大模型賽道現(xiàn)在發(fā)展如火如荼，但大家都是在卷價格，卷應(yīng)用，關(guān)于場景的討論較少。這篇文章，我們來看看大模型在行業(yè)內(nèi)、企業(yè)內(nèi)，正在發(fā)生的變化。

每一次新技術(shù)的到來，都引得各家蜂擁而上。大模型的熱浪，燒到了全球每個角落。在底層大模型、及應(yīng)用架構(gòu)探索方面，美國遙遙領(lǐng)先。在應(yīng)用層面上，中國會像互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)一樣，取得百家爭鳴甚至趕超歐美的盛況嗎，大概率會，但尚需多少時日，暫不得而知。但有一點是明確的，敢于嘗鮮的獵人，已經(jīng)出發(fā)……下面就讓我們來看看，在行業(yè)內(nèi)、企業(yè)內(nèi)，正在發(fā)生的變化。

一、生成式AI應(yīng)用方向

生成式AI應(yīng)用可以分為四大類，每個領(lǐng)域都在思考，這次變革對當下的工作、生活會帶來什么樣的變化，要怎么做才能登上“甲板”～

二、引入大模型，我們的工作會發(fā)生什么變化？

下面，用一張圖推演下，當有了AI的協(xié)助，我們的工作狀態(tài)會發(fā)生怎樣的變化……

Copilot跟Agent的區(qū)別，筆者認為，copilot更多的依賴人類的大腦。Agent相比之下，有更高的自主性。所以，在“教-學(xué)”的環(huán)節(jié)，筆者用了Copilot這個詞。

三、Agent架構(gòu)為大模型加配了四件套

Agent（智能體）是一種能夠感知環(huán)境、進行決策和執(zhí)行動作的智能實體(感知、記憶、工具、行動)。不同于傳統(tǒng)的人工智能，Agent具備通過獨立思考、調(diào)用工具去逐步完成給定目標的能力。在有LLM作為其大腦之后，Agent更是具備了對通用問題的自動化處理能力。

Agent架構(gòu)賦予大型語言模型（如 LLM）一種解決問題的“策略性思維結(jié)構(gòu)”。該框架模擬了人類處理問題的過程，實現(xiàn)群體智能的模擬與構(gòu)建，即“規(guī)劃、執(zhí)行及反饋的智能決策循環(huán)”。該架構(gòu)可以用來搭建，第一章節(jié)中提及的生成式AI的四個演進方向，根據(jù)領(lǐng)域or場景的差異，有些做到copilot即可，有些需要達成agent，多agent，甚至是AIGC。自23年6月首次提出以來，已經(jīng)有海量的資訊專門探討、介紹AI Agent，在此不多著墨。

在該資料基礎(chǔ)上擴充https://zhuanlan.zhihu.com/p/666913254

四、讓大模型發(fā)揮作用，“模型”本身的能力、實現(xiàn)Agent的“架構(gòu)”、“人”三者都很重要

LLM是集合了人類的智慧，通過自然語言交互可以給你答案，但是要想讓這個“智腦”切實的幫助你，需要跟他交互的“人”的智慧，也需要“讓大腦聯(lián)合手腳(Agent)”的工程框架的能力。

4.1 如何高效、低成本的搭建Agent？

AI Agent是高度可訓(xùn)練的，像新員工入職時一樣需要培訓(xùn)。需要從業(yè)務(wù)場景->Agent能力->平臺功能->技術(shù)支持的一連串的推導(dǎo)，只有把SOP提煉、總結(jié)的足夠精準和細致化，才更有利于one by one的去搭建、調(diào)優(yōu)。

4.2 分析業(yè)務(wù)場景SOP定位需求為搭建Agent做好準備

以汽車銷售場景為例，從最開始的了解到推薦，歷經(jīng)9個步驟。每個步驟中，都有關(guān)鍵用戶行為合計22項。對各個營銷觸點，用戶有各自的感受，有評價，有訴求(痛點)。對應(yīng)的，企業(yè)內(nèi)部對應(yīng)的在這些環(huán)節(jié)上，形成了具體的需求，希望借助大模型的能力，可以為整體鏈路提效、提升用戶體驗和滿意度。

引用自：神策數(shù)據(jù)出品的“汽車行業(yè)CJO解決方案”

4.3 應(yīng)用場景->原子化->產(chǎn)品->技術(shù)能力->模型->服務(wù)

其一，抽象通用原子化能力，以復(fù)用，可以是agent，可以是插件，可以是信息庫～。這些原子化的組件可以快速組裝到業(yè)務(wù)所需要的大Agent中，類似N多個原子化的agent組成了MultiAgent。

其二，抽象特異性能力，以滿足特殊業(yè)務(wù)場景需要

五、如何搭建Agent？

目前，比較敏捷的方式，是通過“智能體搭建平臺”來實現(xiàn)。我們調(diào)研行業(yè)相關(guān)平臺工具，整理如下：

5.1、海外AI Agent構(gòu)建平臺

5.2 國內(nèi)AI Agent搭建平臺

六、想落地效果好，還有很長的路要走

6.1、跟大模型的交互，給大模型投喂的“信息”很重要

大模型被認為可以達到本科畢業(yè)生同等的認知能力，因此，當大模型具備領(lǐng)域知識時，可以不依賴knowledge，可以從information到wisdom。大模型的推理能力很強，但推理的效果，要依賴“信息”。這好比大模型是土地，長出什么莊稼，要看喂給它的“種子”，“準確的、結(jié)構(gòu)化的”信息or知識，便于讓大模型懂。

• 數(shù)據(jù)加工成信息的途徑：數(shù)據(jù)+定義和格式+時間范圍和相關(guān)性=>信息
• 信息提煉成知識的途徑：信息+假設(shè)+關(guān)系+模式和趨勢=>知識
• 知識變成智慧的途徑：知識+管理(收集、加工、應(yīng)用、傳播)+深刻認識(洞察、判斷)+遠見(預(yù)測)=>wisdom，越接近智能化 ，對物理世界的還原越接近“真相”

6.2 在安全的范圍內(nèi)使用、觸碰“信息or知識”

大模型的能力，對信息的安全使用、合法“生成”、合規(guī)“觸碰”提出了更高的要求。識別和攔截的維度可以有多種，可是模型粒度的、Agent粒度的，也可以是基礎(chǔ)元素粒度的(插件、信息)，具體根據(jù)業(yè)務(wù)需要去設(shè)置。

6.3 怎么提問，有門道？

跟大模型的交互，一般是通過prompt工程來實現(xiàn)的，如何問，是非常重要的。行業(yè)內(nèi)已經(jīng)有很多關(guān)于如何寫prompt工程的文章(角色扮演、零樣本提示、 少樣本提示)，不再贅述。

這里，提醒應(yīng)該充分發(fā)揮大模型的優(yōu)勢能力——COT（Chain of Thought）能力。即大模型在解決問題時能夠展示其思考過程的能力。這種能力使得模型能夠像人類一樣，通過一系列邏輯推理步驟來解決復(fù)雜問題，而不僅僅是簡單地輸出一個答案。COT能夠幫助人們理解模型是如何得出某個結(jié)論的，從而提高模型的透明度和可信度。

例如，假設(shè)我們要求大模型解決一個數(shù)學(xué)問題：

問題：一個直角三角形的兩條直角邊分別為3和4，求斜邊的長度。

具有COT能力的大模型可能會這樣展示其思考過程：

理解問題：首先，我需要理解這是一個關(guān)于直角三角形的問題，且已知兩條直角邊的長度。

應(yīng)用知識：我知道根據(jù)勾股定理，直角三角形的斜邊（c）的長度可以通過公式 ??=??2+??2c=a2+b2 來計算，其中a和b是兩條直角邊的長度。

代入數(shù)值：在這個例子中，a=3，b=4。所以我將這些數(shù)值代入公式中：??=32+42c=32+42。

計算：計算各項的平方，得到 ??=9+16c=9+16。

求和：將平方相加，得到 ??=25c=25。

開方：計算平方根，得到 ??=5c=5。

得出結(jié)論：所以，這個直角三角形的斜邊長度是5。

通過這種逐步展示思考過程的方式，COT能力不僅幫助用戶理解模型是如何得出答案的，還可以在教育、解釋復(fù)雜概念或決策過程時提供幫助。

6.4 將任務(wù)拆細以多Agent協(xié)作模式推進，比單Agent集合任務(wù)效果好

在面對復(fù)雜的任務(wù)挑戰(zhàn)時，開發(fā)者可以通過細分任務(wù)并構(gòu)建多個Agent來完成。這一多Agent架構(gòu)賦予開發(fā)者集中精力打造具備單一而強大功能的AI應(yīng)用程序的能力，而不是勞神費力地開發(fā)少數(shù)幾個功能繁雜的GPT模型。

這種轉(zhuǎn)向不僅極大地提升了AI應(yīng)用的專業(yè)性與工作效率，而且為開發(fā)者開辟了更廣闊的創(chuàng)新領(lǐng)域，加速了AI應(yīng)用開發(fā)的多元化和個性化進程。

多Agent系統(tǒng)的出現(xiàn)還激發(fā)了對AI未來發(fā)展的新設(shè)想，比如實現(xiàn)不同Agent間的自主互動和層次化協(xié)作，從而逐漸減少對人工干預(yù)的依賴，向AGI更進一步。

6.5 其他可以提升Agent效果的途徑？

在分析清楚、理清業(yè)務(wù)邏輯的基礎(chǔ)上，在搭建Agent時，工程鏈路的設(shè)計和開發(fā)也至關(guān)重要。當業(yè)務(wù)場景需要跨出組織內(nèi)部，聯(lián)動外部生態(tài)時，生態(tài)系統(tǒng)的API開放能力和程度(即工具的完備度)，也將影響Agent的效果。

底層大模型無時無刻的高速進化著，跟大模型對接的Agent，也會因這種變化而發(fā)生波動，在這場空中加油的競賽中，需要找準路子，方向如果錯了，越努力越遙遠……，貼著行業(yè)動向打，或許是一條更“實際”的路線，讓我們拭目以待！

關(guān)鍵詞：Agent、GPT、生成式AI、AIGC、LLM、AGI、Prompt、插件、MultiAgent、Agentbuilder

受作者領(lǐng)域認知深度所限，且技術(shù)無時無刻不在更新迭代，無法在一篇中盡現(xiàn)全貌，能為大家?guī)ヒ稽c點新的啟發(fā)，以深感欣慰。文中難免有紕漏或不準確的地方，歡迎大家批評指正。若有任何建議或意見，歡迎聯(lián)系作者探討。