本文将详细阐述代理型AI的结构及其运作方式。
该图展示了代理型AI的多代理系统架构，其中多个代理在商业和/或物理环境背景下协作，共同达成目标。关键组件和技术细节如下。
核心组件在代理式AI的架构中，基本构建模块是代理及其交互的业务或物理环境。每个代理以[半]自主方式运行，感知其环境，对其情境进行推理，做出决策并采取适当行动。这些代理与数字和物理环境交互以实现特定目标。该系统的核心是共享内存，这是一个存储库，允许所有代理之间无缝通信和协调。共享内存作为信息、计划和目标交换的中心枢纽，确保每个代理都能贡献并受益于集体知识和策略。
代理结构解析每个代理都拥有一个详细的内部结构，使其能够独立运作，同时又在系统内协同工作。代理的记忆是一个关键组件，存储其个体知识、过往经验和信念状态。这种记忆提供了历史背景和学习基础，为明智的决策提供支持。
代理1结构
多代理系统的关键组件可概括为以下动词：
目标：代理寻求实现的目标或期望结果。
感知：从业务环境上下文中收集信息，亦称为感知或感知。
推理：处理感知到的信息以得出洞察，利用内部语言模型（LM）解读目标、感知、协作与执行结果之间的关系。
规划：基于推理出的洞察制定行动方案。
协调：通过共享记忆与其他代理互动，以协调行动。协商是相关动词，但在代理智能模式中将详细讨论。此外，协作在多代理系统（MAS）中也被使用。
行动：在环境中执行规划的行动。
记忆：存储代理的个体知识和经验。
LLM：“推理”组件的核心，负责处理和理解环境及共享记忆中的语言信息。
让我们更详细地探讨这一点。
代理的目标被定义为其寻求实现的目标或期望结果。这些目标并非静态，而是根据环境反馈和代理内部状态动态更新。
通过感知组件，代理从其周围环境中收集数据。这些感官信息可以来自数字源，如数据流，也可以来自物理源，如摄像头或物联网设备。收集到的数据随后由推理组件处理。在此，代理利用其存储的知识进行信息分析，并经常借助LLM进行复杂的语言推理和推断。
一旦理解了情况，代理便进入规划阶段，制定一系列旨在实现其目标的行动。这种规划基于推理出的理解和情境上下文。
在多代理系统中有效运作，协调组件发挥着至关重要的作用。它使代理能够通过共享记忆与其他代理共享信息并协调计划，确保为共同目标进行协作努力。
在执行方面，行动组件负责实施规划的行动。代理使用各种工具与其环境互动，这些工具可能包括用于物理任务的机械臂或用于数字任务的软件接口。LLM在整个过程中继续支持代理，促进语言推理和决策制定。
但没有数据，代理无法确定下一步该做什么。
数据存储
您可以拥有多个数据仓库，这些数据源由以下组合构成：
非结构化数据： 各种格式的原始数据（文本、图像等）。
向量存储： 存储向量表示（嵌入）的（通常是文本）数据，以便进行高效的相似性搜索。
结构化数据： 数据库或知识图谱中的有序数据。
知识图谱： 知识的结构化表示，连接实体及其关系。这提供了对业务环境的语义理解。
代理在多样化的上下文中运作。数字业务上下文涵盖了与业务领域相关的所有数字数据源。这包括非结构化数据如文本和图像、来自数据库的结构化数据、用于嵌入的向量存储以及用于语义理解的知识图谱。
在物理环境上下文中，代理通过物理设备与现实世界元素进行交互。这些交互对于需要直接操控物理世界的任务至关重要，这些任务由嵌入环境中的传感器和执行器实现。
交互与协作代理型AI的运作涉及多个关键的交互与协作环节。代理持续感知其环境，从数字和物理上下文中收集数据。这一持续的信息流对于保持对周围环境的最新理解至关重要。
利用这些数据，代理进行推理和规划。它们借助大型语言模型（LLMs）处理感知到的信息，进行推断并制定计划。其结果是一系列精心设计的行动，旨在达成代理的目标。
代理间的协调通过共享内存实现。这一中央存储库使代理能够交换彼此的理解、计划和意图，促进协同决策和协调行动。当代理执行时，它们根据需要操纵物理设备或与数字系统交互，执行其计划。
系统包含一个反馈循环，其中行动的结果被观察并反馈回系统。这一反馈用于更新知识并优化未来的计划，确保代理能从经验中学习并持续提升其性能。
关键要点代理型AI的架构具有几个重要特征。模块化确保系统可以在不破坏整体架构的情况下添加或移除代理，从而实现灵活性和可扩展性。这种设计支持处理具有多个代理和多样数据源的复杂环境，使系统高度可扩展。
适应性是另一个关键特征。代理能够从经验中学习并相应调整其行为。这种持续改进随着时间的推移提高了系统的效率和响应性。
系统支持多模态交互的能力使代理能够无缝地与数字和物理环境互动。这扩大了代理可以执行的任务范围。最后，通过共享内存实现的协作促进了问题解决和决策能力的提升，代理们共同朝着共同目标工作。
代理型AI系统的工作原理
感知： 代理通过各自的“感知”组件从业务环境上下文中收集信息。
推理： 代理使用“推理”组件处理感知到的信息，通常依赖于大型语言模型（LLM）来理解和解释基于语言的数据。
规划： 基于推理的洞察，代理在其“规划”组件中制定行动计划。
协调： 代理在“协调”阶段通过共享内存共享其计划和相关信息，确保协同决策。
执行： 代理通过其“执行”组件在环境中执行其计划行动。
学习和适应： 代理根据其行动结果更新其个体记忆，并可能更新共享内存，从而随着时间的推移实现学习和适应。
技术考量
可扩展性： 系统应能处理日益增多的代理和数据源。
通信效率： 有效的通信机制对于代理间的协调至关重要。
数据处理： 高效处理多样化的数据类型（非结构化、结构化、向量）是关键。
知识表示： 知识图谱在表示和推理业务环境方面起着关键作用。
LLM集成： 有效集成LLM进行语言理解和推理是至关重要的。
结论
本文讨论了代理型AI的结构。其交互涉及通信代理之间的协作，每个代理都配备有用于感知、推理、规划和执行的内部机制。在多代理系统（MAS）中，这些代理通过共享内存进行协作，利用各种数据源和知识表示与数字和物理环境有效交互。
关键要点包括：
模块化和可扩展性： 代理型AI系统设计为适应性强，能够扩展以处理多代理的复杂任务。
适应性： 代理具备从经验中学习并在时间推移中优化其行为的能力。
多模态交互： 能够与数字和物理环境交互扩展了代理型AI的应用潜力。
协作： 共享内存机制促进了代理之间的协作，从而提高了问题解决和决策的有效性。
随着该领域的研究不断进步，我们可以预期代理型AI将在推动金融、零售、医疗、教育等各个行业和应用领域的重大业务转型中发挥越来越重要的作用。语言模型的整合增强了代理的推理能力，使它们能够理解和响应复杂的指令和情境。
代理型AI的发展标志着向创建能够自主操作、有效协作并从与世界的交互中学习的智能系统迈出了重要一步。这有望彻底改变从业务自动化到机器人技术等多个领域。
在可扩展性、伦理考量和需要强大的错误处理方面仍存在挑战，但代理型AI在推动积极业务转型方面的潜在益处是巨大的。随着持续的研究和开发，我们可以期待一个未来，代理型AI系统变得更加复杂并融入我们的日常生活，提高广泛领域的效率、生产力和决策能力。
