关注我们，未来不迷路，一起重启，慢慢变好

“又是周末，户外寒风哆嗦，出门浪不如窝家里看看书，继续学习北纬大叔的《大家一起学AI》第三章吧，跟上时代的步伐，也算庆祝澳门回归26年，与时代同行”

《大家一起学AI》第一章:回到本源，为什么我们要学 Agent AI

《大家一起学AI》第二章:为什么要把大模型和 Agent 融合？

1. 我们先聊个问题：大模型，到底算不算一个Agent？

你第一次用 GPT 的时候，有没有觉得：它好像一个会说话、会推理，还能解决问题的“人”？

我记得我第一次用的时候，就是这种感觉。你问它问题，它不仅回答，还能举例、还能推理，甚至能“聊人生”。

于是很多人很自然地就说：

👉“大模型就是Agent 啊，它已经有智能了呀。”

但后来我越用越发现，好像又不是那么回事。

比如我问它：“帮我查一下明天多伦多到渥太华的火车票，给我订一张。”

它会很认真的给我写一段行程计划，告诉我应该几点出发、几点到达，甚至还能写得煞有介事。

可问题是，它真的能帮我订票吗？不能。它不会去

VIA Rail 的网站操作，也不会输入我的信用卡。它只会“说”，不会“做”。

所以我就陷入了思考：👉大模型到底是Agent，还是 Agent 的一部分？

2. 范式是什么？为什么我们必须先搞清楚范式？

论文里用了一个词：Paradigm（范式）。

这个词其实不难理解，就是“我们看待问题的框架”。

我给你打个比方：

1. 同样一盘围棋，有的人说“棋手最重要”，因为是棋手在下棋；
2. 但也有人说“规则最重要”，因为没有规则，棋局根本下不起来。

这就是两种不同的范式。

在 AI Agent的世界里，

1. 一种范式是：LLM  = Agent。
2. 另一种范式是：LLM 只是 Agent 的大脑，Agent 还需要身体、记忆和工具。

为什么这个问题重要？

👉因为你认同哪种范式，就会决定你未来做研究、做应用时的路线。

1. 如果你觉得 LLM 就是 Agent，你就会研究“如何增强大模型，让它更自主”。
2. 如果你觉得 LLM 只是 Agent 的一部分，你就会研究“如何用框架把大模型整合进一个更大的系统”。

所以，这一章讨论的，其实就是一个“定位”的问题。

大模型在 Agent里，到底是什么角色？

3. 两种看法，两个世界

看法一：LLM 就是 Agent

很多人支持这种观点。他们说：

1. LLM 已经能理解自然语言。
2. 它能做推理，能回答问题，能解决复杂任务。
3. 它还可以通过插件调用工具（比如写代码、调用API）。

那它为什么不是一个Agent 呢？

从表面上看，确实很有道理。你给它一个问题，它能一步步思考，还能自己生成“行动计划”。

举个例子：你说：“帮我写一份 3 天的云南旅游计划。”

它马上就能生成：第一天昆明石林，第二天大理古城，第三天丽江玉龙雪山。

这不就是 Agent的“感知 + 推理 + 行动”了吗？

所以很多人干脆说：大模型就是Agent。

看法二：LLM 只是 Agent 的一部分

1. 但也有人反对。他们说：真正的 Agent，不只是“说话”，还要“做事”。
2. 它需要记忆，需要与外部环境互动，需要真正的执行。
3. 而 LLM只是负责“思考”，它没有手，没有脚。

还是回到刚才的例子：

你让它帮你“订一张火车票”，它会给你计划，但不会真的打开网站下单。

所以，它更像是一个大脑，负责思考。真正的执行，还需要其他模块，比如浏览器自动化、API调用器、支付接口。

所以他们说：👉Agent = 大模型（大脑） + 工具（手脚） + 框架（规则） + 记忆（经验）。

这就是另一种范式。

4. 谁对谁错？其实都对

有意思的是，这两种看法都没有错。关键看你要用它来干什么。

1. 如果你只是让它回答问题、写文案、写代码，大模型自己就能搞定，这时候你完全可以把它看作一个“简单的Agent”。
2. 但如果你要它帮你“执行任务”，比如订票、发邮件、跑流程，这时候光有大模型不够，你需要Agent 框架，把大模型当作“大脑”，配合身体和工具。

👉 这就是为什么要讨论范式。因为不同的范式，决定了不同的应用边界。

5. Agent Transformer：让“意图”变成语言

论文里提了一个很有意思的方向：Agent Transformer。

我们知道，GPT 的底层是 Transformer 架构，它处理的是“token”，就是文字的最小单元。

比如“苹果”这个词，会被拆成“苹”和“果”。

那 AgentTransformer 想干嘛呢？

👉它想引入一种新的token，叫做 Agent Token（行动单元）。

什么意思？

举个例子：

你说：“帮我订一张 9 月 20 号的火车票，从多伦多到渥太华。”

传统 LLM 处理的时候，会把这句话拆成很多文字 token。

但 Agent Token 的思路是，把它抽象成一系列“意图”：

1. 查询航班信息；
2. 选择合适航班；
3. 填写个人信息；
4. 提交支付。

这样，大模型就不是在处理零散的文字，而是在处理“行动的语言”。

👉 这是一种新的思路，能让大模型更自然地与 Agent 框架结合。

6. 一体化还是模块化？一场哲学之争

接着，论文还谈到一个老生常谈的问题：

👉我们到底要不要搞一个“超级一体化模型”？

设想一下，一个超级大模型：

1. 它能理解文字；
2. 能看图片；
3. 能听语音；
4. 还能直接执行动作。

听起来很酷对吧？这就是所谓的 端到端一体化模型（End-to-End Model）。

但问题也来了：

1. 训练这样一个模型，算力需求极大。
2. 一旦出错，很难排查问题。
3. 数据要求高到几乎不可实现。

所以，有人坚持走另一条路：模块化（Modular Design）。

1. 大模型负责理解和推理；
2. 工具负责执行；
3. 框架负责协调；
4. 记忆负责存储信息。

模块化的好处是：灵活、可扩展。

坏处是：工程上更复杂，需要系统集成。

👉 这就像人类社会：

1. 有人喜欢“全能选手”，一个人包办所有工作；
2. 有人更喜欢“分工协作”，大家各司其职。

目前，工业界更多是选择模块化，因为它更务实；而一体化模型更多还是科研探索。

7. 我们来总结一下（加点重复）

1. 范式就是思维方式
   ：我们要先问清楚，大模型在Agent 里扮演什么角色。
2. 两种答案
   ：
3. 一种说：LLM = Agent；
4. 一种说：LLM只是 Agent 的大脑。
5. Agent  Transformer
    提供了一个新思路：把行动变成“语言单元”，让大模型更像能“理解行动”的大脑。
6. 端到端  vs 模块化
   ：
7. 端到端模型：简洁但理想化，算力需求巨大；
8. 模块化设计：灵活务实，但系统更复杂。

👉 重复一句话（非常重要）：大模型不是Agent，它是 Agent 的大脑。只有配合身体、工具和记忆，才是真正的智能体。

8. 中英词语对照

1. Paradigm → 范式
2. LLM (Large Language Model) → 大语言模型
3. VLM (Vision-Language Model) → 视觉-语言模型
4. Agent Transformer → Agent 变压器架构
5. Agent Token → Agent 意图单元 / 行动符号
6. End-to-End → 端到端一体化
7. Modular  Design → 模块化设计
8. Autonomy → 自主性
9. Emergence → 涌现能力