1，AI agent
1）定义
是一种能够感知环境、基于所感知到的信息进行推理和决策，并通过执行相应动作来影响环境、进而实现特定目标的智能实体。
它整合了多种人工智能技术，具备自主学习、自主行动以及与外界交互的能力，旨在模拟人类智能行为，在不同的应用场景下灵活地完成各种任务。
2）关键特性
1>感知能力
- 传感器
摄像头、雷达 - 数据接口
用户输入的文本
2>推理与决策能力
基于所感知的环境数据，AI agent 运用内置的算法和模型进行分析推理。
例如，使用深度学习中的神经网络模型对图像数据进行识别判断，或者基于规则引擎、概率模型等对文本信息进行语义理解和逻辑分析，然后根据分析结果做出决策。比如在自动驾驶场景中，根据感知到的前方车辆减速、道路出现障碍物等情况，决定是采取刹车、变道还是绕行等操作。
3>行动能力
一旦做出决策，AI agent 能够通过相应的执行器或输出接口来实施行动，从而对环境产生影响。
比如智能家居系统中的 AI agent 决定要调低室内温度后，会向空调的控制系统发送指令使其实际运行并降低温度；在机器人应用场景中，机器人 agent 会通过驱动电机、机械臂等部件做出相应的肢体动作来完成诸如抓取物品、移动到指定位置等任务。
4>学习能力
可以从过往的经验数据（即历史交互信息和任务执行结果等）中学习，也可以通过在线学习机制实时根据新的数据和环境变化来调整自身的行为模式和决策策略。
例如，智能推荐系统中的 agent 会根据用户对推荐内容的点击、浏览、购买等反馈行为，不断优化推荐算法，使其推荐的内容更加贴合用户的兴趣和需求。
2，反应式 AI agent
这类 agent 仅根据当前的环境感知信息做出即时反应，不具备对历史信息的记忆和复杂的推理规划能力。它的行为是基于预设的规则或者简单的映射关系，将感知到的输入直接转化为相应的行动。
例如，一些简单的温度控制系统，当传感器感知到室内温度高于设定值时，就直接启动制冷设备，仅基于当下的温度这一感知条件做出反应，而不考虑温度变化的历史趋势等因素。
3，基于目标的 AI agent
除了能感知环境和做出反应外，还明确知晓要达成的目标，并会基于当前环境和目标之间的差距来规划行动路径。它会不断评估自身的行动是否有助于接近目标，通过搜索算法、启发式策略等手段制定行动计划，然后按计划执行并适时调整。
比如在机器人足球比赛场景中，机器人 agent 有进球的明确目标，它会根据球的位置、队友和对手的位置等环境因素，规划自己的移动、传球、射门等动作，力求达成进球的目标。
4，基于效用的 AI agent
在基于目标的基础上，进一步考虑了不同行动方案所带来的效用（即价值、收益等），它会权衡各种行动选择的利弊，选择预期效用最高的行动。例如，在投资决策场景中，AI agent 会综合考虑不同投资产品的风险、收益、市场趋势等多种因素，评估每个投资选择的效用，然后做出能使投资收益最大化、风险最小化的决策，而不是仅仅朝着某个单一的目标盲目行动。
5，学习型 AI agent
着重强调学习能力，通过机器学习、强化学习等技术不断从经验中学习和改进自身的行为。这类 agent 可以在复杂多变的环境中逐渐适应并优化表现。
例如搜索引擎中的智能排序 agent，它会根据用户对搜索结果的点击行为、停留时间等反馈，利用强化学习算法不断调整搜索结果的排序策略，使得排序结果更符合用户的期望，提升用户的搜索体验。
