前言

随着Chat GPT的横空出世，时至今天，LLM大模型已经进入了百花齐放的阶段。基于LLM大模型和AI工作流的发展，现在终于进入了AI Agent的时代。或许你已经从各种渠道了解到了AI Agent这个词，但是对于这个概念，要么解释的太过技术性，让你无法抓到他的本质。要么就是东拼西凑，不知所云。

其实知识的传递永远是要朴素与易解的，深蓝序列对AI Agent的解释就两句话：

1. AI Agent：AI任务引擎，人类设定目标，无需监控或反复询问，AI 将主动完成整个过程。
2. Agent翻译过来就是代理，AI Agent即AI代理了人类成为任务的决策者。

图 1

好了，你已经了解什么是AI Agent了。不过，先别急着划过，如果你想在深入了解些。接下来的内容，就是为了像我这样不太懂技术，又经常使用AI的人准备的！如果你想足够了解AI Agent，可以看完它。

我们将遵循事物发展的逻辑，顺序串联起你已经了解的大语言模型、AI工作流、到最终理解AI Agent。

放心！绝对没有一带而过的行业黑话来设置学习壁垒。

AI Agent的由来

从大规模语言模型（LLM）到智能工作流（RAG），再到 AI Agent，让你通俗易懂地领会它们的区别与演进：

LLM（大语言模型）

LLM（Large Language Model，大型语言模型）是基于深度学习技术构建的超大规模自然语言处理模型，通过海量文本数据训练获得对语言规律的深度理解能力，能够生成、理解和推理人类语言。

图 2

相信你在工作、学习中已经在使用了，像chat GPT、deepseek、文心一言、通义千问、豆包等等这些创建于LLM之上的应用。他们可以基于庞大的数据和机器学习来解答你的问题，辅助你学习和工作。

但是，LLM就有一个问题：LLM是基于现有的知识和数据的。

比如：我让deepseek帮我写一份邮件，邮件内容是明天我要请个假，理由是我要参加孩子的家长会。当然，我还可以要求它语气客气点。

分分钟，它就生成好了一份请假邮件。领导看了绝对舍不得反驳。

但是，如果我问deepseek我下次请假是什么时候，他是肯定不知道的，因为它不知道我私人信息

这就突出LLM的两个特点：

1. 它所掌握的数据是公共的
2. 它不了解我个人的，或者公司私有的信息

记住这两点！

AI工作流

进入到AI应用的第二级！

还是上面的例子，如果我问deepseek，下次请假是什么时候？它一定很懵逼！！

于是，我让它可以访问我的日历行程应用，那么它就知道不久后的一天是我和妻子的结婚纪念日，它回答我这天该请假了，好好陪陪老婆去逛街看电影。

但是，这个时候我可会再问，那天的天气怎么样？适不适合在户外活动？

这时候deepseek又犯难了，因为它访问的日历信息里面，没有关于天气的内容。这个时候，我让deepseek可以通过API访问天气应用。

它就可以继续回答我的问题了！

这就是AI工作流的特征，deepseek在回答问题前会有信息检索的步骤，当然无论这个步骤有多少，它也只是一个AI工作流。

图 3

上面提到的，就是我们提到的RAG，检索增强生成。很花里胡哨的术语，通过我们前面的例子，你就应该理解的，RAG就是帮助语言模型在回答问题前先查找相关内容的过程。

AI Agent

通过前两个AI场景的晋级，终于来到了AI Agent时代了！

还是上面的例子的延展：

我给AI一个任务，关注我的行程主动去帮我请假，这样我在有事的时候就不会忘记请假了！

于是，我把这个想法作为最终目标输入给AI，AI要完成这个目标会执行下面着几步

1.思考怎么完成这个任务

2.使用工具来获取要完成这个任务的信息

3.开始执行任务

这个过程中，作为人类的我不会干预AI。于是人类作为决策者的角色被AI取代了，AI会决定什么时候该请假，

并写好请假邮件，发送给我的领导，并提醒我休假。

这就是前面说的：

Agent翻译过来就是代理，AI代理的人类成为决策者

于是AI工作流就升级为了AI Agent！

好了，最终我们来总结、对比下RAG和AI Agent，彻底打通你的思维枷锁

图 4

至此你应该了解什么是AI Agent！

后面我还会分享一些AI Agent项目！