这种结合推理、逻辑和访问外部信息的能力，且所有这些都与生成式人工智能模型相连接的方式，引出了"智能体"（agent）的概念。
引言
人类在复杂的模式识别任务中表现卓越，但他们通常需要借助书籍、谷歌搜索或计算器等工具来补充已有知识，才能得出结论。与人类类似，生成式人工智能（Generative AI）模型也可以被训练使用工具，以获取实时信息或触发现实世界的行为。例如，一个模型可以通过数据库检索工具访问客户的历史购买记录，从而生成个性化的购物推荐；或者根据用户指令，调用多种API接口向同事发送邮件回复，或代替用户完成金融交易。
要实现这些功能，模型不仅需要连接外部工具，还需具备自主规划并执行任务的能力。这种将推理、逻辑与外部信息访问相结合，并全部集成到生成式人工智能模型中的方式，引出了智能体（Agent）的概念——即一种能够突破生成式AI模型独立能力边界的程序。
本白皮书将深入探讨上述及相关主题的更多细节。
什么是Agent？
从最基础的形式来看，生成式人工智能智能体（Generative AI Agent）可定义为一种应用程序，其通过观察环境并采取行动（利用自身可调用的工具），试图实现特定目标。智能体具有自主性，可在无需人类干预的情况下独立运行，尤其是在被赋予明确目标时。此外，智能体还能以主动规划的方式达成目标——即使未接收到人类的直接指令，它也能通过推理决定下一步行动以完成最终任务。
尽管AI领域的"智能体"概念具有广泛而强大的内涵，但本白皮书将聚焦于当前生成式AI模型能够构建的特定类型智能体。
要理解智能体的内部运作机制，需首先了解驱动其行为、行动和决策的核心组件。这些组件的组合可视为一种认知架构（cognitive architecture），通过不同组件的灵活搭配，可实现多种架构形式。聚焦核心功能，智能体的认知架构包含以下三个基本组件（如图所示）：
接下来，我们分模型，工具，编排层分别来看一下这三大块。
模型（Model）
在智能体（Agent）的架构中，"模型"特指作为其核心决策中枢的语言模型（Language Model, LM）。该模型可以是单一或多个不同规模（小型/大型）的语言模型，需具备遵循基于指令的推理与逻辑框架的能力，例如ReAct（推理-行动协同）、思维链（Chain-of-Thought）或思维树（Tree-of-Thoughts）等。
根据智能体架构的具体需求，模型可设计为通用型、多模态型或微调型。为实现最佳生产效果，建议选择最适合目标终端应用的模型，并优先选用已基于计划使用的工具相关数据特征进行预训练的模型。
需注意：模型本身通常不会预先内置智能体的特定配置（如工具选择、编排/推理逻辑设置）。但可通过提供示例（例如展示智能体在不同场景下使用特定工具或执行推理步骤的实例）对模型进行针对性优化，从而提升其在智能体任务中的表现。
工具（Tools）
尽管基础模型（foundational models）在文本和图像生成方面表现卓越，但其本质仍受限于无法与外部世界交互。工具（Tools）通过以下方式弥合这一鸿沟：
扩展行动边界：使智能体能够与外部数据和服务交互，突破基础模型的固有能力限制。
多样化形式与复杂度：
工具可涵盖简单到复杂的实现形式，但通常基于常见Web API方法（如GET（数据获取）、POST（数据提交）、PATCH（部分更新）、DELETE（数据删除））。
示例：更新数据库中的客户信息，获取天气数据以优化智能体提供的旅行建议。
3. 支持高级系统：
工具使智能体能够访问实时信息，从而支持检索增强生成（RAG, Retrieval Augmented Generation）等技术，大幅提升能力上限。
核心价值：工具作为桥梁，连接智能体的内部能力与外部世界，释放更广泛的可能性（详见下文深入探讨）。
编排层（Orchestration Layer）
编排层定义了智能体运行的循环流程，其核心机制为：接收信息 → 内部推理 → 行动决策，并持续迭代直至达成目标或触发终止条件。其复杂程度因智能体类型及任务性质差异显著：
简单场景：
基于预设规则的计算与判断（如“若库存量<阈值，则触发补货API”）。
复杂场景：
链式逻辑（多步骤任务依赖）
集成机器学习算法（如动态优先级排序）
概率推理技术（处理不确定性决策）
关键特性：
动态性：根据实时反馈（如工具返回结果、环境变化）调整行动策略。
目标导向：始终以预设目标为终点，灵活选择实现路径（如迂回执行子任务）。
关于编排层在认知架构中的具体实现细节，将在后续“认知架构”章节深入探讨。
Agents vs. models
To gain a clearer understanding of the distinction between agents and models, consider the following chart:
