![]()
这是求职产品经理系列的第290篇文章
一、什么是Agent？为什么是Agent？
当我们将其视为“核心调度器”时，它就成为了我们的Agent。通过整合任务规划、记忆和外部工具等多种能力，大模型能够识别并自主执行各类任务，从而实现智能决策。这样的智能助手不仅仅是“任务执行工具”，它更像是一个具有人类思维模式的“仿主体”。这种仿主体性意味着Agent能够模拟人类的方式，从“计划”、“组织”、“执行”到“学习”，全程自主完成任务。![]()
Agent的主动模式相较于传统软件或机械的被动模式，带来了革命性的变化。我们可以为Agent设定能力范围，使其能够自主发现问题、设定目标、构思策略、选择方案、执行任务并进行检查和更新。因此，Agent可以被视为“具备自主智能的实体”，也被广泛称为智能体。目前的Agent主要分为三种类型：单体Agent、多Agent协作（Multi-Agent），以及与人交互的Agent。面对一个“任务”，人类只需描述一个“目标”，然后将任务的执行交给Agent。AI接收目标后，会自主进行“感知环境”、“形成记忆”、“完成规划”、“选择行动”、“观察并纠正错误”等一系列以任务目标为导向的行动。基于大模型的AI Agent并非一种“新技术”，而更像是面向大型语言模型（LLMs）的“新管理方式”。基于Prompt与大型模型的互动方式更像是静态的“输入-输出”，而AI Agent则为大模型提供了一个进行“动态决策”的框架，使得大模型有能力处理更复杂、更多样化的决策任务，从而为大型模型从“语言”迈向“真实世界”奠定了稳固的基础。二、从思维链到Agent
2.1 什么是思维链
在深入理解思维链（Chain of Thought, CoT）之前，我们先来认识两个重要概念：“语言智能”和“推理”。“语言智能”是指使用自然语言的概念来理解经验和事物，并在概念之间进行推理的能力。这种智能使我们能够通过语言进行复杂的思考和表达。“推理”通常被理解为根据已知的前提得出新结论的过程。这个过程通常涉及多个步骤，并形成一些关键的“中间概念”，这些中间概念对于解决复杂问题至关重要。
![]()
当我们让大型模型对复杂问题进行分解，将其转换为一步步可解决的子问题，大模型的性能得以显著提升。
此时，这些推理的步骤便构成了我们所称的思维链 CoT。
一个完整的CoT形式的Prompt通常由三部分组成：指令（Instruction）、逻辑依据（Rationale）和示例（Exemplars）。
2.2 为什么使用思维链
1）提高了模型的可解释性：与单纯输出结果的模型相比，CoT可以展示模型的解题过程，帮助我们更好地理解模型是如何工作的。同时，其解题步骤的输出也为我们提供了错误定位的依据。2）增强了模型的可控性：CoT让模型一步步展示解题步骤，我们通过观察这些步骤可以更大程度地影响模型的问题解决过程，避免模型成为无法控制的“完全黑盒”。3）提升了大模型的推理能力：通过将复杂问题拆解为简单的子问题，CoT大大增强了模型的推理能力。它还尽可能地减少了模型在解决问题时忽视关键细节的现象，从而确保计算资源始终集中在解决问题的核心步骤上。4）提升了模型的灵活性：只需添加一句“Let's think step by step”，CoT方法便可在各种大型模型中使用。此外，CoT赋予模型的分步思考能力并不仅仅局限于“语言智能”，在科学应用与AI Agent构建等领域也均可发挥重要作用。2.3 何时使用CoT
CoT (Chain of Thought) 的运用能够有效提升模型解决复杂任务的效率和准确度。如何理解这种差异效应呢？1）任务复杂度： 对于简单的任务，如查找特定信息或回答事实性问题，CoT的优势可能不明显，因为这些任务的解决方法直接且单一。然而，当面临复杂任务，例如编写全面的项目报告或进行复杂的数学求解，CoT的序列推理过程可以显著提升模型的表现，通过分解和逐步解答，大大提高了问题解决的准确性。2）模型规模与算力： 此外，CoT的效益也与模型的规模以及可用的算力有关。对于较小的模型，它们可能没有足够的计算能力或内部表现形式空间来有效地实施CoT。相反，较大的模型，特别是那些配备有大量计算资源的模型，更能有效地运用CoT策略，因为他们可以在信息处理和理解中，通过持续的、连续的推理过程，更加深入地理解相关上下文。3）任务之间的关联性：CoT策略也依赖于处理的多个子任务之间的关联性。如果这些子任务在概念性或主题性上有一定的关联性。那么通过CoT，模型就可以很自然地建立起这些基础知识和子任务之间的联系，“桥梁”作用显现，如联合乘法和加法运算规则解决更复杂的数学问题。这种关联性允许模型在解答过程中，把先前步骤的信息有效地用在后续步骤里，从而提高整体任务的解决效率。2.4 CoT如何到Agent
AI Agent需要对接收到的信息进行深度理解，这包括但不限于从环境中收集的反馈，以及从用户接收的指令。
这个理解的过程不仅包括了信息的收集和分析，更加重要的是对所收集信息进行深度解析，实施有效的意图识别。
这可以将解析的结论转化为模型下一步的具体任务，这个过程就像人类大脑的工作过程：从接收信息，对信息进行处理和理解，然后基于理解结果形成决策，再从决策转化为具体行动。
CoT就在这个过程中发挥了关键的作用，它通过序列化的思考模式，让智能体能更有效地理解和处理输入信息。
CoT帮助增强智能体进行决策的可靠性。它将任务分解为一系列小步骤，然后通过逻辑推理，逐一解决这些小步骤，最终将这些解决方案整合为完成整个任务的方案。
这种逐步解决问题的方法，可以大大降低在面对复杂任务时，因信息过多或过于复杂，而导致的错误决策。同时，这种方法也提高了整个解决方案的可追踪性和可验证性。
CoT的核心功能在于将计划、行动与观察相互结合，弥补推理与行动之间的差距。
这种思考模式允许AI Agent在预测可能遇到的异常情况时制定有效的对策，以及在与外部环境交互的同时积累新信息、验证预先设定的预测，提供新的推理依据。
CoT就像是一个强大的精确度和稳定性引擎，帮助AI Agent在复杂环境中保持高效的工作效率。
关于Agent的落地场景以及落地难度分析，下篇文章进行分析，感觉有帮助可以先关注哦~
AIGC求职｜2025百度管培生计划
起薪4万的AI产品经理，必须掌握的算法全景地图
美团 AIGC产品经理面经（已拿 offer）
从碧桂园离职，这个转行，跨度蛮大的
【全网最全】AIGC产品经理面试高频100题答案解析
面试9家，拿到5个offer，感觉最近招聘市场还不错
35岁+进央企做AIGC产品经理，可行否？
