人工智能行業(yè)專(zhuān)題研究：AI Agent，通往AGI的核心基礎(chǔ).pdf

人工智能行業(yè)專(zhuān)題研究：AI Agent，通往AGI的核心基礎(chǔ)。LLM推動(dòng)AI Agent進(jìn)入新階段，AI應(yīng)用商業(yè)化或加速。AI Agent是一種能夠感知環(huán)境、進(jìn)行決策和執(zhí)行動(dòng)作的智能實(shí)體，從發(fā)展歷 程看，經(jīng)歷了用邏輯規(guī)則和符號(hào)封裝知識(shí)、快速響應(yīng)環(huán)境、基于強(qiáng)化學(xué)習(xí)等 發(fā)展階段。隨著大語(yǔ)言模型（LLM）的快速發(fā)展，AI Agent在感知、記憶、 規(guī)劃、行動(dòng)等模塊方面的能力均得到了進(jìn)一步的提升。我們認(rèn)為L(zhǎng)LM推動(dòng)AI Agent進(jìn)入了新階段，與LLM結(jié)合的AI Agent在智能化程度、自主性方面有 進(jìn)一步提升的潛力，通過(guò)與終端的進(jìn)一步結(jié)合，有望推動(dòng)AI應(yīng)用商業(yè)化加速。

AI Agent能力提升：感知/規(guī)劃/記憶模塊強(qiáng)化或工程化優(yōu)化

從AI Agent的研究看， AI Agent的要素基本上可以分為感知、定義、記憶、 規(guī)劃、行動(dòng)五類(lèi)模塊。從AI Agent的能力提升路徑看，主要包括：1）單個(gè) 模塊的持續(xù)強(qiáng)化：感知模塊的模態(tài)持續(xù)豐富、記憶模塊增長(zhǎng)上下文或提供更 加豐富的數(shù)據(jù)來(lái)源、規(guī)劃模塊中通過(guò)CoT或ReAct等方式提升推理能力、 行動(dòng)模塊補(bǔ)充第三方插件；2）系統(tǒng)性方式優(yōu)化：如通過(guò)將AI各個(gè)模塊作為 整體發(fā)揮作用，利用不同環(huán)境之間交互獲取的跨模態(tài)數(shù)據(jù)，在物理和虛擬世 界中運(yùn)行等。綜上，在底層模型升級(jí)+工程化方法改進(jìn)的共同推進(jìn)下AI Agent 的性能有望持續(xù)提升。

Agent自動(dòng)解決固定范式的問(wèn)題，關(guān)注Agent Workflow

基于LLM的Agent實(shí)踐已經(jīng)取得一定的成果，從AutoGPT、GPTs、Devin 等案例中可以看出，當(dāng)前Agent將LLM應(yīng)用于信息檢索、工具學(xué)習(xí)、任務(wù) 分解、垂直知識(shí)學(xué)習(xí)、人機(jī)交互等場(chǎng)景，實(shí)現(xiàn)了能力的突破。一方面LLM 相比傳統(tǒng)NLP在處理文本信息中的效率有所提升，另一方面特定數(shù)據(jù)訓(xùn)練 賦予LLM較好的解決垂類(lèi)問(wèn)題的能力，基于此當(dāng)前LLM對(duì)于固定范式下解 決問(wèn)題已經(jīng)能夠?qū)崿F(xiàn)較好的自動(dòng)化。我們認(rèn)為通過(guò)Agent Workflow的方式， 能夠更好的實(shí)現(xiàn)AI Agent與具體任務(wù)的結(jié)合，或?qū)⑼苿?dòng)LLM技術(shù)在更復(fù)雜 的應(yīng)用場(chǎng)景中進(jìn)一步提升效率。

Agent改變?nèi)藱C(jī)交互方式，關(guān)注軟硬件產(chǎn)業(yè)機(jī)遇

AI+終端實(shí)現(xiàn)了安全性與個(gè)性化的結(jié)合，為Agent落地打下良好基礎(chǔ)。AI Agent有望改變?nèi)藱C(jī)交互的方式，落地方式包括AIPC、AI手機(jī)等。終端掌 握了重要的交互入口，據(jù)Apple WWDC，Siri用戶(hù)每天發(fā)出的語(yǔ)音請(qǐng)求數(shù)量 高達(dá)15億次，大量的交互為Agent提供了豐富的場(chǎng)景載體；此外通過(guò)壓縮 模型到適合端側(cè)大小的模型，使用優(yōu)化算法加速推理，實(shí)現(xiàn)在端側(cè)落地。對(duì) 比Agent的技術(shù)架構(gòu)，往往也需要基礎(chǔ)模型和小模型的共同支撐，我們認(rèn)為 端側(cè)模型技術(shù)的發(fā)展（模型壓縮等技術(shù)）有助于Agent落地于終端。