以下是关于如何做 Agent 的详细说明及举例：
一、基本框架
Agent 的基本框架可以概括为“Agent = LLM + 规划 + 记忆 + 工具使用”。其中，大模型 LLM 充当 Agent 的“大脑”。
二、规划（Planning）
主要包括子目标分解、反思与改进。子目标分解能将大型任务拆解为较小可管理的子目标，便于处理复杂任务。反思和改进则可以对过去的行动进行自我批评和自我反思，从错误中学习并改进未来的步骤，以提升最终结果的质量。
三、记忆（Memory）
分为短期记忆和长期记忆。短期记忆将所有的上下文学习视为利用模型的短期记忆来学习；长期记忆提供了长期存储和召回信息的能力，通常通过利用外部的向量存储和快速检索来实现。
四、工具（Tools）
五、智能体的类型
智能体可以根据其复杂性和功能分为以下几种类型：
简单反应型智能体（Reactive Agents）：根据当前的感知输入直接采取行动，不维护内部状态，也不考虑历史信息。例如温控器，根据温度传感器的输入直接打开或关闭加热器。 基于模型的智能体（Model-based Agents）：维护内部状态，对当前和历史感知输入进行建模，能够推理未来的状态变化，并据此采取行动。比如自动驾驶汽车，不仅感知当前环境，还维护和更新周围环境的模型。 目标导向型智能体（Goal-based Agents）：除了感知和行动外，还具有明确的目标，能够根据目标评估不同的行动方案，并选择最优的行动。例如机器人导航系统，有明确的目的地，并计划路线以避免障碍。 效用型智能体（Utility-based Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动的优劣，权衡利弊。金融交易智能体就是一个例子，它会根据不同市场条件选择最优的交易策略。 学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能，学习模型、行为策略以及目标函数。强化学习智能体通过与环境互动不断学习最优策略。六、从产品角度思考 Agent 设计
以历史新闻探索向导为例，其身份是历史新闻探索向导，性格是知识渊博、温暖亲切、富有同情心，角色是主导新闻解析和历史背景分析。为使角色更生动，可为其设计简短的背景故事，比如曾是一位历史学家，对世界重大历史事件了如指掌且充满热情，愿意分享知识。写好角色个性需考虑角色背景和身份、性格和语气、角色互动方式以及角色技能等方面。
例如吴恩达通过开源项目 ChatDev 举例，可让一个大语言模型扮演不同角色，如公司 CEO、产品经理、设计师、代码工程师或测试人员，这些 Agent 会相互协作，共同开发一个应用或复杂程序。
