当前位置：首页 > news >正文

[特殊字符] 从大脑到实体：LLM 与 AI Agent

news 2026/5/11 21:51:09

🚀 从大脑到实体：LLM 与 AI Agent

一、基础概念：LLM（大语言模型）

LLM是语言模型从量变到质变的产物。如果把普通语言模型比作“复读机”，那么大语言模型就是“思想家”。

核心维度的跨越

维度	普通语言模型 (LM)	大语言模型 (LLM)
规模 (Scale)	百万至亿级参数；特定领域数据（如医疗）。	百亿至万亿级参数；全网数据（图书、代码、百科）。
能力 (Capability)	专才：仅限填空、语法纠错、分类。	全才：具备涌现能力，能逻辑推理、写代码。
交互方式	判别式：输出概率、分数。	生成式：输出逻辑自洽的对话与内容。
训练范式	微调驱动：针对每个任务喂特定数据。	预训练+指令微调：理解人类意图，实现零样本学习。

💡 深入理解“对话”：
模型本质上是“概率预测机器”，它并不真的“记得”你。每次对话的实质是：
Prompttotal=System_Setting+Context+User_InputPrompt_{total} = System\_Setting + Context + User\_InputPrompttotal=System_Setting+Context+User_Input
模型接收这串长文本，预测出逻辑最通顺的“续写”。

二、智能体 (AI Agent)：赋予大脑“手脚”

智能体是当前 AI 的进阶形态。如果 LLM 是一个“博学但瘫痪”的大脑，Agent 就是给大脑装上了感官、肢体和笔记本。

核心架构：四根支柱

根据 OpenAI 研究员 Lilian Weng 的定义：

Agent=LLM+Planning+Memory+Tool Use\text{Agent} = \text{LLM} + \text{Planning} + \text{Memory} + \text{Tool Use}Agent=LLM+Planning+Memory+Tool Use

大脑 (LLM)：核心调度器，负责决策与推理。
规划 (Planning)：

任务拆解：将“办场婚礼”拆解为选址、订餐、发请柬。
自我反思：执行后检查结果，若报错则自动修正路径。

记忆 (Memory)：

短期记忆：当前对话的上下文（Context Window）。
长期记忆：利用向量数据库存储历史经验，像人类的“长时记忆”一样随时检索。

工具使用 (Action)：

通过API 调用联网、运行代码、控制硬件，真正干涉现实世界。

关键技术术语

Function Calling：大脑与手脚沟通的“暗号”（通常是 JSON 格式）。
MCP (模型上下文协议)：智能体连接外部工具的“万能插座”标准。
Subagent (子智能体)：分工协作，防止主大脑因处理琐碎信息而“脑载过重”。

三、深度对比：知晓 vs. 做到

特性	大模型 (LLM)	智能体 (Agent)
本质属性	函数/组件（输入→\rightarrow→输出）	系统/实体（感知→\rightarrow→决策→\rightarrow→行动）
交互逻辑	线性交互：一问一答，随即结束。	闭环迭代：思考-行动-观察-修正，直至完成目标。
执行深度	“纸上谈兵”：告诉你订票的流程。	“落地执行”：直接帮你把票订好并扣款。
类比	赛车引擎：动力澎湃但原地空转。	自动驾驶赛车：有动力、有导航、会自动打方向盘。