美格知识库

Agentic Systems（智能体系统）

7分钟阅读

定义

Agentic Systems（智能体系统）是指能够通过传感器感知环境，并自主地通过执行器采取行动以达成特定目标的 AI 系统。其核心闭环为：感知 → 思考 → 行动 → 观察 → 循环。

四个基本要素

  • 环境（Environment）：智能体所处的外部世界（如网页、API、文件系统）
  • 感知（Sensors）：API 返回的数据流、文件内容、用户输入等
  • 行动（Action）：通过执行器对环境施加影响（工具调用、代码执行）
  • 自主性（Autonomy）：基于感知和内部状态独立决策，而非被动响应

智能体的分类演进

按内部决策架构（经典分类）

类型核心机制经典案例
简单反射智能体条件-动作规则自动恒温器
基于模型的反射智能体内部世界模型 + 状态追踪自动驾驶汽车
基于目标的智能体主动规划达成未来状态GPS 导航
基于效用的智能体最大化期望效用多目标权衡系统
学习型智能体从互动中自主学习AlphaGo Zero

按时间与反应性

  • 反应式：即时响应，速度快但短视（如高频交易机器人）
  • 规划式：行动前深思熟虑，有远见但耗时（如下棋）
  • 混合式：结合两者优势，底层快速反应 + 高层审慎规划

Workflow vs Agent

维度WorkflowAgent
本质预设流程自主决策
优势可预测、可靠灵活、适应性强
局限僵硬、无法应对异常有幻觉风险
适合场景规则明确、高合规要求复杂多变、需要判断

最佳实践：Workflow 作为骨架保证确定流程，Agent 在关键决策节点提供灵活判断。

现代 LLM 驱动架构

核心组件

感知模块 → 规划模块（LLM） ↔ 记忆模块
    ↑                        ↓
    └──────── 工具模块 ← 执行模块
  • 感知模块：接收环境输入，将原始数据转为 LLM 可读的自然语言观察
  • 规划模块（LLM 中枢）：任务分解、推理决策、工具选择
  • 记忆模块：工作记忆 + 情景记忆 + 语义记忆（详见 Agent_Memory）
  • 工具模块：外部 API、搜索、代码执行等
  • 执行模块：解析 LLM 输出并调用工具

Thought-Action-Observation 协议

规范 LLM 与环境信息交换的格式：

  • Thought：内部决策快照，分析情境、自我反思
  • Action：具体操作，以函数调用形式表示
  • Observation：行动结果的封装反馈

与传统智能体的本质区别

维度传统智能体LLM 驱动智能体
核心引擎显式编程与规则库预训练神经网络
行为模式确定且有边界灵活、通用
知识来源工程师设计隐式世界模型与涌现能力
指令处理需结构化输入自然语言指令

智能体发展史（三大思潮）

符号主义（Newell, Simon, Minsky）：智能源于对符号的逻辑操作。催生专家系统、SHRDLU。根本局限：知识获取瓶颈、框架问题、系统脆弱性。

联结主义（Hinton）：知识以连接权重分布式存储在神经网络中。深度学习的成功赋予智能体强大的感知和模式识别能力。

行为主义/强化学习：通过互动和试错学习最优策略。从 TD-Gammon 到 AlphaGo。

现代融合：LLM 本身是联结主义产物，却成为执行符号推理的核心”大脑”，形成神经-符号结合的现代智能体架构。

协作模式

  • 单智能体自主循环：AgentGPT 模式，通过”思考-规划-执行-反思”闭环自我迭代
  • 多智能体协作：角色扮演式（CAMEL）、组织化工作流（MetaGPT/CrewAI）、灵活对话（AutoGen/AgentScope）
  • 群体智能仿真：MiroFish 通过数千个独立 Agent 的社会演化推演未来，是 Agent 系统在预测仿真领域的独特应用
  • 高级控制流：LangGraph 状态图建模

核心能力

  • 自主规划：分解复杂目标为可执行子任务
  • 工具使用：调用外部 API、搜索、代码执行等
  • 状态管理：在多次交互中维护上下文和进度
  • 自我评估：监控执行过程并在必要时调整策略

三大经典范式

详见 Agent_Paradigms，包括 ReAct（边想边做）、Plan-and-Solve（先想后做）、Reflection（做完反思）。

关键局限

  • 幻觉问题、无限循环风险、评估难题
  • 对 LLM 自身能力的高度依赖
  • 提示词脆弱性

关联连接

关系图谱

反向链接