本文来自往期 PRO会员通讯精选解读，文末关注「机器之心PRO会员」，查看更多专题解读。
Agent 是 AI 领域近期中最受关注的热词之一。2024 年底，谷歌在发布 Gemini 2.0 的同时强调 Agentic era 的到来。2025 年初，谷歌团队发布了 Agent 主题的白皮书，全面地介绍了关于 Agent 的基本概念、与 LLM 的区别、核心架构、工作原理及在实际中的应用等。同时，在报告中，还解析了 Agent 与传统 LLM 之间的区别。报告指出，Agent 是 LLM 在知识获取方式、会话管理能力、工具与逻辑层实现等方面能力的拓展，而 LLM 知识局限于训练数据，则无需这些能力。
目录
01. Agent 是什么？与传统的 LLM 有何区别？
Agent 是什么？缘何而来？与传统的 LLM 哪些区别？？对 Richard Sutton 推崇的持续学习有何影响？
02. Agent 具体是如何工作的？为什么编排层才是核心？
Agent 与外界环境进行交互的工具是什么？如何更有效地提升 Agent 的性能？
03. Agent 如何通过工具与环境进行交互？
Agent 与外界环境进行交互的工具是什么？
04. 交互环境过于复杂怎么办？如何提升 Agent 的性能？
如何更有效地提升 Agent 的性能？
01 Agent 是什么？与传统的 LLM 有何区别？
白皮书中详细介绍了关于 Agent 的概念、核心架构以及工作原理。同时，在报告中，还解析了 Agent 与传统 LLM 之间的区别。报告指出，Agent 是 LLM 在知识获取方式、会话管理能力、工具与逻辑层实现等方面能力的拓展，而 LLM 知识局限于训练数据，则无需这些能力。1、人类在处理复杂任务时常常借助工具来补充知识并得出结论，类似地，生成式 AI 模型也可被训练使用工具以获取实时信息或执行实际行动。例如，模型能利用数据库检索工具获取客户购买历史等信息来生成个性化购物推荐，或根据用户查询进行 API 调用以发送邮件或完成金融交易等。这种结合推理、逻辑和外部信息访问能力且与生成式 AI 模型相连的方式，引出了 Agent 的概念，即超越生成式 AI 模型独立能力的程序。① Agent 为解决生成式 AI 模型在实际应用中的局限性提供了思路，使得模型能够更好地应对复杂任务，通过自主规划和执行任务，以及与外部系统交互获取实时信息，大大扩展了模型的应用范围和能力边界，在众多领域展现出潜在的巨大价值，推动了 AI 技术向更实用、更智能的方向发展。2、Agent 的工作原理可以概括为一个认知架构，这个架构包括三个核心组件：模型、工具和编排层。① 模型是 Agent 的「大脑」，负责处理信息、生成决策和输出结果。它可以是一个或多个语言模型，具备基于指令的推理和逻辑框架能力。② 工具是 Agent 与外部世界交互的「手脚」，使 Agent 能够获取实时信息、执行实际操作。③ 编排层则是连接模型和工具的「桥梁」，它负责管理信息流、决策过程和任务执行的顺序。3、 Agent 功能是基于模型功能的基础上，在知识获取方式、会话管理能力、工具与逻辑层实现等方面能力的拓展。① 模型的知识局限于其训练数据，而 Agent 通过工具与外部系统连接，能够扩展知识范围，获取实时信息，从而更好地应对多样化的任务需求。② 模型通常基于用户查询进行单次推理，除非专门要求，模型一般不考虑会话历史或连续上下文，而 Agent 能够考虑会话历史，基于用户查询和编排层决策进行多轮推理，实现更连贯、上下文相关的交互。③ 模型本身无原生工具实现和逻辑层，用户需通过构建特定提示或使用推理框架引导模型预测；Agent 则原生实现了工具和认知架构，利用如 CoT、ReAct 等推理框架或其他预构建的代理框架，使代理能够更自主、智能地执行任务。02 Agent 具体是如何工作的？为什么编排层才是核心？在白皮书中，详细地介绍了 Agent 的工作原理，包括如何收集、处理信息以及决策下一步动作等。其中，报告特别提到，编排层是 Agent 认知架构的核心...... 关注👇🏻「机器之心PRO会员」，前往「收件箱」订阅，查看完整解读内容 更多往期专题解读内容，关注「机器之心PRO会员」服务号，点击菜单栏「收件箱」查看。
