一、智能体（Agent）
图片来源：百度
所谓智能体，指的是能独立采取行动以实现特定目标的 AI 实体。
想象你有一个贴心的小跟班，你让他干啥他就干啥。比如你让他查明天的天气，他立马就给你整得明明白白。
举个栗子，AI 面试官就是一个很棒的智能体。
它能够根据招聘要求，自主给候选人发送试邀请，然后自主进行视频面试，再自主进行面试评价，自主发送 offer。最后把招聘的统计报告发送给你。
是不是超省心？
当然了，智能体也存在很多缺陷，特别是在对准确性要求很高的场景，完全自主的智能体还存在明显的幻觉问题。
比如，某大厂发布的 DataAgent，你只需要说一句话，它就能查询数据库并生成高大上的图表。
但是仔细查看它生成的图表，就会发现很多问题，比如数据错误甚至数据编造。
在这种情况下，我们就需要使用 RAG、微调等手段减少智能体的幻觉问题。
二、多智能体系统（Multi-Agent System）
图片来源：百度
多智能体系统，就是把好几个智能体凑一块儿，让他们一起合作干大事。就像一个团队，每个成员各司其职，互相配合。
比如，在智能交通系统里，路口的智能体负责收集车流量和路况信息，然后把这些信息传给控制中心的智能体。控制中心的智能体一分析，就把信号灯的时间调得刚刚好，车流一下子就顺畅了。
相比于单个智能体，多智能体系统的要求就更高了。
比如，如果其中一个智能体死机了，整个智能体系统都会停摆。
要解决这个问题，可以给每个智能体都准备一个“克隆体”，如果一个智能体死机了，“克隆体”马上顶上去。
三、RAG（Retrieval-Augmented Generation）
图片来源：百度
RAG的本质就是先从指定的外部知识库中检索相关信息，再利用这些信息生成回答。
由于这些信息本质上来自于企业知识库，而不是 AI 的“自由生成”，因此会更加准确可信。
RAG 就像是给智能体配了个超级知识库。
智能体要是遇到复杂的问题，它就先在这个知识库里快速搜资料。把相关的内容都找出来后，再用自己的语言整理成一篇完整的回答。
举个栗子，智能客服系统里，RAG 就非常重要。
顾客要是问一些复杂的问题，比如产品的详细使用方法，智能客服就用 RAG 快速在知识库里找答案，然后生成一份详细、准确的回答发给顾客。
当然了，RAG 也存在很多难点。
比如知识库的内容必须做好分类、分级，避免相互冲突，同时还必须实时更新，否则“进去的是垃圾，出来的也是垃圾”。
四、工作流（Work Flow）
图片来源：coze
所谓工作流，是一系列相互关联的任务和步骤，按照一定的顺序执行，以完成特定的业务目标。
工作流就好比是一条流水线。把一个复杂任务分解成一个个小步骤，每个步骤由专门的工人（智能体组件）来完成。第一个工人干完了，把结果传给第二个工人，第二个工人接着干，直到最后完成整个任务。这样分工明确，质量和效果都很高。
在准确性要求很高的场景，如果让智能体自行规划任务执行步骤，可能会加重幻觉问题。
在这种情况下，我们就可以通过工作流，来固定智能体执行的步骤，从而减轻幻觉。
举个栗子，在订单处理智能体中，员工录好订单信息后，工作流自动触发库存检查。要是库存够，智能体就直接安排发货；要是不够，智能体就创建补货任务，并通知采购部门。同时，智能体还会给客户发个消息，告诉他预计发货的时间。
当然了，工作流也不是完美的。
要是工作流设计得不合理，比如步骤太多或者顺序不对，任务处理起来就会很慢。因此，需要专业的产品经理来进行梳理。
五、微调（Fine-Tuning）
所谓的微调，可以简单理解为，利用一部分行业或企业数据对大模型进行训练，从而让它更理解行业或企业的特定业务。
比如，行业有大量的专业名词或者“行业黑话”，标准大模型无法理解这些名词，自然就不可能给出准确的答复。那么，基于标准大模型的智能体，肯定也就无法准确的完成业务。
在这种情况下，我们就可以通过微调，来改善智能体对行业的理解。
举个栗子，通用的质量检测模型在处理企业的特定产品数据时，检测准确率较低。
于是，企业收集了大量生产线上的产品图像数据，包括合格品和次品，并对这些数据进行了标注。然后，企业使用这些数据对质量检测模型进行微调，结果提升了 25% 的检测准确率。
当然了，微调也不是完美的，比如对数据依赖度很高，成本也很高。一般来说，用于微调的数据，需要让专业的标注人员来进行标注。
六、函数调用（Function Calling）
图片来源：百度
虽然不太准确，但是我们可以把“函数”简单的理解为 “API”。
当我们有多个软件程序，就编制多个“函数“（API），这样当智能体需要使用某个程序的时候，就直接“调用”这个“函数“就可以了。
比如有个函数能算两个数的和，智能体要算 1 + 1，就直接拿这个函数出来，马上就算出 2（而不需要再写一个求和的程序）。
举个栗子，在图像处理系统里，智能体要处理一张照片，就得调用好多个函数。比如先调用边缘检测函数，把照片里物体的轮廓勾勒出来；再调用特征提取函数，分析物体的形状和纹理。这样一层一层处理下来，智能体就能认出照片里的东西。
函数调用虽然强大，但是也有很多问题。
比如，不同大模型之间的“函数调用”标准不同，导致为了适配多个大模型，可能需要写多个函数。
而 MCP就可以很好的解决这个问题。
七、MCP（Model Context Protocol）
MCP 是一种用于 AI 智能体与外部软件进行协作的标准开放协议。有了 MCP，一个软件只需要按 MCP 协议开发一个标准接口，即可被多个模型调用。
举个栗子，生活智能体通过 MCP 服务集成了多个软件工具，当我们要求智能体“点一杯咖啡”，它就可以自动调用“外卖程序”下单购买；当我们问智能体“今天是什么天气”，它就会自动调用“天气查询工具”。
MCP 也不是完美的，如果大家都遵循某一个大厂的 MCP 标准，就可能形成另一个“苹果税”。
八、A2A（Agent-to-Agent Protocol）
图片来源：百度
A2A（Agent - to - Agent Protocol）是谷歌推出的一项开源通信协议，旨在为不同框架开发的 AI 智能提供标准化协作方式，使其能够跨越技术壁垒，相互协同完成复杂流程。
说白了，MCP 解决了智能体与外部软件之间的协作问题；而 A2A 则解决了智能体与智能体之间的协作问题。
举个栗子，影像分析智能体和病历信息综合智能体就可以通过 A2A 协议来交流：
影像智能体把看到的病变特征发给病历智能体，病历智能体再把相关的病历信息发回来，俩人这么一对话，诊断报告就生成得又快又准。
