Agent System 是什么？_llm+p

在以 LLM 为驱动的 AI Agents 系统中，LLM 是代理系统的“大脑”，并需要其他几个关键组件的辅助：

1. 规划（Planning）

• 子目标和分解：AI Agents 能够将大型任务分解为较小的、可管理的子目标，以便高效的处理复杂任务；

• 反思和细化：Agents 可以对过去的行为进行自我批评和反省，从错误中吸取经验教训，并为接下来的行动进行分析、总结和提炼，这种反思和细化可以帮助 Agents 提高自身的智能和适应性，从而提高最终结果的质量。

2. 记忆 （Memory）

• 短期记忆：所有上下文学习都是依赖模型的短期记忆能力进行的；

• 长期记忆：这种设计使得 AI Agents 能够长期保存和调用无限信息的能力，一般通过外部载体存储和快速检索来实现。

3. 工具使用（Tool use）

• AI Agents 可以学习如何调用外部 API，以获取模型权重中缺少的额外信息，这些信息通常在预训练后很难更改，包括当前信息、代码执行能力、对专有信息源的访问等。

组件一：任务规划

复杂任务的处理通常会涉及到多个步骤，因此 AI Agents 需要预先了解并对这些步骤进行规划。任务规划能力可以帮助 Agents 更好地理解任务结构和目标，以及在此基础上如何分配资源和优化决策，从而提高任务完成的效率和质量。

任务分解（Task Decomposition）

• 思维链（Chain of thought）

CoT 已经成为提升复杂任务模型性能的标准提示技术，它通过让模型“逐步思考”，利用更多的测试时间，将困难的任务拆解为更小、更简单的步骤。CoT 能够将大型任务转化为多个可管理的子任务，并揭示模型的思维链条，从而提高模型性能。这种技术使得模型更易于理解，也更容易获得更好的结果。

• 思维树（ Tree of Thoughts）

 在 CoT 的基础上，思维树（ ToT ）则是通过在每一步探索多种推理可能性来扩展模型性能。ToT 首先将问题分解为多个思维步骤，每个步骤生成多个思维，从而创建一个树状结构。搜索过程可以是广度优先搜索（BFS）或深度优先搜索（DFS），每个状态由分类器（通过提示）或多数票进行评估。

 

在处理任务时，可以通过以下几种方式来实现任务分解：

1. 通过 LLM 模型进行简单的提示，例如“Steps for XYZ.\n1.”、“What are the subgoals for achieving XYZ?”；

2. 通过使用特定于任务的指令，例如“Write a story outline”；

3. 有人工输入。

另一种非常独特的任务分解的方法是 LLM+P ，它利用外部经典规划师（External classical planner）进行长期规划。该方法利用规划域定义语言 (Planning Domain Definition Language，PDDL) 作为中间接口来描述规划问题。在这个过程中，LLM 需要完成以下几个步骤：

1. 将问题转化为“问题 PDDL”；

2. 请求经典规划师基于现有的“域 PDDL”生成 PDDL 计划；

3. 将 PDDL 计划翻译回自然语言。

LLM+P（Large Language Models + Planning）：

LLM+P：Empowering Large Language Models with Optimal Planning Proficiency 论文中提出的一种任务解决方法，通过将 LLM 和规划（Planning）进行结合， 通过使用自然语言来描述任务规划，进一步生成解决方案，从而推动问题的解决。

在 LLM+P 中，LLM 用于将自然语言指令转换为机器可理解的形式，并生成 PDDL 描述。接下来，PDDL 描述可以被 P 规划器使用，生成合理的计划并解决给定的任务。目前，LLM+P 方法已经应用于许多领域，例如机器人路径规划、自动化测试和语言对话系统中的自然语言理解和生成问题等等。

PDDL（Planning Domain Definition Language）：

PDDL 是一种标准化和通用的规划领域语言，用于描述计划领域的形式语言。它能够用于描述可行动作、初始状态和目标状态的语言，用于帮助规划器生成计划。PDDL 通常被用于 AI 的自动规划问题，例如机器人路径规划、调度问题、资源分配等。

从本质上讲，由外部工具来完成规划步骤被这件事在某些机器人环境中很常见，但在其他领域并不常见。该方法假设特定领域的 PDDL 和适当的规划师可用，可以帮助 Agents 更好地规划和执行任务，提高任务完成的效率和质量。