# 一、引言

# 1. AI Agent 概念

AI Agent 概念雏形源于哲学领域，早期哲学家构想的能与环境互动的自主意识实体，为它埋下思想种子。20世纪50年代，阿兰·图灵提出图灵测试，“Agent”进入人工智能领域，指具有感知、决策、行动的人工实体。

近年，大模型成为AI Agent发展关键转折点，它以海量参数和深度学习能力革新底层架构，赋予 AI Agent 超强自然语言理解与生成力，助其摆脱领域限制，应对多样任务。

# 1.1四大关键组件协同

AI Agent 的基础架构由规划、记忆、工具和行动四大关键组件紧密咬合而成。

记忆模块：包括短时记忆和长期记忆，是运行的基础，用于存储和调用信息，帮助 Agent 在不同情境下做出决策和行动。

工具使用：利用多种工具，如日历、计算器、代码解释器、搜索等，来辅助完成任务，这些工具为 Agent 提供了额外的能力和信息获取渠道。

规划能力：借大模型推理能力，通过反映、自我批评、思想链和子目标分解等方式，把复杂任务拆为子任务，规划最优路径。

行动执行：贯彻规划指令，调动资源执行操作，基于记忆、工具和规划，Agent 最终执行具体的行动，以实现目标。

# 1.2运作流程与智能决策

AI Agent 的运作流程涵盖感知、理解、决策、行动与反馈多个关键节点。

信息输入与记忆存储：Agent 首先接收外部信息，部分信息会存储在短时记忆中，重要或需要长期使用的信息会进入长期记忆。
工具调用：当面临任务时，Agent 会根据需要调用相应的工具，例如需要计算时调用计算器，需要查找信息时使用搜索功能等。这些工具的使用结果会进一步丰富 Agent 的信息储备和决策依据。
规划阶段：

反映：Agent 对当前任务和已有信息进行初步的反应和思考，了解任务的大致情况和要求。
自我批评：Agent 会对可能的行动方案进行自我评估，分析其优缺点，以优化决策。
思想链：通过一系列的逻辑思考和推理，形成解决问题的思路和步骤，类似于人类思考问题时的思维链条。
子目标分解：将复杂的任务分解为多个子目标，使任务更具可操作性和可管理性。

行动执行：根据规划阶段确定的方案和步骤，Agent 采取具体的行动，在行动过程中，可能会继续与记忆和工具交互，以确保行动的有效性和适应性。

Agent（智能体）=LLM（大模型）+ Planning（规划）+Memory（记忆）+ Tools（工具）。

当这些要素具备了，而且之间有明确的连接关系之后，那么一个 Agent 也就形成了。

# 2. 发展趋势

从初期的Prompt 工程借提示词引导 AI 生成内容。随后，Prompt 工程与 RAG 结合，使 AI 可从外部知识库检索信息，成领域知识型助手，增强内容准确性与丰富度，如答专业问题时结合资料。现今，已演进至可创建原生应用的 AI Agent 阶段，未来将现更多创新场景，推动广泛应用与发展。

整体可以看到，AI应用呈现从简单助手向能解决复杂问题的Agent助手发展，应用壁垒提高，场景更丰富深入的趋势。

Workflow 开发范式是一种系统化工作流程设计与管理方法，具有可视化结构化、流程标准化、自动化集成、可扩展灵活等特点。主要步骤包括流程定义、角色职责分配、工具技术选择、流程建模设计、测试优化、部署监控，能广泛应用于各业务领域，提升运营效率、协同能力与管理水平，实现业务流程规范化和自动化。鉴于现阶段业界及实际业务场景下，应用开发大多遵循固定的流程任务来开展，本课程将着重围绕 Workflow 模式展开详细介绍与教学。

# 3. 具体实践

基于大模型应用架构逐渐往复杂工程系统发展的趋势下，讯飞星火正式升级了全链路、可定制、可优化的「讯飞星火智能体平台 (opens new window)」。平台基于主流 MOM 混合应用开发架构，首次实现应用场景驱动全链路大小模型可微调定制，让大模型应用落地更高效、效果更稳定。支持 Agent 设置为工作流（Workflow）开发范式，用户交互均会触发固定的工作流处理，要依据任务特性、环境因素以及资源配置，进行灵活且严谨的组合编排。作为一站式大模型应用开发平台，无论您是否有编程经验，都可以快速上手构建各类大模型应用，快速完成业务产品 PMF 验证。

👉具体操作步骤：

点击“创建高阶智能体”；（“一句话创建智能体”尚处于 Prompt Agent 的早期阶段，本课程不会对此展开过多赘述，感兴趣的同学不妨关注上期 Prompt 工程师认证课程。）
输入自己的智能体信息后，点击“自定义创建”，或根据模板“立即同款”，即可快速进行 Agent 创建。