AI Agent的发展历程梳理：大模型赋予了AI Agent核心改变

  Agent（代理）一概念起源于哲学，描述了一种拥有欲望、信念、意图以及采取行动能力的实体。在人工智能领域，这一术语被赋予了一层新的含义：具有自主性、反应性、交互性等特征的智能“代理”。大型语言模型（LLMs）的出现为智能代理的进一步发展带来了希望。

  
      基于大模型

  LLM给AI Agent底层提供了一个突破性技术方案：LLM带来了深度学习新范式，思维链和强大的自然语言理解能力有望让Agent具备强大的学习能力和迁移能力，从而让创建广泛应用且实用的Agent成为可能

  LLM的框架优势：过去等强化学习基于深度学习框架可让Agent学到技能，但Agent的泛化性较差，往往用于非常窄的特定领域，例如用在游戏或低维层面的控制或计划，标志性应用是围棋领域的AlphaGo。

  过往的工作主要集中在增强代理的特定能力，如符号推理或对特定任务的掌握（国际象棋、围棋等）。这些研究更加注重算法设计和训练策略，而忽视了模型固有的通用能力的发展，如知识记忆、长期规划、有效泛化和高效互动等。事实证明，增强模型固有能力是推动智能代理进一步发展的关键因素。

  
      过往的AI Agent类型：

  符号型智能体：采用逻辑规则和符号表示来封装知识和促进推理过程，如1980年前后，出现的医学诊断专家系统，模拟心理治疗程序等；

  反映型智能体：关注智能体与其环境之间的交互，强调快速和实时响应，缺乏复杂缺乏复杂决策和规划能力；

  基于强化学习的智体题：关注如何让智能体通过与环境的交互进行学习。

  基于迁移学习和元学习的智能体：使智能体从少量样本中迅速推理出执行任务的最优策略。