认识人工智能
学习 Agent 的第一步，就是把这些概念之间的关系弄清楚。暂时不需要记公式，也不需要写代码，可以先从生活中熟悉的事情理解。
我们对着手机说话，手机把语音变成文字；上传一张图片，软件识别出里面的物体；输入一段外语，系统生成翻译。这些功能背后，都可能用到人工智能技术。
人工智能，英文是 Artificial Intelligence，简称 AI。它是研究和构建能够完成感知、学习、推理、规划、语言处理等任务的计算系统的领域。
这里的“智能”，可以理解为系统完成某类任务的能力。例如，识别图片属于感知，判断一句话的意图属于语言处理，为机器人安排路线属于规划。
一个 AI 系统可能只擅长其中一件事。能够识别图片的系统，不一定能写文章；能够生成文章的模型，也不一定能可靠地操作软件。判断一个系统的能力，需要看它在具体任务中的实际表现。
AI 也有不同的实现方法。
有些系统依靠人整理好的知识和规则进行推理，有些系统会搜索不同的行动路径，寻找合适的方案，还有些系统通过大量数据和训练过程获得能力。实际应用中，这些方法经常组合使用。
以客服系统为例。假设用户说：
“我的订单已经三天没更新物流了，帮我看看怎么办。”
要处理这个问题，系统需要先理解用户在询问物流，再找到对应订单，调用物流查询工具，然后结合查询结果和业务规则，决定如何回复，或者是否转交人工处理。
这个过程需要多个组件配合。语言模型可以帮助理解问题和组织回复，数据库负责保存订单，工具负责查询物流，业务流程负责控制接下来允许采取哪些操作。
我们使用的 AI 产品，通常是模型、程序、数据和工具共同组成的系统。
AI、机器学习与大语言模型
理解这一点之后，就可以继续区分几个经常同时出现的名词。
人工智能是一个很大的领域。机器学习是其中一类方法，重点是通过数据和优化过程，让模型获得完成任务的能力。
例如，要识别垃圾邮件，可以收集一批已经标注为“正常邮件”或“垃圾邮件”的样本，让模型从中学习哪些特征与垃圾邮件有关，再用新邮件检验它是否学到了有用的规律。
深度学习是机器学习中的一类方法，以多层神经网络为基础。当前许多图像识别、语音识别和语言生成系统，都采用了深度学习技术。
大语言模型，简称 LLM，是深度学习在语言建模中的一类模型。我们常见的聊天、写作、摘要和代码生成能力，很多都由这类模型提供。
对于这条常见的技术路线，可以这样理解它们的范围关系：
人工智能 AI → 机器学习 ML → 深度学习 DL → 大语言模型 LLM
从左向右，讨论的范围逐渐缩小。这个箭头表示概念之间的包含关系，不表示学习时必须先掌握所有底层知识，才能使用大模型。
Agent 怎样组织任务
那么，Agent 在哪里？
Agent，通常译为“智能体”，属于系统设计层面的概念。它围绕一个目标，获取信息、作出决策、采取行动，并根据结果决定下一步。
在基于大模型的 Agent 中，大模型是一个核心组件。系统还可以为它配备查询工具、文件操作能力、运行状态、记忆和控制流程，使它能够连续处理任务。
例如，用户提出：
“帮我查一下这几份资料，比较它们的观点，并整理成一篇带来源的报告。”
一个研究 Agent 可能先拆解任务，再检索资料、阅读内容、比较观点、记录来源，最后生成报告。如果发现证据不足，还可能继续查找。
在这个过程中，大模型提供分析和生成内容的能力；工具提供访问外部信息的能力；控制流程管理执行顺序、状态和停止条件。这些部分共同组成了 Agent 系统。
Agent 的实现方式也有很多种。有些主要按照预先规定的流程运行，有些会让模型根据中间结果动态选择行动。自主程度有多高，需要根据任务需求来设计。
自动化、训练与可靠性
学习这些概念时，还容易把 AI 和自动化混在一起。
自动化关注的是流程是否自动执行，AI 关注的是系统使用了哪些感知、学习或推理能力。
每天定时备份文件，是自动化。识别邮件内容并判断它属于咨询还是投诉，可能使用 AI。如果系统继续自动把邮件分配给对应客服，就同时结合了 AI 和自动化。
另外，使用 AI 与训练 AI 是两件事。开发者可以调用已经训练好的模型，再接入工具和业务流程，构建一个 Agent。是否需要训练模型、是否需要使用 LoRA 微调，要看具体问题，不能仅凭“我要做 Agent”就决定。
还需要养成一个习惯：把系统“表现出来的能力”和“经过验证的可靠性”分开看。
模型可以生成流畅的回答，但内容仍可能存在错误。Agent 可以执行多个步骤，但也可能查错资料、选错工具，或者误判任务已经完成。因此，学习 Agent 不仅要了解它能做什么，还要学习如何检查来源、验证结果和评估整个执行过程。
最后，“AI 会学习”也不意味着它每收到一次反馈，就会自动修改模型。很多模型的学习发生在专门的训练阶段；日常对话中的信息，则可能暂时保存在上下文或外部记忆中。是否更新模型参数，取决于系统具体采用了什么机制。
下一篇学习 01.02：机器学习 时，我们将进一步理解：模型究竟从数据中学到了什么，以及为什么它在训练样本上表现很好，遇到新数据却可能出错。