每日一记（8/28）：LLM 智能体运行原理与 AI 三大范式
LLM 智能体的能力
LLM 智能体出现以后，智能体第一次可以不依赖逐条硬编码的业务逻辑，而是自己拥有以下几项能力：
- 规划与推理：把复杂目标拆解成可执行的步骤；
- 工具使用：调用外部工具（代码解释器、搜索引擎、API 等），补齐自身能力的边界；
- 动态修正：根据执行结果和环境反馈随时调整计划，而不是一条道走到黑。
智能体的三种形态
| 形态 | 特点 | 适用场景 |
|---|---|---|
| 反应式（Reactive） | 对环境刺激做出近乎即时的响应：决策延迟极低、速度快、开销低 | 需要快速决策的场景（游戏 bot、实时监控等） |
| 规划式（Deliberative） | 会进行复杂思考：基于目标、基于效用做决策 | 需要深思熟虑的复杂任务 |
| 混合式（Hybrid） | 规划 + 反应结合 | 复杂真实任务——先规划，边执行边反馈 |
两个关键动作拆开看：
- 规划（Reasoning）：发生在「思考」阶段——LLM 分析当前状况，规划出下一步的合理行动，这是一个审议过程；
- 反应（Acting & Observing）：发生在「行动/观察」阶段——智能体与外部工具或环境交互，并立即获得反馈，这是一个反应过程。
真实世界多数是混合式：先用 LLM 规划，再落地执行，观察反馈，再规划……如此循环.
AI 三大范式
符号主义（Symbolic AI）
常被称为传统人工智能，核心信念是：智能源于对符号的逻辑操作——这里的符号是人类可读的实体（如词语、概念），操作则遵循严格的逻辑规则（如规则库、知识图谱）。好比一位一丝不苟的图书管理员，把世界知识整理成清晰的规则库和知识图谱；专家系统是典型代表.
亚符号主义（Sub-symbolic AI，又称连接主义）
与符号主义相反，亚符号主义认为知识并非显式的规则，而是内隐地分布在一个由大量神经元组成的复杂网络中的统计模式——这些模式从海量数据中学习而来，神经网络与深度学习是其代表.
神经符号主义（Neuro-Symbolic AI）
长久以来，亚符号主义和符号主义两大阵营如同两条平行线，各自发展.为克服两种范式的局限，一种「大和解」的思想开始兴起——神经符号主义，目标是把两者优点融合：既能像神经网络一样从数据中学习，又能像符号系统一样进行逻辑推理——把亚符号主义擅长的模式识别，与符号主义擅长的逻辑推理结合起来.一个方便的类比：诺奖得主丹尼尔·卡尼曼（Daniel Kahneman）在《思考，快与慢》中提出的双系统理论——系统 1 是快思考（直觉、模式识别，像神经网络），系统 2 是慢思考（审慎、可解释的逻辑推理，像符号系统）.神经符号主义智能，等价于给 AI 同时装上这两套系统：
| 范式 | 对应系统 | 擅长 |
|---|---|---|
| 亚符号（神经网络） | 系统 1（快思考） | 模式识别、从数据中学习 |
| 符号（规则/知识图谱） | 系统 2（慢思考） | 逻辑推理、可解释 |
| 神经符号主义 | 系统 1 +系统 2 | 学习与推理兼得 |
智能体的运行机制
智能体循环可以用一句话概括：感知 → 思考 → 行动 →（反馈回到感知）→ ……
感知（Perception）：循环的起点
智能体通过传感器（例如 API 的监听端口、用户输入接口）接收来自环境的输入信息——这些信息即观察（Observation）：既可以是用户的初始指令，也可以是上一步行动所导致的环境状态变化反馈.
思考（Thought）：核心决策阶段
接收观察后，智能体进入核心决策阶段，对 LLM 智能体而言，这是由大语言模型驱动的内部推理过程，可进一步细分为两个关键环节：
- 规划（Planning）：基于当前观察和内部记忆，更新对任务和环境的理解，并制定或调整行动计划——这可能涉及把复杂目标分解为一系列更具体的子任务；
- 工具选择（Tool Selection）：根据当前计划，从可用工具库中选择最适合执行下一步骤的工具，并确定调用该工具所需的具体参数.
行动（Action）：对外部环境施加影响
决策完成后，智能体通过执行器（Actuators）执行具体行动——通常表现为调用一个选定的工具（如代码解释器、搜索引擎 API），从而对环境施加影响，意图改变环境状态；新的状态又以观察形式反馈回感知环节，循环往复.
一句话总结：
感知 → 思考（规划 + 工具选择）→ 行动 → 观察反馈……——LLM 负责「思考」环节，工具与执行器负责「行动/感知」环节，两者交替构成了智能体的完整闭环.
支持与分享
如果这篇文章对你有帮助，欢迎分享给更多人或打赏支持！