AI 新手扫盲 —— 一文带你了解 LLM、Chatbot、Agent
AI 新手扫盲 —— 一文带你了解 LLM、Chatbot、Agent
AI 新手扫盲 —— 一文带你了解 LLM、Chatbot、Agent AI 新手扫盲 —— 一文带你了解 LLM、Chatbot、Agent Modified March 10 2.2、Chatbot 是什么 Chatbot 早期由三部分组成： 1、用户界面：提供用户可操作界面 2、模型配置：决定 Chatbot 使用什么模型，以及对模型参数的调整 3、会话管理：管理我们与 LLM 的会话内容，包含新增/删除/修改会话，以及保存会话 三、Agent Chatbot 有个问题，他只能聊天，没法干活。因为它没有与外界交互的能力，相当于缺失了眼睛与双手 为了解决这一问题，人们为 Agent 打造了适合它的眼睛和双手，帮助人们解决实际问题 3.1、工具调用原理 核心步骤分为四阶段： 声明工具 模型决策 外部执行 整合结果 声明工具 这一阶段，工程师会准备好工具，并给 LLM 提供一张 "工具清单"，明确告诉 LLM 它可以使用哪些工具，以及每个工具的具体用法 • 名字：比如 "实时天气查询" • 功能：查某个城市现在的温度 • 要求：必须提供城市名字 这就好比给 LLM 递了一本工具箱说明书，让它知道自己虽然没联网，但遇到问题可以使用工具 模型决策 当你问出 "深圳今天热吗"时，LLM 发现自己的已有知识里没有当下的天气，于是它开始翻阅工具清单 在这一步，LLM 会做出两个关键动作： 1. 选工具：确定动用 "实时天气查询" 这个工具 2. 填参数：自动从你的话里提取出 "深圳" 这个关键词 此时 LLM 会发出一个标准的指令，告诉 Agent：请帮我用 "实时天气查询" 查一下 "深圳" 外部执行 LLM 虽然聪明，但它没有手脚，无法真的去点网页 针对这个问题，外部程序会充当 "跑腿" 的角色： 1. 接收指令：外部程序接到 LLM 发出的纸条 2. 真干活：外部程序运行工具，联网去气象局抓取数据 3. 拿回结果：外部程序拿到了原始数据，比如 {"温度": "28度", "天气": "晴"} 整合结果 通过前面的跑腿，工具已经把结果反馈回来了，为了让回答更有人味，LLM 会进行最后一轮润色 LLM 会结合拿到的数据和你的原话，给出回复： "深圳今天 28 度，晴空万里，出门的话可能会有点晒，记得防暑哦。" 3.2、Manus 的工具设计 为什么我要提到 Manus？当然我没有收到 Manus 的赞助，如果由 Manus 的小伙伴看到这可以考虑给我打钱哈哈 相信 Manus 这款产品大家都都有所耳闻，一个号称实现 AGI 的产品，本质上就是 Agent。Manus 的 Agent 设计极其精妙，我们先从他的工具组成一探究竟 从上面的工具结构可以看到，Manus 为它的 Agent 注册了大量工具，涵盖网页浏览、代码运行环境、文件操作等工具。通过这些工具，Manus 可以自主进行调研、收集整理资料、编写并运行代码等工作 3.3、Chatbot 与 Agent 的区别 最开始，区别 Chatbot 和 Agent 的方式，要看它会不会使用工具 后来，随着 Chatbot 也有了一定的工具能力，"是否会使用工具" 这个能力已经不是 Agent 专属的能力了， Chatbot 和 Agent 的界限正在变得越来越模糊 再到后来，Manus 的出现重新定义了 Agent。Chatbot 与 Agent 的核心区别变成了：Agent 能通过自身能力（如工具）把任务闭环，Chatbot 则不能 以 Manus 为代表的 Agent 任务闭环能力，涉及了几个重要的环节：自主规划 环境操作 自我修正 自主规划 当你给 Manus 下达一个复杂任务（比如：调研深圳南山区的低空经济，出一份报告）时，它不会立刻回话，而是开始规划目标，把你的大目标拆成几个小步骤： 1. 第一步，去政府官网查政策 2. 第二步，搜集大疆等龙头公司的数据 3. 第三步，整理成文档 相比于 Chatbot，Agent 多了一个帮你规划任务的步骤，为后续的工作提供清晰的指引，这也是为什么Agent能完美完成我们指令的原因之一 环境操作 Chatbot 通常只能调几个预设好的接口（比如查天气、搜网页），如果没给接口，它就抓瞎了 但 Manus 的工具设计，让 Agent 拥有了 "眼睛" 和 "双手"，例如： 1. 模拟点击：它能像人一样打开浏览器、点鼠标、翻页面 2. 处理突发：如果遇到弹窗或者验证码，它会尝试自己处理 3. 文件操作：可以保存浏览器的图片文件到文件系统中 在 Manus 的精妙的工具设计下，使得 "调用工具" 操作变成真实地操作电脑环境 自我纠正 这是 Agent 最灵魂的地方。如果 Manus 在执行任务时撞了墙（比如某个网页打不开），它不会直接报错 它会进行一轮自我纠正： 1. 发现问题：这个链接失效了，拿不到数据 2. 调整策略：换个关键词，去另一个网站试试 3. 继续执行：直到拿到结果为止 这种"发现不对 自己想办法 重新尝试"的循环，让 Agent 能真正把活儿干完 有个专业名词可以很好地解释这一行为，叫 ReAct（Reasoning Actgion，思考 行动）框架 3.4、常见的 Agent 通用型 Agent ClaudeCode、OpenClaw、Manus 垂直型 Agent Lovart（设计 Agent）、Codex（编程 Agent）、Perplexity AI（研究 Agent）、Notion AI（文档 Agent） 3.5 Agent 的未来 随着 OpenClaw 的爆火，Agent 一次再一次映入人们眼中，人们高呼 Agent 时代已来 从 Manus 抢邀请码的万人空巷，到 OpenClaw 的装机热潮，无一不在提醒着我们：我们认为的 AGI，可能真的要到来了 AGI（通用人工智能），简单来说，就是可以处理日常任务的 AI，生活中的杂事琐事都可以交给AI来处理 但现实确实如此吗？ 高昂的使用成本，Agent与旧时代互联网的高墙，不可控不可重复的结果，让我们意识到：我们离 AGI 仍有一段距离 另一方面，Lovart、Codex、Notion AI，这些垂直 Agent 在各自领域大放异彩，人们高呼：旧时代的互联网产品，都可以用 Agent 重做一遍 无论 Agent 如何发展，当 Agent 浪潮褪去，回过头来我们发现： Agent 不再是一个产品，变成了一种默认的计算形态 就像互联网时代那样，我们不会再频繁提起 Agent 这个词，就像今天没人再说互联网软件一样 它变成了软件本身 最后的话 本文从 LLM 说起，畅谈了 Agent 的前世今生与未来 我是程序员Left，我将与你一起，一起探索 AI 浪潮下普通人的新机遇 2.2、Chatbot 是什么 Chatbot 早期由三部分组成： 1、用户界面：提供用户可操作界面 2、模型配置：决定 Chatbot 使用什么模型，以及对模型参数的调整 3、会话管理：管理我们与 LLM 的会话内容，包含新增/删除/修改会话，以及保存会话 三、Agent Chatbot 有个问题，他只能聊天，没法干活。因为它没有与外界交互的能力，相当于缺失了眼睛与双手 为了解决这一问题，人们为 Agent 打造了适合它的眼睛和双手，帮助人们解决实际问题 3.1、工具调用原理 核心步骤分为四阶段： 声明工具 模型决策 外部执行 整合结果 声明工具 这一阶段，工程师会准备好工具，并给 LLM 提供一张 "工具清单"，明确告诉 LLM 它可以使用哪些工具，以及每个工具的具体用法 • 名字：比如 "实时天气查询" • 功能：查某个城市现在的温度 • 要求：必须提供城市名字 这就好比给 LLM 递了一本工具箱说明书，让它知道自己虽然没联网，但遇到问题可以使用工具 模型决策 当你问出 "深圳今天热吗"时，LLM 发现自己的已有知识里没有当下的天气，于是它开始翻阅工具清单 在这一步，LLM 会做出两个关键动作： 1. 选工具：确定动用 "实时天气查询" 这个工具 2. 填参数：自动从你的话里提取出 "深圳" 这个关键词 此时 LLM 会发出一个标准的指令，告诉 Agent：请帮我用 "实时天气查询" 查一下 "深圳" 外部执行 LLM 虽然聪明，但它没有手脚，无法真的去点网页 针对这个问题，外部程序会充当 "跑腿" 的角色： 1. 接收指令：外部程序接到 LLM 发出的纸条 2. 真干活：外部程序运行工具，联网去气象局抓取数据 3. 拿回结果：外部程序拿到了原始数据，比如 {"温度": "28度", "天气": "晴"} 整合结果 通过前面的跑腿，工具已经把结果反馈回来了，为了让回答更有人味，LLM 会进行最后一轮润色 LLM 会结合拿到的数据和你的原话，给出回复： "深圳今天 28 度，晴空万里，出门的话可能会有点晒，记得防暑哦。" 3.2、Manus 的工具设计 为什么我要提到 Manus？当然我没有收到 Manus 的赞助，如果由 Manus 的小伙伴看到这可以考虑给我打钱哈哈 相信 Manus 这款产品大家都都有所耳闻，一个号称实现 AGI 的产品，本质上就是 Agent。Manus 的 Agent 设计极其精妙，我们先从他的工具组成一探究竟 从上面的工具结构可以看到，Manus 为它的 Agent 注册了大量工具，涵盖网页浏览、代码运行环境、文件操作等工具。通过这些工具，Manus 可以自主进行调研、收集整理资料、编写并运行代码等工作 3.3、Chatbot 与 Agent 的区别 最开始，区别 Chatbot 和 Agent 的方式，要看它会不会使用工具 后来，随着 Chatbot 也有了一定的工具能力，"是否会使用工具" 这个能力已经不是 Agent 专属的能力了， Chatbot 和 Agent 的界限正在变得越来越模糊 再到后来，Manus 的出现重新定义了 Agent。Chatbot 与 Agent 的核心区别变成了：Agent 能通过自身能力（如工具）把任务闭环，Chatbot 则不能 以 Manus 为代表的 Agent 任务闭环能力，涉及了几个重要的环节：自主规划 环境操作 自我修正 自主规划 当你给 Manus 下达一个复杂任务（比如：调研深圳南山区的低空经济，出一份报告）时，它不会立刻回话，而是开始规划目标，把你的大目标拆成几个小步骤： 1. 第一步，去政府官网查政策 2. 第二步，搜集大疆等龙头公司的数据 3. 第三步，整理成文档 相比于 Chatbot，Agent 多了一个帮你规划任务的步骤，为后续的工作提供清晰的指引，这也是为什么Agent能完美完成我们指令的原因之一 环境操作 Chatbot 通常只能调几个预设好的接口（比如查天气、搜网页），如果没给接口，它就抓瞎了 但 Manus 的工具设计，让 Agent 拥有了 "眼睛" 和 "双手"，例如： 1. 模拟点击：它能像人一样打开浏览器、点鼠标、翻页面 2. 处理突发：如果遇到弹窗或者验证码，它会尝试自己处理 3. 文件操作：可以保存浏览器的图片文件到文件系统中 在 Manus 的精妙的工具设计下，使得 "调用工具" 操作变成真实地操作电脑环境 自我纠正 这是 Agent 最灵魂的地方。如果 Manus 在执行任务时撞了墙（比如某个网页打不开），它不会直接报错 它会进行一轮自我纠正： 1. 发现问题：这个链接失效了，拿不到数据 2. 调整策略：换个关键词，去另一个网站试试 3. 继续执行：直到拿到结果为止 这种"发现不对 自己想办法 重新尝试"的循环，让 Agent 能真正把活儿干完 有个专业名词可以很好地解释这一行为，叫 ReAct（Reasoning Actgion，思考 行动）框架 3.4、常见的 Agent 通用型 Agent ClaudeCode、OpenClaw、Manus 垂直型 Agent Lovart（设计 Agent）、Codex（编程 Agent）、Perplexity AI（研究 Agent）、Notion AI（文档 Agent） 3.5 Agent 的未来 随着 OpenClaw 的爆火，Agent 一次再一次映入人们眼中，人们高呼 Agent 时代已来 从 Manus 抢邀请码的万人空巷，到 OpenClaw 的装机热潮，无一不在提醒着我们：我们认为的 AGI，可能真的要到来了 AGI（通用人工智能），简单来说，就是可以处理日常任务的 AI，生活中的杂事琐事都可以交给AI来处理 但现实确实如此吗？ 高昂的使用成本，Agent与旧时代互联网的高墙，不可控不可重复的结果，让我们意识到：我们离 AGI 仍有一段距离 另一方面，Lovart、Codex、Notion AI，这些垂直 Agent 在各自领域大放异彩，人们高呼：旧时代的互联网产品，都可以用 Agent 重做一遍 无论 Agent 如何发展，当 Agent 浪潮褪去，回过头来我们发现： Agent 不再是一个产品，变成了一种默认的计算形态 就像互联网时代那样，我们不会再频繁提起 Agent 这个词，就像今天没人再说互联网软件一样 它变成了软件本身 最后的话 本文从 LLM 说起，畅谈了 Agent 的前世今生与未来 我是程序员Left，我将与你一起，一起探索 AI 浪潮下普通人的新机遇 🔗 原文链接： https://x.com/coder left/status/203... https://x.com/coder left/status/203... OpenClaw 的浪潮下，Agent概念又一次提起，似乎我们所说的小龙虾，就是 Agent 的代名词 作为小白的我们，在刚接触 AI 时候，各种概念铺面而来： LLM、Chatbot、Agent，是不是总分不清楚？ 今天这篇文章，我将以小白的视角来讲解，到底什么是 LLM、Chatbot 和 Agent，让小白也能了解 Agent 的前世今生 一、LLM 用官方的话来讲，叫做 "大语言模型"。说白了，他是一个基于 "预测" 的文本生成模型。后续我们统一称它为 LLM 1.1、工作原理 核心步骤可以拆成三步：输入 预测 输出 输入：我们把一些背景信息、以及我们的提问发送给 LLM 预测：LLM 基于已有知识以及我们的输入，去预测回复的文本 输出：将预测的结果输出给我们 1.2、训练原理 读到这里，大家肯定有个疑问，LLM 这么厉害，他的预测能力是怎么训练出来的呢？ 核心步骤还是三步：预训练 指令微调 强化学习 听不懂没关系，下面我为大家一一拆解 预训练 这一阶段，工程师会拿大量这个世界上存在的文本，喂给 LLM，让 LLM 初步学习这些文本，对这个世界有一个初步的认识 在预训练阶段，我们让 LLM "看懂"了世界，但目前阶段的 LLM 仍存在一些问题： 1、这个世界的文本质量是参差不齐的，LLM 分不清内容的好与坏 2、LLM 像个书呆子，不懂什么是提问，什么是回答 针对这些问题，工程师会准备大量的优秀问答例子，让 LLM 知道什么是好内容，什么是差内容，什么是好回答，什么是差回答 强化学习 通过指令微调，LLM 目前知道该如何回答问题了，为了检验学习成果，工程师给 LLM 进行了一场考试 考试规则如下： 1、工程师会给出一个问题 2、LLM 根据问题给出多个不同的回答 3、工程师对 LLM 给出的回答进行打分 4、LLM 拿到打分结果，调整自己 5、循环第一点 通过不断的考试，LLM 会越来越明白一个优秀的回答应该是什么样子的，LLM 的回答质量会越来高 至此，你已经对当今 AI 的底层算法 —— Transformer 有个基础了解了。不止 LLM，目前像生图模型、视频模型等的底层都是 Transformer 这套算法 二、Chatbot 可能小白听到这个词觉得很陌生，但是大家一定都用过，很多模型的网页端，本质上就是 Chatbot 比如，Gemini 网页端长这样： 2.1、Chatbot 的三大护法 在聊 Chatbot 前，大家需要了解 Chatbot 的三大护法 提示词 说白了，就是我们对 LLM 的提问和指令。目前 LLM 的提示词分两种： 系统提示词：优先级通常是高于用户提示词的，相当于最高指令。有些服务提供者可能会对用户隐藏系统提示词，有些服务提供者支持管理系统提示词 用户提示词：用户的提问和指令 上下文 我们发送给 LLM 的内容，实际上就是将上下文发送出去，它包含： 1、用户提示词 2、系统提示词 3、LLM 回答 会话 LLM 是没有记忆的，为了解决这一问题，期初我们会将历史内容一并发送给 LLM ，这样 LLM 就能在上下文中知道你之前讲过的话 但是，LLM 的上下文是有限的，我们不可能一股脑把所有内容都丢给 LLM，当内容长度超过 LLM 的上下文大小，LLM 就无法进行答复 这时我们可以清理上下文，或者切换新的上下文重新向 LLM 发送提问和指令 而这些带有历史内容的上下文之间，就形成了一个个会话