轉(zhuǎn)換、模型重新訓(xùn)練或微調(diào)的需要。數(shù)據(jù)存儲將傳入的文檔轉(zhuǎn)換為一組向量數(shù)據(jù)庫嵌入，智能體可以利用這些嵌入來提取其下一步行動或響應(yīng)所需的信息。

三、AI Agent開發(fā)實踐：從原型到生產(chǎn)的全鏈路方案

從快速原型開發(fā)到企業(yè)級生產(chǎn)部署，開發(fā)者需要一個完整的解決方案來確保智能體能夠高效地實現(xiàn)目標(biāo)并滿足復(fù)雜的需求。本文將探討如何通過針對性學(xué)習(xí)提升模型性能、使用LangChain快速啟動智能體開發(fā)，以及借助Vertex AI平臺實現(xiàn)智能體的生產(chǎn)級部署。通過這些實踐，開發(fā)者可以充分利用智能體的強(qiáng)大能力，從簡單的原型設(shè)計到復(fù)雜的生產(chǎn)應(yīng)用，實現(xiàn)無縫過渡和持續(xù)優(yōu)化。

（一）提升模型性能的針對性學(xué)習(xí)

在實際應(yīng)用中，模型需要在生成輸出時能夠選擇正確的工具，尤其是在大規(guī)模生產(chǎn)環(huán)境中使用工具時。雖然通用訓(xùn)練可以幫助模型發(fā)展這種技能，但現(xiàn)實場景往往需要超出訓(xùn)練數(shù)據(jù)的知識。這可以類比為烹飪中的基礎(chǔ)技能與精通特定菜系的區(qū)別：兩者都需要基礎(chǔ)的烹飪知識，但后者需要針對特定領(lǐng)域的深入學(xué)習(xí)。

為了幫助模型獲得這種特定領(lǐng)域的知識，有幾種方法可供選擇：

1.上下文學(xué)習(xí)（In-context learning）：這種方法在推理時為通用模型提供提示、工具和少量示例，使其能夠即時學(xué)習(xí)如何為特定任務(wù)使用這些工具。ReAct框架是自然語言處理中這種即時學(xué)習(xí)方法的一個例子。

2.基于檢索的上下文學(xué)習(xí)（Retrieval-based in-context learning）：這種技術(shù)通過從外部存儲中檢索相關(guān)信息、工具和相關(guān)示例來動態(tài)填充模型提示。例如，Vertex AI擴(kuò)展中的“示例存儲”或基于RAG的數(shù)據(jù)存儲架構(gòu)。

3.基于微調(diào)的學(xué)習(xí)（Fine-tuning based learning）：這種方法涉及使用大量特定示例對模型進(jìn)行訓(xùn)練，以幫助模型在接收用戶輸入之前理解何時以及如何應(yīng)用某些工具。

每種方法在速度、成本和延遲方面都有其獨(dú)特的優(yōu)勢和劣勢。然而，通過將這些技術(shù)結(jié)合到智能體框架中，我們可以利用各自的優(yōu)點，減少缺點，從而實現(xiàn)更強(qiáng)大、更靈活的模型性能。

（二）使用LangChain快速啟動智能體

為了提供一個實際可執(zhí)行的智能體示例，我們將使用LangChain和LangGraph庫快速搭建一個原型。這些流行的開源庫允許用戶通過“鏈?zhǔn)健边壿嫛⑼评砗凸ぞ哒{(diào)用來構(gòu)建自定義智能體，以回答用戶的查詢。

我們定義了兩個工具：“search”用于執(zhí)行谷歌搜索，“places”用于執(zhí)行谷歌位置查詢。然后，我們初始化了一個“ChatVertexAI”模型，并將這兩個工具傳遞給模型。最后，我們創(chuàng)建了一個智能體，并向其輸入了一個多階段查詢：“A隊上周在足球比賽中對陣誰？對方球隊的主場地址是什么？”智能體通過調(diào)用“search”工具獲取了比賽信息，然后通過調(diào)用“places”工具獲取對方球隊主場的地址，并最終輸出了完整的答案。

這個簡單的智能體示例展示了模型、編排層和工具如何協(xié)同工作以實現(xiàn)特定目標(biāo)。通過LangChain和LangGraph，開發(fā)者可以快速構(gòu)建和測試智能體，而無需從頭開始編寫復(fù)雜的邏輯和工具調(diào)用代碼。這種敏捷開發(fā)方式使得開發(fā)者能夠快速迭代和優(yōu)化智能體，以滿足不同的業(yè)務(wù)需求。

（三）使用Vertex AI智能體進(jìn)行生產(chǎn)應(yīng)用

雖然本文探討了智能體的核心組件，但構(gòu)建生產(chǎn)級應(yīng)用需要將它們與額外的工具進(jìn)行集成。谷歌的Vertex AI平臺簡化了這一過程，提供了一個完全托管的環(huán)境，涵蓋了前面提到的所有基礎(chǔ)元素。使用自然語言界面，開發(fā)者可以快速定義智能體的關(guān)鍵元素，如目標(biāo)、任務(wù)指令、工具、用于任務(wù)委派的子智能體和示例，從而輕松構(gòu)建期望的系統(tǒng)行為。此外，該平臺還配備了一套開發(fā)工具，用于測試、評估、衡量智能體性能、調(diào)試和改進(jìn)所開發(fā)智能體的整體質(zhì)量。這使得開發(fā)者可以專注于構(gòu)建和優(yōu)化智能體，而平臺則管理基礎(chǔ)設(shè)施、部署和維護(hù)的復(fù)雜性。

四、未來展望：AI Agent的無限可能

智能體通過工具擴(kuò)展了語言模型的能力，能夠訪問實時信息、建議現(xiàn)實世界的行動，并自主規(guī)劃和執(zhí)行復(fù)雜任務(wù)。這些任務(wù)對于語言模型單獨(dú)完成來說可能是困難甚至不可能的。智能體可以利用一個或多個語言模型來決定何時以及如何轉(zhuǎn)換狀態(tài)，并使用外部工具來完成各種復(fù)雜任務(wù)。

智能體的核心是編排層，它通過結(jié)構(gòu)化的推理、規(guī)劃和決策來指導(dǎo)智能體的行動。各種推理技術(shù)，如ReAct、Chain-of-Thought和Tree-of-Thoughts，為編排層提供了框架，使其能夠接收信息、進(jìn)行內(nèi)部推理，并生成明智的決策或行動。

工具是智能體與外部世界互動的關(guān)鍵，包括擴(kuò)展、函數(shù)和數(shù)據(jù)存儲。這些工具使智能體能夠與外部系統(tǒng)互動并訪問超出其訓(xùn)練數(shù)據(jù)的知識。擴(kuò)展為智能體和外部API之間提供了橋梁，使API調(diào)用和實時信息的檢索成為可能。函數(shù)為開發(fā)者提供了更精細(xì)的控制，通過分工協(xié)作，允許智能體生成可以在客戶端執(zhí)行的函數(shù)參數(shù)。數(shù)據(jù)存儲為智能體提供了對結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)的訪問，使數(shù)據(jù)驅(qū)動的決策成為可能。

智能體的未來充滿了無限可能。隨著工具的日益復(fù)雜化和推理能力的不斷提升，智能體將能夠解決越來越復(fù)雜的問題。此外，“智能體鏈”（agent chaining）這種策略性方法也將繼續(xù)獲得關(guān)注。通過將專門化的智能體——每個智能體都在特定領(lǐng)域或任務(wù)中表現(xiàn)出色——結(jié)合起來，我們可以創(chuàng)建一種“智能體專家混合體”（mixture of agent experts）的方法，從而在各個行業(yè)和問題領(lǐng)域中提供卓越的成果。

構(gòu)建復(fù)雜的智能體架構(gòu)需要采用迭代的方法。實驗和優(yōu)化是找到特定業(yè)務(wù)案例和組織需求解決方案的關(guān)鍵。由于支撐智能體架構(gòu)的基礎(chǔ)模型具有生成性，因此沒有兩個智能體是完全相同的。然而，通過利用這些基礎(chǔ)組件的各自優(yōu)勢，我們可以創(chuàng)建具有影響力的應(yīng)用程序，這些應(yīng)用程序不僅能夠擴(kuò)展語言模型的能力，還能推動現(xiàn)實世界的變革。

免責(zé)聲明：本文轉(zhuǎn)自啟元洞見。文章內(nèi)容系原作者個人觀點，本公眾號編譯/轉(zhuǎn)載僅為分享、傳達(dá)不同觀點，如有任何異議，歡迎聯(lián)系我們！

研究所簡介

國際技術(shù)經(jīng)濟(jì)研究所（IITE）成立于1985年11月，是隸屬于國務(wù)院發(fā)展研究中心的非營利性研究機(jī)構(gòu)，主要職能是研究我國經(jīng)濟(jì)、科技社會發(fā)展中的重大政策性、戰(zhàn)略性、前瞻性問題，跟蹤和分析世界科技、經(jīng)濟(jì)發(fā)展態(tài)勢，為中央和有關(guān)部委提供決策咨詢服務(wù)。“全球技術(shù)地圖”為國際技術(shù)經(jīng)濟(jì)研究所官方微信賬號，致力于向公眾傳遞前沿技術(shù)資訊和科技創(chuàng)新洞見。

地址：北京市海淀區(qū)小南莊20號樓A座

電話：010-82635522

微信：iite_er