大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



本文整理自《Hello Agents》第一章，系统梳理智能体的定义、构成、运行机制与协作模式，并附有课后思考题的详细解析。

📖 全文约 3200 字，预计阅读时间 7 分钟

---

智能体被定义为：任何能够通过传感器（Sensors）感知其所处环境（Environment），并自主地通过执行器（Actuators）采取行动（Action）以达成特定目标的实体。

真正赋予智能体"智能"的，是其自主性（Autonomy）。智能体并非只是被动响应外部刺激、严格执行预设指令的程序——它能够基于感知和内部状态进行独立决策，以达成其设计目标。这种从感知到行动的闭环，构成了所有智能体行为的基础。

---

在 LLM 智能体出现之前，规划旅行意味着用户需要在多个专用应用（天气、地图、预订网站）之间手动切换，由用户自己扮演信息整合与决策的角色。而一个 LLM 智能体可以将这个流程整合起来。

以"规划一次厦门之旅"为例，LLM 智能体的工作方式体现了以下三个核心特征：

① 规划与推理

智能体首先将高层级目标分解为一系列逻辑子任务：

这是一个内在的、由模型驱动的规划过程，而非预设脚本。

② 工具使用

在执行规划时，智能体识别到信息缺口，会主动调用外部工具补全。例如调用天气查询接口获取实时天气，并基于"预报有雨"这一信息，在后续规划中倾向于推荐室内活动。

③ 动态修正

智能体将用户的反馈（如"这家酒店超出预算"）视为新的约束，据此调整后续行动，重新搜索并推荐符合新要求的选项。整个"查天气 → 调行程 → 订酒店"的流程，展现了其根据上下文动态修正自身行为的能力。

---

3.1 任务环境：PEAS 模型

通常使用 PEAS 模型来精确描述一个任务环境，四个维度分别为：

3.2 智能体循环（Agent Loop）

智能体并非一次性完成任务，而是通过一个持续的循环与环境进行交互。这个核心机制被称为智能体循环（Agent Loop），包含以下四个相互关联的阶段：

GPT plus 代充 只需 145 

• 
• 感知：智能体通过传感器接收来自环境的输入（用户指令、上一步行动的环境状态反馈）。
• 思考：核心决策阶段，包含两个子步骤：
  • 规划（Planning）：基于当前观察与内部记忆，更新对任务的理解，制定或调整行动计划，可能将复杂目标拆解为子任务。
  • 工具选择（Tool Selection）：从可用工具库中选择最合适的工具，并确定调用参数。
• 行动：通过执行器执行具体行动，调用选定工具（如代码解释器、搜索引擎 API），从而对环境施加影响。
• 观察：行动引起环境状态变化，环境产生新的观察结果作为反馈，进入下一轮循环。

核心闭环：感知 → 思考 → 行动 → 观察，持续迭代直到目标达成。

---

Workflow 是让 AI 按部就班执行指令，Agent 则是赋予 AI 自由度去自主达成目标。

以智能旅行助手为例：当用户下达"查询今天北京天气，并根据天气推荐合适景点"的指令时，Agent 不依赖任何写死的 的规则——如果天气是"雨天"，它会自主推理并推荐国家博物馆等室内场所。这种基于实时信息进行动态推理和决策的能力，正是 Agent 的核心价值所在。

---

Q1：用 PEAS 模型描述"智能健身教练"

场景：智能体通过可穿戴设备监测生理数据，根据健身目标动态调整训练计划，提供实时语音指导和饮食建议。

PEAS 描述：

• Performance（性能度量）：体脂率/肌肉量变化、训练完成率、动作准确度评分、心率是否保持在目标区间、用户满意度。
• Environment（环境）：用户（生理状态、情绪）、可穿戴设备数据流、健身场地与器材。
• Actuators（执行器）：语音指导接口、手机屏幕（显示训练视频/饮食建议）、振动提醒。
• Sensors（传感器）：心率监测器、加速度计（G-sensor）、陀螺仪、GPS、语音采集器。

环境特性分析：

---

Q2：Workflow vs. Agent 处理电商退款

两种方案对比：

选择建议：

• Workflow 合适场景：高频、标准、低价值的交易，以及法律法规严格限制的环节。
• Agent 合适场景：非标商品、涉及用户情感维系、复杂背景下的纠纷判罚。
• 负责人倾向：初期采用 Workflow 确保底线，中后台引入 Agent 辅助决策。

方案 C：混合架构（Human-in-the-loop + Agentic Workflow）

核心思路是用 Workflow 定义"硬边界"（如定制品不退），在 Workflow 的分叉口调用 Agent：

• Agent 作为 Router（路由）：分析非结构化的用户描述，决定走哪个流程分支。
• Agent 作为 Consultant（顾问）：为客服审核提供风险提示，降低人工决策的认知负担。

这种架构实现了"规则保底、智能增益"的扬长避短效果。

---

Q3：为智能旅行助手添加新功能

在 Thought-Action-Observation 循环的基础上，三个功能的设计思路如下：

① 添加"记忆"功能

在循环开始前，加载用户的 Profile（长期记忆）和 Short-term History（短期对话记录），并将其注入 Prompt：

② 景点售罄时自动推荐备选

在 Observation 阶段添加检测逻辑：当返回结果为"售罄"时，自动触发重试并替换查询参数：

GPT plus 代充 只需 145 

③ 连续拒绝 3 次后的反思机制

添加拒绝计数器，当累计达到 3 次 Negative Feedback 时，触发独立的 Reflect 步骤，让模型分析用户偏好偏差并调整后续推荐策略。这本质上是在循环中插入了一个元认知层。

---

Q4：智能体的局限性分析

① 为什么智能体会产生"幻觉"？

• 概率本质：LLM 本质是预测下一个 Token，而非提取事实；
• 知识截断：训练数据中缺乏最新事实信息；
• 模式过拟合：智能体过度拟合某种语言模式，在缺乏数据支撑时"一本正经地胡说八道"。

② 不设最大循环次数会有什么问题？

• 无限死循环：当两个工具的结果互相矛盾时，Agent 可能反复切换尝试；
• 成本爆炸：每次循环消耗 Token，无限循环会导致费用失控；
• 资源耗尽：导致服务器并发阻塞，影响整体系统可用性。

③ 如何评估智能体的"智能"程度？

仅使用准确率是不够的，完整的评估体系应涵盖以下维度：

---

本文对应《Hello Agents》第一章内容。