Hello Agent 学习第一天

Hello-Agents｜第一章：初识智能体

标签：#LLM #Agent #人工智能 #Python实战

目录

1. 智能体基础定义
2. Agent两大发展路线
3. 三种分类方式
4. PEAS与运行循环
5. Python实战：旅行助手Agent
6. 落地：Agent协作 & Workflow区别
7. 小结
8. 课后习题

1 智能体基础定义

智能体(Agent)：通过传感器感知环境，依靠自主决策，经由执行器作用环境、完成目标的实体。

• 传感器：摄像头、雷达、各类API接口；
• 执行器：机械硬件、代码/接口调用；
• 自主性是智能核心：非死板执行指令，依托环境反馈自主决策，形成「感知→决策→行动」闭环。

2 Agent两大发展路线

2.1 传统智能体（5代演进）

1. 简单反射：固定条件-动作规则，无记忆，例：恒温器；
2. 基于模型：内置世界模型，保存不可观测环境信息，例：隧道自动驾驶；
3. 基于目标：围绕目标主动规划路径，例：GPS导航(A*寻路)；
4. 基于效用：多目标权衡，最大化满意度效用值；
5. 学习型(RL)：依靠环境反馈自主迭代，AlphaGo Zero为标杆。

传统共性：规则、逻辑全部人工预设。

2.2 LLM新型智能体

依托预训练获得隐式世界模型，天然具备三大能力：

1. 解析模糊自然语言需求；
2. 自主任务拆分、按需调用工具；
3. 根据用户反馈动态调整方案。

例：「规划厦门旅行」→拆行程→查天气→订住宿，雨天自动替换室内景点。

3 三种分类方式

① 按内部架构

反射→模型→目标→效用，学习是附加元能力。

② 按决策时效

③ 按知识表达

• 符号主义：规则+逻辑，可解释，但难适配现实模糊场景；
• 亚符号(深度学习)：权重存储特征，擅长音图识别，黑盒易幻觉；
• 神经符号融合（主流）：参考《思考，快与慢》
  • 系统1(快/亚符号)：大模型底层直觉识别；
  • 系统2(慢/符号)：结构化思考、工具调用、逻辑推理。

LLM-Agent是神经符号落地典范。

4 PEAS与运行循环

4.1 PEAS环境建模

• P(性能)：评判指标；E(环境)：外部场景；A(执行器)：动作出口；S(传感器)：信息采集。

4.2 数字环境特征

部分可观测、随机性、多智能体共存、动态序贯。

4.3 Agent标准闭环：T-A-O

Thought: 思考规划 Action: 工具调用 Observation: 环境返回结果

循环：感知→思考(规划+选工具)→执行→观测反馈。

5 Python实战：旅行助手Agent

5.1 安装依赖

pipinstallrequests tavily-python openai

5.2 完整代码

importrequests,os,refromtavilyimportTavilyClientfromopenaiimportOpenAI# 1.系统提示词AGENT_PROMPT=""" 你是旅行助手，工具：get_weather(city)、get_attraction(city,weather) 输出固定格式： Thought:思考 Action:函数名(参数="值")/Finish[答案] 单次仅一组TA，收集完信息Finish结束 """# 2.工具defget_weather(city):try:d=requests.get(f"https://wttr.in/{city}?format=j1").json()["current_condition"][0]returnf"{city}{d['weatherDesc'][0]['value']}，{d['temp_C']}℃"except:return"查询失败"defget_attraction(city,weather):tc=TavilyClient(os.getenv("TAVILY_API_KEY"))returntc.search(f"{city}{weather}景点推荐",include_answer=True).get("answer","无推荐")tools={"get_weather":get_weather,"get_attraction":get_attraction}# 3.LLM客户端classLLMClient:def__init__(self,key,url,model):self.c=OpenAI(api_key=key,base_url=url);self.m=modeldefchat(self,usr,sys):returnself.c.chat.completions.create(model=self.m,messages=[{"role":"system","content":sys},{"role":"user","content":usr}]).choices[0].message.content# 4.主循环if__name__=="__main__":os.environ["TAVILY_API_KEY"]="你的TavilyKey"llm=LLMClient("API_KEY","BASE_URL","MODEL")user="查北京天气并推荐景点"hist=[f"用户：{user}"]for_inrange(5):res=llm.chat("\n".join(hist),AGENT_PROMPT)hist.append(res)act=re.search(r"Action:\s*(.*)",res).group(1)ifact.startswith("Finish"):print("结果：",re.match(r"Finish\[(.*)\]",act).group(1));breakfn=re.search(r"(\w+)\(",act).group(1)arg=dict(re.findall(r'(\w+)="([^"]+)"',act))obs=f"Observation:{tools[fn](**arg)}"hist.append(obs);print(obs)

运行流程

1. 调用天气→Observation：北京晴天26℃
2. 调用景点→Observation：颐和园、长城
3. Finish输出最终推荐

6 落地：Agent协作 & Workflow区别

6.1 两种协作模式

1. 作为工具：辅助开发，Copilot、Cursor、Claude Code；
2. 自主协作者：多Agent分工，CrewAI/MetaGPT/AutoGen/LangGraph。

6.2 Workflow vs Agent

• Workflow：全流程硬编码固定规则，标准化业务稳定易管控，复杂场景灵活性差；
• Agent：仅约束顶层规则，自主动态决策，适配非标多变需求，风控成本更高。

7 小结

1. Agent核心是自主性闭环交互；
2. 从传统规则化演进到大模型通用Agent；
3. T-A-O循环+PEAS是Agent设计标准；
4. 固定流程选Workflow，多变业务选用Agent。

8 课后习题（精简）

1. 区分4个案例是否为Agent并分类：超算、特斯拉刹车、AlphaGo、智能客服；
2. 智能健身教练PEAS建模+环境分析；
3. 电商退款：固定Workflow/智能Agent优劣，设计折中方案C；
4. 旅行助手新增：用户记忆、售罄备选、连续拒单自动换策略；
5. 自选场景，用卡尼曼双系统拆分Agent任务；
6. 简答：大模型幻觉成因、无循环上限风险、准确率能否衡量智能。