看懂这张图，也就读懂了智能体的核心逻辑。
一、总结
🧠 Memory（记忆模块）
记忆系统帮助 Agent 在任务中保持上下文和经验的连续性，分为两种：
- Short-term memory（短期记忆） ：存储当前对话或任务中的临时信息，类似于人类的“工作记忆”。
- Long-term memory（长期记忆） ：保存过去的知识、经验或用户偏好，支持跨会话的个性化与学习。
🛠️ Tools（工具模块）
Agent 可以调用多种外部工具来执行具体任务，图中列举了以下几种：
- Calendar（日历） ：管理时间、安排日程。
- Calculator（计算器） ：执行数学运算。
- CodeInterpreter（代码解释器） ：运行代码，支持动态计算或数据处理。
- Search（搜索） ：从互联网或知识库中检索信息。
- ...more：表示还可以扩展更多工具。
这些工具让 Agent 具备了“行动能力”，可以执行超出语言模型本身功能的任务。
👀 感知
- 智能体工作的第一步。它接收用户的问题或指令，同时从短期记忆和长期记忆中读取相关信息，理解当前所处的状态和可用资源。
🧭 Planning（规划模块）
在理解任务后，智能体开始制定执行步骤。规划是 Agent 实现目标的关键步骤，图中包含以下几种策略：
- Subgoal decomposition（子目标分解） ：将复杂任务拆解为多个小步骤，逐步完成。
- Chain of thoughts（思维链） ：通过一系列逻辑推理步骤来解决问题，类似于“逐步思考”。
🏃 行动
- 根据规划开始执行具体操作。此时智能体会调用行动工具（即调用右侧的工具集），比如打开计算器算数，或者使用搜索查询信息。
🔍 反思/观察
- 这是智能体具备“智能”的关键环节。 在行动之后，智能体会观察行动产生的结果。
- 自我批评：如果结果出错，或者不是最优解，智能体会进行自我批评（例如：“刚才的搜索关键词太宽泛，导致结果不精确”）。
💾 记忆存储经验
- 反思的结果（无论是成功的经验还是失败的教训）最终会被写入记忆系统。
- 这样就形成了闭环： 下次遇到类似任务时，智能体可以从长期记忆中读取这次的经验，避免再犯同样的错误，或者直接套用成功的策略。
🔁 核心思想总结
这张图描绘的是一个具备学习能力的智能体：
- 它有工具（能做事）
- 它有记忆（能记住事）
- 它会思考（能规划步骤）
- 它会复盘（能反思错误）
- 它会成长（能把反思结果存下来，下次做得更好）
二、举个例子
场景:假设我们有一个智能家居系统，它的任务是根据家庭成员的需求调节室内环境，比如温度和灯光。
1.感知 (Perception):
家庭成员通过语音助手说:"我感觉有点冷，能不能把温度调高一些?"智能家居系统通过语音识别和情感分析技术"感知"到用户觉得房间温度太低，需要提高温度。
2.规划(Planning):
系统根据用户的需求，规划出下一步的行动，决定如何调节房间温度。系统可能会制定以下计划:
-
检查当前的室内温度。
-
根据用户的偏好和当前温度决定升高几度合适。
-
调整温度设置，并告知用户。
3.行动(Action):
系统执行计划的行动，首先检查当前温度，例如发现室温是20C。根据用户的偏好，将温度调高到23C，并通过语音助手反馈给用户:"我已经将温度调高到23C，请您稍等，温度将逐渐上升。"
4.观察 (0bservation): 系统观察房间温度的变化，以及用户的反馈。如果用户在几分钟后再次说"现在温度刚刚好"，系统会感知到环境调节成功。
如果用户还觉得冷，系统可能会调整计划，进一步调高温度。
循环：
在每个阶段，智能家居系统都可能根据环境变化和用户反馈调整操作。例如，如果调高温度后用户依然觉得冷，系统会重新规划，进一步调整温度设置。通过这一系列的感知、规划、行动和观察，智能家居系统能够动态响应家庭成员的需求，不断调整室内环境，直到用户感觉舒适为止。
