作者： Mandy Bray，翻译：老常
自主智能体上篇：自主智能体（Autonomous Agents）及其工作原理？
有兴趣构建您自己的自主智能体吗？每种自主智能体遵循不同的模型，因此在规划时请考虑以下类型。
1. 审慎型智能体（Deliberative Agents）
审慎型智能体是基于符号推理、规划并维护世界模型来做出决策的认知系统。
示例： 一个下棋的AI（人工智能），在走棋前评估未来的棋盘状态。
工作原理： 这些智能体使用复杂的算法，如搜索和规划技术，来评估可能的结果并选择最优行动。
2. 反射型智能体（Reflexive Agents）
简单反射型智能体根据当前的传感器输入采取行动，实时适应环境输入。
反射型智能体本身通常不是主动式AI（Agentic AI），但它们是主动式AI（Agentic AI）模型不可或缺的一部分。
示例： 一个简单的恒温器根据温度读数调节加热或制冷。
工作原理： 反射型智能体通过传感器或摄像头持续监控环境，并根据输入做出反应。
3. 混合型智能体（Hybrid Agents）
混合型智能体结合了不同的AI架构，例如反射型和审慎型系统，以达到最佳结果。通常，一个反应组件处理实时响应，而一个审慎系统则进行前瞻性规划。
示例： 一辆自动驾驶汽车使用审慎推理来规划和遵循路线，然后在行人穿过其路径时使用反射推理猛踩刹车。
工作原理： 它们将反应行为（快速响应）与目标导向的规划和基于效用的优化相结合，以执行复杂任务。
4. 基于模型的智能体（Model-Based Agents）
基于模型的智能体维护其环境的内部模型，以预测行动将如何影响未来状态。
示例： 像Roomba这样的自动吸尘器，它绘制房间地图并通过模型导航避开障碍物。
工作原理： 基于模型的智能体使用映射技术和预测算法来有效处理动态环境。
5. 分层智能体（Hierarchical Agents）
基于模型的智能体维护其环境的内部模型，以预测行动将如何影响未来状态。
示例： 像Roomba这样的自动吸尘器，它绘制房间地图并通过模型导航避开障碍物。
工作原理： 基于模型的智能体使用映射技术和预测算法来有效处理动态环境。
6. 学习型智能体（Learning Agent）
学习型智能体通过分析过去的经验并根据反馈修改行为，随着时间的推移提高性能。
示例： 像Netflix这样的推荐系统，它根据观看历史适应用户偏好。
工作原理： 这些系统使用强化学习或其他机器学习技术，根据新数据和先前行动的反馈来改进其算法。
7. 目标导向型 vs. 8. 效用导向型智能体（Goal-Based vs. Utility-Based Agents）
虽然一些自主智能体是目标导向型的，但另一些是效用导向型的。
目标导向型智能体遵循特定的、预定义的目标，例如从A点到达B点。以Roomba为例。你清洁了所有可到达的地板空间吗？然后，检查你的目标是否完成。这类智能体更易于设计和实现，适用于目标明确的任务。
另一方面，效用导向型智能体基于效用做出决策。
该智能体不仅关心目标完成，它还希望优化结果，例如效率或完成时间。一个很好的例子是Uber的算法，它在匹配乘客和司机时会同时考虑等待时间和行程成本。效用导向型智能体具有高度的适应性和灵活性，但需要更复杂的建模。
自主智能体（Autonomous Agents）应用案例
准备好看看自主智能体（Autonomous Agents）的实际应用了吗？虽然主动式AI（Agentic AI）仍处于新兴和发展阶段，但您可以从这些将自主智能体投入使用的企业中学习。
VoiceCareAI的Joy
虽然我们还没有完全准备好让自主智能体（Autonomous Agents）进行医疗诊断和治疗，但在医疗保健领域还有其他可行的自主智能体用途。
例如，像保险验证、事先授权和理赔处理这样的行政任务，卫生系统称每月需要处理70,000通电话。
来自初创公司VoiceCareAI的自主智能体Joy，正在由梅奥诊所（Mayo Clinic）等机构进行试点，用于致电保险公司完成这些功能。例如，Joy可以致电检查是否有事先授权存档。如果没有，则请求一个，稍后再跟进获取授权号。
由于临床医生超过60%的时间花在行政工作上，这使他们能腾出时间用于患者护理。现在，我们需要的只是一个消费者版本来为我们与保险公司谈判。
Avride配送机器人
做好准备。您的下一个披萨或咖啡可能会由机器人送达。
像Avride这样的机器人快递车队正在大学校园中推出，递送从热食到杂货再到购物战利品的一切物品。
与自动驾驶汽车一样，配送机器人需要在动态环境中做出实时决策，在街道、行人以及天气、施工或动物等挑战中导航。Avride为其机器人宣称具有完全自主性，这些机器人使用大量传感器阵列获取环境输入，从而完成其目标。
摩根大通（JPMorgan & Chase）的LOXM
股票市场是一个复杂的领域，要求交易员根据全球新闻头条、公司业绩和股市活动等因素每天做出数百个决策。
这就是为什么摩根大通（JPMorgan & Chase）在此领域构建自主AI交易智能体（AI trading agent）非常合适。LOXM使用自然语言处理（NLP）和机器学习来实时理解市场，并根据最佳结果（如交易价格和最小化市场影响）执行客户订单。
摩根大通（JPMorgan & Chase）报告称，LOXM已将订单效率提高了15%，并正在其他领域引入主动式AI（Agentic AI），包括合同智能、招聘和员工生产力。
自主智能体下篇：企业实施自主智能体的8步策略
相关阅读
海外5大顶尖AI客服智能体推荐与深度测评：提升客户支持效率与个性化体验
探索目前最优秀的5款AI客服智能体，了解它们如何利用生成式AI提供即时、主动、个性化支持，自动化复杂任务，并整合实时洞察。包含详细功能解析、用户证言及核心数据对比。
AI智能体如何变革客户支持？| HubSpot专家洞见
面对海量客服请求？45%团队已用AI！Gartner预测2025年80%互动涉AI。本文深度解析AI智能体如何赋能客服代表：节省45%通话时间，提速44%问题解决，提升35%服务质量.
企业实施自主智能体的8步策略
了解企业实施自主智能体的8个步骤：1）识别业务痛点，2）定义目标，3）选择合适的工具，4）开发与测试，5）与现有系统和数据集成，6）准备并提升团队技能，7）监控与优化，8）扩大规模