智能体发展史

原文：Hello-Agents · 第二章 智能体发展史 · 在线阅读

一句话

智能体发展史是从符号主义到分布式协作，再到学习范式的演进历程，每一新范式都是为了解决上一代范式的核心局限。

什么时候翻这页

• 需要理解现代智能体架构的历史背景和设计思想
• 想了解从专家系统到大型语言模型驱动的智能体的技术演进
• 需要把握智能体技术选型背后的深层原因与历史必然性
• 在设计智能体系统时需要参考历史经验避免重复错误

核心概念

• 符号主义(Symbolicism)：认为智能行为的核心是基于一套明确规则对符号进行操作
• 物理符号系统假说(Physical Symbol System Hypothesis, PSSH)：由艾伦·纽厄尔(Allen Newell)和赫伯特·西蒙(Herbert A. Simon)提出，包含充分性论断和必要性论断
• 专家系统(Expert System)：模拟人类专家在特定领域内解决问题的能力，由知识库和推理机组成
• 产生式规则(Production Rules)：IF-THEN形式的条件语句，是专家系统中常用的知识表示方法
• 正向链(Forward Chaining)：从已知事实出发，不断匹配规则的IF部分，触发THEN部分的结论
• 反向链(Backward Chaining)：从一个假设的目标出发，寻找能够推导出该目标的规则
• 置信因子(Certainty Factor, CF)：用一个-1到1之间的数值来表示一个结论的可信度
• 模式匹配(Pattern Matching)与文本替换(Text Substitution)：ELIZA的核心算法机制
• 心智社会(The Society of Mind)：马文·明斯基提出的理论，认为智能源于大量简单智能体的协作
• 涌现(Emergence)：复杂的、有目的性的智能行为从大量简单的底层智能体之间的局部交互中自发产生
• 分布式人工智能(Distributed Artificial Intelligence, DAI)：研究多个独立智能体如何协作的系统
• 多智能体系统(Multi-Agent System, MAS)：由多个自主智能体组成的系统，通过交互实现共同目标
• 联结主义(Connectionism)：模仿生物大脑神经网络结构，通过学习调整权重获取知识
• 强化学习(Reinforcement Learning, RL)：通过智能体与环境的直接交互，在"试错"中学习如何最大化长期收益
• 预训练(Pre-training)：在通用语料库上通过自监督学习训练模型，获取广泛知识
• 大型语言模型(LLM)：通过预训练获得世界知识和通用推理能力的模型
• 工具调用(Tool Call)：LLM驱动的智能体通过调用工具与环境交互的方式
• 上下文学习(In-context Learning)：无需调整模型权重，仅在输入中提供示例就能理解并完成新任务
• 思维链(Chain-of-Thought)推理：通过引导模型在回答复杂问题前，先输出一步步的推理过程

怎么做

1. 理解符号主义智能体的工作原理：

   • 构建知识库，使用产生式规则表示专家知识
   • 实现推理机，支持正向链或反向链推理
   • 处理不确定性，使用置信因子等方法

2. 实现基于规则的聊天机器人：

   • 建立规则库，定义模式与响应模板的映射关系
   • 实现代词转换功能，维持对话连贯性
   • 设计模式匹配算法，识别用户输入中的关键词

3. 设计多智能体系统：

   • 将复杂任务分解为多个子任务
   • 为每个子任务设计专门的智能体
   • 建立智能体间的通信与协作机制

4. 构建基于强化学习的智能体：

   • 定义状态、行动、奖励空间
   • 设计策略函数，指导智能体决策
   • 实现学习算法，优化累积奖励

5. 开发基于大语言模型的智能体：

   • 设计感知模块，处理环境输入
   • 构建规划模块，制定高级策略
   • 实现执行模块，调用工具与环境交互
   • 建立记忆模块，保存历史信息

命令 / 代码速查

ELIZA聊天机器人实现

import re
import random

# 定义规则库:模式(正则表达式) -> 响应模板列表
rules = {
    r'I need (.*)': [
        "Why do you need {0}?",
        "Would it really help you to get {0}?",
        "Are you sure you need {0}?"
    ],
    r'Why don\'t you (.*)\?': [
        "Do you really think I don't {0}?",
        "Perhaps eventually I will {0}.",
        "Do you really want me to {0}?"
    ],
    r'Why can\'t I (.*)\?': [
        "Do you think you should be able to {0}?",
        "If you could {0}, what would you do?",
        "I don't know -- why can't you {0}?"
    ],
    r'I am (.*)': [
        "Did you come to me because you are {0}?",
        "How long have you been {0}?",
        "How do you feel about being {0}?"
    ],
    r'.* mother .*': [
        "Tell me more about your mother.",
        "What was your relationship with your mother like?",
        "How do you feel about your mother?"
    ],
    r'.* father .*': [
        "Tell me more about your father.",
        "How did your father make you feel?",
        "What has your father taught you?"
    ],
    r'.*': [
        "Please tell me more.",
        "Let's change focus a bit... Tell me about your family.",
        "Can you elaborate on that?"
    ]
}

# 定义代词转换规则
pronoun_swap = {
    "i": "you", "you": "i", "me": "you", "my": "your",
    "am": "are", "are": "am", "was": "were", "i'd": "you would",
    "i've": "you have", "i'll": "you will", "yours": "mine",
    "mine": "yours"
}

def swap_pronouns(phrase):
    """
    对输入短语中的代词进行第一/第二人称转换
    """
    words = phrase.lower().split()
    swapped_words = [pronoun_swap.get(word, word) for word in words]
    return " ".join(swapped_words)

def respond(user_input):
    """
    根据规则库生成响应
    """
    for pattern, responses in rules.items():
        match = re.search(pattern, user_input, re.IGNORECASE)
        if match:
            # 捕获匹配到的部分
            captured_group = match.group(1) if match.groups() else ''
            # 进行代词转换
            swapped_group = swap_pronouns(captured_group)
            # 从模板中随机选择一个并格式化
            response = random.choice(responses).format(swapped_group)
            return response
    # 如果没有匹配任何特定规则，使用最后的通配符规则
    return random.choice(rules[r'.*'])

# 主聊天循环
if __name__ == '__main__':
    print("Therapist: Hello! How can I help you today?")
    while True:
        user_input = input("You: ")
        if user_input.lower() in ["quit", "exit", "bye"]:
            print("Therapist: Goodbye. It was nice talking to you.")
            break
        response = respond(user_input)
        print(f"Therapist: {response}")

与 Python / Claude Code 手册的联系

• 正则表达式：ELIZA实现中使用re模块进行模式匹配，与Python手册中的正则表达式章节相关
• 函数设计：代码中的函数设计体现了Python手册中关于函数定义、参数传递和返回值的知识
• 数据结构：规则库使用字典结构，体现了Python手册中关于数据结构的使用
• 字符串处理：代码中的字符串操作与Python手册中的字符串处理章节相关
• 控制流：循环和条件判断体现了Python手册中的控制流知识

初学者易错点

1. 符号主义系统的脆弱性：认为增加更多规则就能解决所有问题，但实际上规则越多系统越脆弱，遇到规则外的情况就会完全失效
2. 混淆理解与模式匹配：像ELIZA这样的系统只是在执行模式匹配，而非真正理解语义，容易误认为系统具有理解能力
3. 忽视上下文记忆：基于规则的系统通常是无状态的，无法进行连贯的多轮对话，需要显式实现上下文记忆
4. 过度依赖单一范式：试图用单一范式解决所有问题，而实际上智能体需要结合符号主义、联结主义和行为主义等多种思想
5. 低估预训练的重要性：认为智能体的能力主要来自架构设计，而实际上预训练获取的知识是现代智能体的基础
6. 忽视工具调用的限制：LLM驱动的智能体通过工具调用与环境交互，但工具调用能力有限，需要合理设计工具集

相关词条

• 第一章：智能体基础：介绍现代智能体的基本概念和架构
• 第三章：大语言模型基础：深入理解大语言模型的底层原理
• ReAct框架：结合推理与行动的智能体框架
• MCP(Model Context Protocol)：模型上下文协议，用于智能体与工具的交互
• LangGraph：构建复杂智能体工作流的框架
• 多智能体系统：多个智能体协作的系统设计
• 强化学习基础：智能体与环境交互的学习方法
• 预训练与微调：大型语言模型的核心训练范式