拆解智能體的“五臟六腑”：感知、決策、規劃與執行、記憶、學習

文明世界拼圖 2025-08-26 發布于重慶

展開全文

你以為智能體只是“能聊天”？其實它有“五臟六腑”。感知是眼，決策是腦，規劃是意圖，執行是動作，記憶是經驗，學習是成長。這篇文章帶你一次看懂智能體的底層構造，理解它為什么越來越像“人”，也越來越值得被產品化。

打開今日頭條查看圖片詳情

在第一篇《智能體：AI的下一場革命？》里，我們把Agent比作一位“個人助理”。今天，我們就把這位助理請上手術臺，拆開看看它到底靠什么“活”得這么像人。

別擔心，全程無血，只有例子和概念。讀完你會明白：Agent智能體就是一臺精密的“五件套”機器。

一臺自動咖啡機，它要：

看見杯子（感知）
想明白你要拿鐵還是美式（大腦/決策）
決定先做咖啡再倒奶（規劃與執行）
記得你上次要半糖（記憶）
下次你再說“老樣子”它就能做對（學習與適應）

Agent的五大模塊，跟自動咖啡機的邏輯幾乎一一對應。下面逐個拆。

01 感知模塊 – Agent的“眼睛和耳朵”

感知模塊是智能體的“眼睛和耳朵”，負責從外部環境中收集各種信息，這是智能體與外界交互的第一步。它能看見什么？很多：

文字：聊天窗口、郵件、文檔、網頁。
語音：（通過語音識別ASR）聽懂你的語音命令。
圖像/視頻：（通過多模態模型）識別圖片中的物體、分析圖表數據、讀懂界面元素。
結構化數據：表格、數據庫、API返回的JSON。

但是感知≠看懂。前陣子有博主測評剛剛推出的GPT-5，在“數圖中有多少個圓圈”這類任務上仍有錯誤率。可見，把像素變成意義，比人類想像的難。

中國科學院院刊2025年第3期《政策與管理研究》曾指出，英文多模態數據是中文的8倍左右，因此中文Agent的視覺“近視”更明顯。一句話，任何能塞進計算機0和1的東西，都能被Agent“感知”。

02 大腦/決策模塊 – Agent的“指揮官”

神經科學里，海馬體負責記憶，額葉負責推理。LLM其實把兩者合并在了一起：

快思考：直接給出答案，像人腦“直覺”。
慢思考：Chain-of-Thought（思維鏈），先寫草稿再回答，準確率可提升10%～30%

當智能體接收到用戶的任務指令后，LLM會對指令進行理解和分析。比如，用戶要求智能體寫一份行業報告，LLM會搜索最新趨勢→抓取競品數據→生成報告大綱→撰寫內容并排版。

然后，基于從海量數據中學習到的知識與經驗，LLM開始規劃在每一步中決定接下來做什么以及調用哪個工具。

打開今日頭條查看圖片詳情

在推理過程中，LLM就會運用思維鏈等方法，將復雜問題分解為多個邏輯步驟，逐步推導得出解決方案。

順便提一下，大家都知道LLM有“幻覺”現象，即生成看似合理但與事實不符的內容。為了彌補這一不足，我們就會引入RAG、知識圖譜，為大語言模型提供更準確、結構化的知識支持，從而提升其決策的準確性與可靠性。

一句話：LLM在此并非直接“回答”問題，而是扮演“規劃師”和“調度員”的角色，強大的邏輯鏈推理能力是拆解復雜任務的關鍵。

03 規劃與執行模塊 – Agent的“手和腳”

人類點外賣時會自然拆步驟：打開App→選餐廳→加購物車→結算。Agent也得把“寫一篇行業報告”拆成“搜索→讀文章→整理大綱→填充段落→校對”，并調用外部工具來完成具體操作。

LangChain的統計顯示，一個典型研究任務平均需要調用5.2個外部工具，最復雜的可到20個以上。那工具集（Toolbox）里有什么？

基礎工具：計算器、日歷。
網絡工具：搜索引擎、API接口（如天氣查詢、郵件發送、支付接口）。
專業工具：Photoshop、數據分析軟件、代碼解釋器。
硬件工具：控制機械臂、調節智能家居開關。

打開今日頭條查看圖片詳情

當智能體為用戶制定好寫報告計劃后，便進入執行階段：大腦發出“調用搜索API”指令→本模塊找到對應工具→格式化輸入參數→執行調用→獲取返回結果→送回給大腦進行下一步分析。

一句話：工具使用能力是Agent區別于純聊天機器人的分水嶺，它讓Agent的能力邊界得以無限擴展。

04 記憶模塊 – Agent的“日記本與知識庫”

記憶模塊負責存儲和快速檢索信息，讓Agent擁有長期記憶和個性化上下文，避免“金魚腦”。它主要分為短期上下文記憶和長期存儲記憶兩部分。

短期：對話窗口里的上下文窗口，容量有限（8k～128ktoken）。像便簽，對話關閉后即“遺忘”。
長期：一個獨立于對話的外部存儲系統，通常是向量數據庫。像檔案柜，下次開機還在。

但是，向量數據庫的檢索邏輯并非“精確匹配”，這是因為向量數據庫的核心是通過向量相似度計算來檢索數據。具體來說：

首先，所有數據（文本、圖像、音頻等）會被轉化為高維向量（通過嵌入模型，如BERT、Sentence-BERT等），向量的距離或夾角代表數據的語義相似度。

當用戶輸入查詢時，查詢也會被轉化為向量，數據庫通過計算查詢向量與庫中所有數據向量的相似度，返回“最相似”的結果。

這種邏輯決定了它的檢索結果是“語義相關”優先，而非傳統數據庫的“精確匹配”（如SQL的=或like）。因此，“準確性”在這里更偏向于“結果是否與查詢意圖相關”，而非“是否嚴格符合某個精確條件”。

下面對兩種類型數據庫做個對比：

打開今日頭條查看圖片詳情

有數據顯示，74%的企業級Agent部署了向量數據庫，但仍有46%的開發者抱怨“檢索不準”，說明長期記憶不只是“存”，還得“找得快、找得準”。

所以，在對準確性要求極高的場景，如醫療診斷、法律檢索等，需結合具體場景優化技術細節，并對檢索結果的內容進行二次驗證。

一句話：記憶模塊讓Agent能夠學習和個性化，從一個通用工具變成你的專屬助手。即使相隔數月，Agent也能“想起”你“不喜歡報告背景是黃色”或“上次項目的最終數據”。

05 學習與適應模塊 – Agent的“進化引擎”

學習與適應模塊是讓Agent具備“從過去的經歷中學習，并用學到的東西應對新情況”的能力。該模塊主要通過兩大機制實現功能：學習機制（獲取新知識）和適應機制（應用知識應對變化），二者相輔相成。

常見的學習機制包括：

監督學習：通過“標注數據”學習輸入與輸出的映射關系。例如，智能客服的意圖識別模塊通過標注的“用戶問句-意圖標簽”數據，學習識別用戶需求。
無監督學習：從無標注數據中自主發現隱藏規律。例如，推薦系統通過分析用戶行為數據（如瀏覽、購買記錄），無監督地聚類“相似用戶”，從而優化推薦策略。
強化學習：通過與環境的交互（“試錯”）學習最優策略。例如，機器人通過“行動-獲得獎勵/懲罰”的循環，學習在迷宮中找到出口的最短路徑（獎勵：靠近出口；懲罰：撞到墻壁）。
多任務學習：同時學習多個相關任務，通過任務間的知識共享提升效率。例如，自動駕駛系統同時學習“車道保持”和“障礙物避讓”，兩個任務共享路況感知的底層知識。

常見的適應機制包括：

在線學習：在實時交互中持續更新模型。例如，語音助手在使用過程中，不斷根據用戶的口音、用詞習慣微調識別模型，提高準確率。
遷移學習：將在A任務中學到的知識遷移到B任務（A和B相關），減少重復學習成本。例如，已學會“識別貓”的模型，可通過遷移學習快速掌握“識別老虎”（二者均為貓科動物，共享部分特征）。
魯棒性調整：應對環境突發變化（如傳感器故障、未知干擾）。例如，無人機在遇到強風時，通過實時調整飛行姿態模型（基于歷史抗風數據學習的規則），維持穩定飛行。
元學習：學習“如何快速學習新任務”。例如，機器人通過元學習掌握“抓取物體的通用策略”，之后遇到新形狀的物體時，只需少量嘗試就能調整抓取方式。

但是，如果用戶群體單一，Agent可能學會“討好”而失真。Anthropic提出“Constitutional AI”：給Agent寫一份“行為憲法”，防止它一味迎合。