智能体综述：探索基于大型语言模型的智能体：定义、方法与前景
论文地址：EXPLORING LARGE LANGUAGE MODEL BASED INTELLIGENT AGENTS: DEFINITIONS, METHODS, AND PROSPECTS
1. 概括
该综述聚焦基于大型语言模型（LLM）的智能体，将其视为通往通用人工智能（AGI）的潜在路径，系统梳理了单智能体与多智能体系统的定义、研究框架及核心组件（如规划、记忆、反思、工具使用、环境交互），对比了LLM-based智能体与强化学习（RL）智能体的优劣，阐述了多智能体系统中角色协作、消息传递及通信效率提升策略，介绍了主流数据集与基准测试，详细探讨了其在自然科学、社会科学、工程系统等领域的应用前景，同时指出LLM固有约束、动态扩展、安全信任等挑战，并展望了持续学习、多模态融合等发展趋势。
2. 思维导图
3. 详细总结
一、研究背景与智能体基础
智能体定义与定位
智能体是能从环境中感知信息并执行动作的实体，是实现人工通用智能（AGI） 的潜在路径，核心特征包括自主性（独立决策）、感知能力（传感器采集信息）、决策能力（基于感知选动作）、动作能力（改变环境状态）。智能体分类
根据功能与决策逻辑，智能体分为5类：简单反射型（基于当前感知直接反应）
基于模型反射型（结合环境模型决策）
目标导向型（以达成目标为核心）
效用导向型（追求效用最大化）
学习型（通过经验改进行为）：RL-based智能体与LLM-based智能体均属于此类。
LLM-based智能体的兴起
RL-based智能体局限：训练时间长（需大量环境探索）、样本效率低（高计算成本）、稳定性差（高维函数逼近易振荡）、泛化性弱（仅适配特定任务）。
LLM的优势与不足：擅长自然语言处理（推理、问答、编程），但存在上下文长度约束（易忽略中间文本）、知识更新慢（训练迭代耗资源）、无法直接用工具的问题。
LLM-based智能体优势：① 强大的自然语言处理与知识储备（覆盖常识与领域知识）；② 零样本/少样本学习（新任务需少量样本）；③ 自然的人机交互（自然语言接口）。
二、LLM-based智能体系统框架
（一）单智能体系统
核心组件（五要素模型 (V=(L, O, M, A, R))）
组件 | 定义与功能 | 关键技术/示例 |
|---|---|---|
LLM（L） | 认知核心，负责任务规划与决策，基于观察、记忆、奖励信息工作 | 动态调整温度参数，无需额外训练 |
目标（O） | 智能体需达成的终端状态，需基于目标进行任务分解 | 代码生成、游戏探索等具体任务目标 |
记忆（M） | 存储信息与当前状态，记录动作后的环境反馈与奖励 | 短期记忆（对话历史）、长期记忆（知识图谱） |
动作（A） | 智能体可执行的操作，包括使用工具、开发新工具、传递消息 | 调用API、使用计算器、控制机器人臂 |
反思（R） | 评估前序动作与环境反馈，整合记忆与LLM优化后续动作 | ReAct（交互推理+动作）、Reflexion（自我反思） |
外部组件
工具：智能体可调用的外部工具，如计算器、SQL执行器、代码解释器、机器人臂等，典型案例包括ToolFormer（LLM自主选工具）、HuggingGPT（集成多AI模型工具）。
环境：智能体交互的场景，分为5类：
环境类型 | 交互方式 | 典型案例 |
|---|---|---|
计算机环境 | 网页爬取、API调用、网页搜索、数据库查询 | WebGPT（搜索辅助问答）、SheetCopilot（表格交互） |
游戏环境 | 角色控制、环境交互、状态感知 | Voyager（Minecraft探索）、DECKARD（任务设计） |
代码环境 | 代码生成、调试、评估 | GPT-Engineer（生成代码库）、MetaGPT（协作编程） |
现实环境 | 数据采集（传感器）、设备控制（执行器）、人机交互 | TaPA（实体任务规划）、Di Palo等（机器人操作） |
仿真环境 | 模型操控、数据分析、优化 | TrafficGPT（交通仿真）、AucArena（拍卖仿真） |
核心能力实现
上下文学习：ReAct（交替生成推理与动作）、Reflexion（计算启发式判断环境重置）。
监督学习：CoH（基于反馈的序列优化）、Process Supervision（过程监督优于结果监督）。
强化学习：Retroformer（从回顾模型学习）、REMEMBER（强化学习+经验记忆更新）。
短期记忆：依赖LLM上下文窗口，存储当前任务相关信息（如ChatDev的对话历史）。
长期记忆：通过外部存储扩展，如知识图谱（存储实体关系）、向量数据库（高效检索）、MemGPT（管理多记忆层级）。
记忆检索：基于检索增强生成（RAG），结合外部知识库提升输出可靠性（如LaGR-SEQ的样本高效查询）。
上下文学习（ICL）：如Chain of Thought（CoT）（拆解复杂任务）、Tree of Thought（ToT）（树状思维探索）、Self-consistency（多推理路径投票）。
外部方法：如LLM+P（结合经典规划器与PDDL语言）、LLM-DP（LLM+符号规划器解决实体任务）。
多阶段方法：如SwiftSage（快速直觉思考+审慎思考）、DECKARD（Dreaming分解子目标+Awake验证策略）。
规划能力：将目标分解为动作序列，方法分为三类：
记忆能力：
反思能力：通过评估与反馈优化行为，方法包括：
（二）多智能体系统（MAS）
核心特征与分类
多智能体系统由多个交互的智能体组成，擅长跨领域复杂任务，关键分类维度包括：角色关系：协作型（如Generative Agents模拟人类协作）、竞争型（如Liang等的多智能体辩论）、混合型（如Werewolf游戏中的合作与背叛）、层级型（如AutoGen的任务分解）。
规划类型：
规划类型 | 定义 | 优势 | 不足 |
|---|---|---|---|
集中规划分散执行（CPDE） | 中央LLM负责规划，各智能体独立执行 | 全局优化，协调高效 | 计算复杂，单点故障风险高 |
分散规划分散执行（DPDE） | 各智能体独立规划，通过通信 | 鲁棒性强，适应动态环境 | 难达全局最优，通信开销大 |
通信机制与效率提升
信息交换方式：无通信（仅依赖本地信息）、有通信（消息传递）、共享内存（中央知识库如MetaGPT的全局内存池、共享参数）。
通信效率提升策略：
设计通信协议：定义消息语义、语法（如KQML、FIPA-ACL）、交互协议（对话结构）。
引入中介模型：判断智能体交互必要性，减少冗余通信（如Hu等的成本优化交互）。
抑制LLM无效输出：如CoVe（生成验证问题修正输出）、合成数据微调减少谄媚输出。
三、性能评估
（一）关键数据集
数据集名称 | 领域 | 核心内容与规模 |
|---|---|---|
HotpotQA | NLP | 多跳问答，含11.4万训练样本、7千开发样本、3千测试样本 |
CAMEL | 社会/代码 | 社会对话：50个助手角色+50个用户角色+10个任务=2.5万对话；代码对话：20种语言+50个领域=5万对话 |
APPS | 编程 | 1万道编程题，覆盖不同难度 |
HumanEval | 编程 | 164道原创编程题，评估语言理解与算法能力 |
ToolBench | 工具使用 | 1.6万+真实RESTful API，含单工具与多工具场景 |
MITCOURSE ES | 数学 | 7门课程（微积分、线性代数等），每门25道题 |
（二）主流基准测试
ToolBench：工具使用评估，覆盖49类API场景。
AgentSims：开源评估平台，模拟虚拟城镇等场景，测试规划与决策能力。
AgentBench：综合评估智能体基础能力，包括工具使用、记忆、推理等。
SmartPlay：6类游戏场景，20种评估配置，测试环境适应能力。
MLAgentBench：机器学习任务基准，支持文件读写、代码执行等操作。
四、应用前景
（一）自然科学
数学：Math Agents探索数学问题、LeanDojo辅助定理证明、ToRA结合工具解决复杂数学问题。
化学与材料：Coscientist自主设计化学实验、ChatMOF预测生成MOF、ChemCrow访问化学数据库加速研究。
生物学：BioPlanner评估生物实验规划、OceanGPT生成海洋科学数据、模拟生态系统与分子机制。
气候科学：Kraus等用LLM提取ClimateWatch排放数据、模拟气候系统预测大气现象。
（二）通用自主智能体
通用任务助手：HuggingGPT（集成多AI模型）、AutoGPT（自动分解目标）、BabyAGI（任务生成与存储）。
工作/研究助手：GPT Researcher（生成研究报告）、Boiko等的智能体自主设计科学实验、MemWalker（长文本阅读交互）。
（三）社会科学与工程系统
领域 | 典型应用 |
|---|---|
经济学与金融 | Horton对比LLM与人类经济行为、TradingGPT的分层记忆提升交易决策、AucArena模拟拍卖 |
教育学 | AgentVerse模拟NLP课堂、CGMI模拟师生交互、Math Agents转换数学公式格式 |
机器人系统 | TaPA的实体任务规划、ProAgent的协作推理、RoCo的多机器人协作 |
医疗系统 | Williams等的流行病建模、AI-SCI评估临床任务能力、模拟药物发现与优化 |
五、发展趋势与挑战
趋势
标准化评估：建立基础能力（如推理、工具使用）与领域能力（如法律、医疗）的统一基准。
持续进化：实现持续学习（无灾难性遗忘）、自我评估与动态目标调整、环境适应性提升。
多模态融合：结合图像、语音等多模态信息，如GPT-4V、PALM-E的多模态任务处理。
挑战
LLM固有约束：上下文长度有限、知识更新延迟、易产生幻觉。
动态扩展：系统需自适应调整规模与资源分配（如LLM级联降低成本）。
安全与信任：合理分配权限、测试可靠性（如ToolEmu模拟工具执行评估风险）。
关于我们
看到这里，相信你对本文核心主题已经有了更深入的理解。但 AI 和大模型领域更新迭代极快，单篇文章的内容很难覆盖所有细节，只能算是入门铺垫。
我平时会在【小灰熊大模型】这个公・Z・号里，系统整理 AI 大模型相关的实用资料，比如最新模型技术白皮书、实战调参手册、行业落地案例合集，还会每周更新 AI 前沿动态速递。
里面沉淀的干货具体包括：
- 大模型入门学习路线图，帮新手少走弯路
- 大模型方向必读书籍 PDF 版，方便随时查阅
- 大模型面试题库，覆盖常见考点和高频问题
- 大模型项目源码，可直接参考实操
- 超详细海量大模型 LLM 实战项目，从 0 到 1 带练
- Langchain/RAG/Agent 学习教程，聚焦热门技术方向
- LLM 大模型系统 0 到 1 入门学习教程，适合零基础
- 吴恩达最新大模型视频 + 课件，同步前沿课程内容
一直以来，我都在专注分享 AI 与大模型领域的干货 —— 从基础原理拆解到进阶实战教程，从开源工具测评到商业落地思考，每一篇内容都尽量打磨得细致实用，希望能帮大家快速跟上技术浪潮。
如果需要上述资料，关注后在GZH后台回复关键词【大模型福利】就能获取，后续也会持续更新更多针对性资源，一起在 AI 领域慢慢深耕成长～