如前所述，虽然 AI Agent 的主要特征是推理和行动（如 ReAct 框架中所述），但随着时间的推移，其功能也在不断演进。

• 推理: 这一核心认知过程涉及运用逻辑和现有信息得出结论、进行推断并解决问题。具备强大推理能力的 AI Agent 可以分析数据、识别模式，并基于证据和上下文做出明智决策。
• 行动: 基于决策、计划或外部输入采取行动或执行任务的能力，对于 AI Agent 与环境交互并实现目标至关重要。在具身智能（Embodied AI）的案例中，这可能包含物理动作，或者是发送消息、更新数据或触发其他流程等数字化操作。
• 观察: 通过感知或传感收集关于环境或情况的信息，对于 AI Agent 理解其上下文并做出明智决策至关重要。这可能涉及各种形式的感知，例如计算机视觉、自然语言处理或传感器数据分析。
• 规划: 制定战略计划以实现目标是智能行为的一个关键方面。具备规划能力的 AI Agent 可以识别必要的步骤，评估潜在行动，并根据可用信息和预期结果选择最佳行动方案。这通常涉及预测未来状态并考虑潜在障碍。
• 协作: 在复杂和动态的环境中，与他人（无论是人类还是其他 AI Agent）有效合作以实现共同目标正变得日益重要。协作需要沟通、协调以及理解和尊重他人观点的能力。
• 自我优化: 自我改进和适应的能力是先进 AI 系统的标志。具备自我优化能力的 AI Agent 可以从经验中学习，根据反馈调整其行为，并随着时间的推移不断提高其性能和能力。这可能涉及机器学习技术、优化算法或其他形式的自我修改。

AI 助手 是被设计为应用程序或产品的 AI Agent，旨在通过与用户直接协作来执行任务，其方式是理解并响应自然的人类语言和输入。它们可以在用户的监督下代表用户进行推理和采取行动。

AI 助手通常嵌入在被使用的产品中。一个关键特征是助手与用户在任务的不同步骤之间进行的交互。助手响应用户的请求或提示，可以推荐行动，但最终决策由用户做出。

• 自主性: AI Agent 具有最高程度的自主性，能够独立运作并做出决策以实现目标。AI 助手的自主性较低，需要用户输入和指导。Bot 的自主性最低，通常遵循预编程的规则。
• 复杂性: AI Agent 旨在处理复杂的任务和工作流，而 AI 助手和 Bot 更适合处理简单的任务和交互。
• 学习能力: AI Agent 通常采用机器学习来适应并随着时间的推移提高其性能。AI 助手可能具有一定的学习能力，而 Bot 通常具有有限的学习能力或没有学习能力。

每个 Agent 都会定义其角色、个性和沟通风格，包括具体的指令和可用工具的描述。

• Persona (人设): 一个定义明确的 Persona 允许 Agent 保持一致的角色，并以适合其分配职能的方式行事，并随着 Agent 获得经验并与环境交互而不断演变。
• 记忆: Agent 通常配备短期、长期、共识和情景记忆。短期记忆用于即时交互，长期记忆用于历史数据和对话，情景记忆用于过去的交互，共识记忆用于 Agent 之间的共享信息。Agent 可以通过回忆过去的交互并适应新情况来维护上下文，从经验中学习并提高性能。
• 工具: 工具是 Agent 可以利用来与环境交互并增强其能力的功能或外部资源。它们允许 Agent 通过访问信息、操作数据或控制外部系统来执行复杂的任务，并且可以根据其用户界面进行分类，包括物理、图形和基于程序的界面。工具学习涉及教导 Agent 如何通过了解其功能和应用场景来有效地使用这些工具。
• 模型: 大型语言模型 (LLM) 充当构建 AI Agent 的基础，为它们提供理解、推理和行动的能力。LLM 充当 Agent 的“大脑”，使它们能够处理和生成语言，而其他组件则促进推理和行动。

AI Agent 可以根据其能力、角色和环境以各种方式进行分类。以下是一些关键的 Agent 类别：

关于 Agent 类型和类别的定义有不同的说法。

对 Agent 进行分类的一种方式是根据它们与用户交互的方式。有些 Agent 进行直接对话，而另一些则在后台运行，在没有直接用户输入的情况下执行任务：

• 交互式伙伴 (也称为 Surface Agents)：协助我们完成客户服务、医疗保健、教育和科学发现等任务，提供个性化和智能的支持。对话式 Agent 包括与人类的问答、闲聊和世界知识交互。它们通常由用户查询触发，并满足用户的查询或事务处理需求。
• 自主后台进程 (也称为 Background Agents)：在幕后工作以自动化常规任务，分析数据以获取洞察，优化流程以提高效率，并主动识别和解决潜在问题。它们包括工作流 Agent。它们与人类的交互有限或没有交互，通常由事件驱动，并处理排队的任务或任务链。

• 单 Agent (Single Agent): 独立运作以实现特定目标。它们利用外部工具和资源来完成任务，增强其在不同环境中的功能能力。它们最适合不需要与其他 AI Agent 协作的明确定义的任务。处理过程中只能使用一个基础模型。
• 多 Agent (Multi-Agent): 多个 AI Agent 协作或竞争以实现共同目标或个人目标。这些系统利用各个 Agent 的多样化能力和角色来处理复杂的任务。多 Agent 系统可以模拟人类行为，例如在交互场景中的人际沟通。每个 Agent 可以拥有最适合其需求的不同基础模型。

虽然 AI Agent 提供了许多优势，但它们的使用也伴随着一些挑战：

需要深度共情/情商或需要复杂的人际互动和社会动态的任务 – AI Agent 难以应对细微差别