《甲子光年：2024年AI Agent行业报告（60页）.pdf》由会员分享，可在线阅读，更多相关《甲子光年：2024年AI Agent行业报告（60页）.pdf（60页珍藏版）》请在三个皮匠报告上搜索。

1、大模型时代的“APP”，探索新一代人机交互及协作范式出品机构：甲子光年智库智库院长：宋涛撰写分析师：刘瑶、胡博文发布时间：2024.42024中国AI Agent 行业研究报告注：AIGC生成内容亦对本报告有贡献CONTENTS目 录Part 01前世今生：科幻憧憬、学术概念与商业尝试Part 02奇点已至：让每个人掌握AI的力量Part 04时代先驱：当下商业实践值得关注的里程碑Part 05潜力无限：来自于数据、算法、算力的飞轮效应Part 03百家争鸣：属于大模型时代的APP繁荣AI Agent的发展历程梳理：大模型赋予了AI Agent核心改变 Agent（代理）一概念起源于哲学，描述

2、了一种拥有欲望、信念、意图以及采取行动能力的实体。在人工智能领域，这一术语被赋予了一层新的含义：具有自主性、反应性、交互性等特征的智能“代理”。大型语言模型（LLMs）的出现为智能代理的进一步发展带来了希望。基于符号规则基于统计学习基于深度学习基于大模型LLM给AI Agent底层提供了一个突破性技术方案：LLM带来了深度学习新范式，思维链和强大的自然语言理解能力有望让Agent 具备强大的学习能力和迁移能力，从而让创建广泛应用且实用的Agent成为可能LLM的框架优势：过去等强化学习基于深度学习框架可让Agent学到技能，但Agent的泛化性较差，往往用于非常窄的特定领域，例如用在游戏或低维

3、层面的控制或计划，标志性应用是围棋领域的AlphaGo。长期以来，研究者们一直在追求与人类相当、乃至超越人类水平的通用人工智能（Artificial General Artificial General IntelligenceIntelligence，AGIAGI）。在 1950 1950 年代，Alan Turing Alan Turing 就将智能的概念扩展到了人工实体，并提出了著名的图灵测试。这些人工智能实体通常被称为 AgentAgent（代理*）过往的工作主要集中在增强代理的特定能力，如符号推理或对特定任务的掌握（国际象棋、围棋等）。这些研究更加注重算法设计和训练策略，而忽视了模型

4、固有的通用能力的发展，如知识记忆、长期规划、有效泛化和高效互动等。事实证明，增强模型固有能力是推动智能代理进一步发展的关键因素。*Agent 术语的中文译名并未形成共识，有学者将其翻译为智能体、行为体、代理或智能代理，目前行业出现的“代理”和“智能代理”均指代 Agent，后由于2023年Open AI引爆AIGC领域，一般称为AI Agent。过往的AI Agent类型：符号型智能体：采用逻辑规则和符号表示来封装知识和促进推理过程，如1980年前后，出现的医学诊断专家系统，模拟心理治疗程序等；反映型智能体：关注智能体与其环境之间的交互，强调快速和实时响应，缺乏复杂缺乏复杂决策和规划能力；基于

5、强化学习的智体题：关注如何让智能体通过与环境的交互进行学习。基于迁移学习和元学习的智能体：使智能体从少量样本中迅速推理出金刃舞的最优策略。AI Agent的发展历程简述数据来源：公开资料，专家访谈，甲子光年智库整理LLM是Agent能力的增效器，交互协作程度是Agent能力的扩展器大模型时代的AI AgentLLM（规划+记忆+工具+行动）提升AI Agent的理解力和泛化能力，使其能更好地处理多种任务和上下文信息。这增强了AI代理的自然语言处理能力，从而提供更个性化、连贯的交互体验。LLM是核心控制器，构建核心能力核心特征AI Agent记忆能力行动能力工具能力规划能力人类用户通过用户接口、

6、命令指示等方式与Agent形成交互，是Agent的监督者、合作者和决策者外界环境Agent所处的环境（可能包括虚拟及物理世界），外界环境可以与Agent形成交互Agents其他Agent，多Agent可以形成协作，结合相关任务结果形成群体智能系统开发者Agent的开发者，对Agent的相关能力，设计Agent的相关组件能力人机交互设计开发感知反馈群体协作架构解析 当下大模型的参数量提升AI Agent的理解力和泛化能力，使其能更好地处理多种任务和上下文信息。这增强了AI代理的自然语言处理能力，从而提供更个性化、连贯的交互体验，是当下Agent的构建关键。Agent基于LLM的组件，和交互两个层