智能代理（），或译智能体、智慧代理，在人工智能领域指一个可以观察周遭环境并做出行动以达到目标，并且可以通过机器学习以及获取知识来提升自身性能的自主实体。它通常是指（但不一定是）一个软件程序。“智能代理”是目前人工智能研究的一个核心概念，统驭和联系着各个子领域的研究。
智能代理基于目标函数（或称目标函数、效用函数、损失函数、奖励函数、适应度函数）来运作。代理被设计为创建和执行计划，以最大化该函数完成时的预期值。例如，强化学习代理具有奖励函数，进化算法的行为则由适应度函数引导。智能代理的范围可以很简单，也可以极其复杂：基本的恒温器或控制系统被视为智能代理，人类以及任何满足相同标准的系统（如企业、国家或生物群系）也同样被视为智能代理。
- 基于模型的反射代理：可以处理部分可观察的环境。代理内部维护一个描述世界不可见部分的内部模型，该模型依赖于感知历史，从而反映当前状态中至少部分未观察到的方面。代理还可以利用模型来描述和预测环境中其他代理的行为。
- 基于目标的代理：在基于模型的基础上引入“目标”信息，描述合意的状态，从而在多个可能性中选择能达到目标状态的那个。搜索和规划是致力于寻找达成目标行动序列的子领域。ChatGPT和Roomba吸尘器都是基于目标代理的例子。
- 基于效用的代理：仅区分目标状态和非目标状态的代理过于简单；基于效用的代理使用效用函数将状态映射到效用度量，从而允许对不同世界状态进行量化比较。理性代理选择使行动结果的期望效用最大化的行动。
- 学习代理：允许代理在未知环境中开始并逐步超越初始知识的界限。学习代理区分“学习元件”（负责改进性能）和“性能元件”（负责选择外部行动），并配有“评判者”提供反馈和“问题生成器”鼓励探索。
此外，将代理分为四类：基于逻辑的代理（通过逻辑推导做出决策）、反应式代理（从情境到行动的直接映射）、信念—愿望—意图代理（基于信念、愿望和意图的数据结构做出决策）和分层架构（决策在多个软件层上进行）。
目标函数
目标函数规定了智能代理的目标。代理越智能，就越能一致地选择产生与目标函数更一致的结果的行动。根据语境不同，该概念有不同的名称：在经济学和决策理论中称为效用函数；在机器学习中常用损失函数（最小化）；在强化学习中称为奖励函数；在进化系统中称为适应度函数。
现代AI代理
按照Nikola Kasabov在1998年的总结，智能代理系统应表现出以下特征：增量式容纳新问题求解规则；在线和实时适应；能够分析自身行为、错误和成功；通过与环境交互学习和改进；从大量数据中快速学习；具有基于记忆的范例存储和检索能力；具有表示短期和长期记忆、年龄、遗忘等参数。
在生成式人工智能的背景下，AI代理（也称复合AI系统）是一类以自主操作复杂环境为特征的智能代理。Agentic AI工具优先考虑决策而非内容生成，不需要人类提示或持续监督。它们拥有复杂的目标结构、自然语言界面、独立行动能力，其控制流通常由大语言模型驱动。热门例子包括AutoGPT、Devin AI、OpenAI Operator和Manus等。构建AI代理的框架包括LangChain、Microsoft AutoGen和OpenAI Swarm等。
应用
智能代理的概念已广泛应用于实际系统。在自动驾驶领域，Waymo开发了名为Carcraft的多代理仿真环境来测试自动驾驶算法，该系统模拟人类驾驶员、行人和自动驾驶车辆之间的交互。Salesforce的Agentforce平台允许构建自主代理来执行任务。2026年3月，亚马逊云服务推出了Amazon Connect Health，这是其首个符合HIPAA的医疗AI代理平台，用于自动化预约安排、临床文档和患者验证等工作流程。
参见
- 多智能体系统
- 强化学习
- 认知架构
- 人工智能代理
參考文獻
评论 (0)