# 前言
学习GitHub上面hello agents的教程，我决定在这篇blog做一些这方面的笔记


# 第一章
### 什么是智能体
在人工智能领域，智能体被定义为任何能够通过传感器（Sensors）感知其所处环境（Environment），并自主地通过执行器（Actuators）采取行动（Action）以达成特定目标的实体。
### 传统智能体与现代智能体

![image.png](https://tuchuang-yxjxxr.oss-cn-beijing.aliyuncs.com/undefineda1c6ea2547a07ee19723f1a3e213aacd.image.png)

### AI的分类

![image.png](https://tuchuang-yxjxxr.oss-cn-beijing.aliyuncs.com/undefinedb25e8447a3f5e49045054f9696fc3f8c.image.png)
### 智能体运行机制

![image.png](https://tuchuang-yxjxxr.oss-cn-beijing.aliyuncs.com/undefined918b9d8872d0c0404255acb67cc7ba66.image.png)
这个循环主要包含以下几个相互关联的阶段：

1. 感知 (Perception)：这是循环的起点。智能体通过其传感器（例如，API 的监听端口、用户输入接口）接收来自环境的输入信息。这些信息，即观察 (Observation)，既可以是用户的初始指令，也可以是上一步行动所导致的环境状态变化反馈。
2. 思考 (Thought)：接收到观察信息后，智能体进入其核心决策阶段。对于 LLM 智能体而言，这通常是由大语言模型驱动的内部推理过程。如图所示，“思考”阶段可进一步细分为两个关键环节：
    1. 规划 (Planning)：智能体基于当前的观察和其内部记忆，更新对任务和环境的理解，并制定或调整一个行动计划。这可能涉及将复杂目标分解为一系列更具体的子任务。
    2. 工具选择 (Tool Selection)：根据当前计划，智能体从其可用的工具库中，选择最适合执行下一步骤的工具，并确定调用该工具所需的具体参数。
3. 行动 (Action)：决策完成后，智能体通过其执行器（Actuators）执行具体的行动。这通常表现为调用一个选定的工具（如代码解释器、搜索引擎 API），从而对环境施加影响，意图改变环境的状态。  
行动并非循环的终点。智能体的行动会引起环境 (Environment) 的状态变化 (State Change)，环境随即会产生一个新的观察 (Observation) 作为结果反馈。这个新的观察又会在下一轮循环中被智能体的感知系统捕获，形成一个持续的“感知-思考-行动-观察”的闭环。智能体正是通过不断重复这一循环，逐步推进任务，从初始状态向目标状态演进。
### 智能体的感知和行动
为了让智能体严格的执行上面的循环，我们需要一套明确的交互协议 (Interaction Protocol) 来规范其与环境之间的信息交换。
这个结构通常包含两个核心部分：

- Thought (思考)：这是智能体内部决策的“快照”。它以自然语言形式阐述了智能体如何分析当前情境、回顾上一步的观察结果、进行自我反思与问题分解，并最终规划出下一步的具体行动。
- Action (行动)：这是智能体基于思考后，决定对环境施加的具体操作，通常以函数调用的形式表示。
- Observation（观察）： 扮演传感器的角色，将原始输出处理并封装成一段简洁、清晰的自然语言文本。
### 构建一个简单的智能体


# 第二章
### 符号系统
1. SHRDLU的历史地位与影响主要体现在三个方面：

+ 综合性智能的典范：在SHRDLU之前，AI研究大多聚焦于单一功能。它首次将语言理解、推理规划与行动记忆等多个AI模块集成于统一系统，其“感知-思考-行动”的闭环设计，奠定了现代智能体研究的基础。
+ 微观世界研究方法的普及：它的成功证明了在一个规则明确的简化环境中，探索和验证复杂智能体基本原理的可行性，这一方法深刻影响了后续的机器人学与AI规划研究。
+ 引发的乐观与反思：SHRDLU的成功激发了对AGI的早期乐观预期，但其能力又严格局限于积木世界。这种局限性引发了AI领域关于“符号处理”与“真正理解”之间差异的长期思辨，揭示了通往通用智能的深层挑战。
2. 符号系统的缺陷：

+ 常识知识与知识获取瓶颈
+ 框架问题与系统脆弱性

### 联结主义
联结主义是一种自下而上的方法，其灵感来源于对生物大脑神经网络结构的模仿。它的核心思想可以概括为以下几点

1. 知识的分布式表示：知识并非以明确的符号或规则形式存储在某个知识库中，而是以连接权重的形式，分布式地存储在大量简单的处理单元（即人工神经元）的连接之间。整个网络的连接模式本身就构成了知识。
2. 简单的处理单元：每个神经元只执行非常简单的计算，如接收来自其他神经元的加权输入，通过一个激活函数进行处理，然后将结果输出给下一个神经元。
3. 通过学习调整权重：系统的智能并非来自于设计者预先编写的复杂程序，而是来自于“学习”过程。系统通过接触大量样本，根据某种学习算法（如反向传播算法）自动、迭代地调整神经元之间的连接权重，从而使得整个网络的输出逐渐接近期望的目标。


![image.png](https://tuchuang-yxjxxr.oss-cn-beijing.aliyuncs.com/undefined1f651b88d6f401399901a037d5fc45c6.image.png)

hello-agent

AIGC学习过程

1月12日到18日任务

### 对之前的总结：报名了一个AIGC的课程，那么就开始学吧。下周的总体目标是：
1. 正常跟老师的课程学习AIGC
2. 自己再学一下langchain（从学别人的GitHub项目开始做起）
3. 了解调研，考察别人的论文具体要什么
4. 每天花起码30min学习ai的知识，如transformer,bert等
5. 有时间的话每天接触一点English，如看英语电影，玩英语游戏，背单词，背新概念英语等
6. 跑步，打球，保持每天的运动量

1月11日周结

# 前言
又到了寒假立flag的日子了，这次的寒假持续到2月28日，3月2日上课。将近40天的寒假时光，那么一定要一些目标，来让自己充实起来


本寒假的主题就是ai
# 学习
## AIGC，严格跟着老师的进度走。让知识变现，目标：起码赚1k
## 数据分析数据挖掘，打kaggle的比赛，找到comments最多的代码进行逐行学习，了解数据分析的baseline，成果：拿一个奖牌
## 论文，检索很多空间数据挖掘的文章，将他们汇总之后找一个周集中学习他们的思想，总结提炼出自己的idea来。看看能不能结合ai来帮助用户辅助决策（这是目前的basic idea）
### 读完论文，想到idea之后就自己着手进行实现，尽快将代码弄出来
## 弄好之后要将软著弄出来，这个交给自己的组员去完成
## 如果还有余力的话将这个结合挑战杯，看看能不能用这个去打挑战杯
## 每周复现一个ai相关的github项目
## 每天花30min了解ai相关的文章
## 每周打力扣周赛，并且进行复盘总结相关算法
# 生活
## 每天跑2km（隔天）
## 打球（隔天）
## 每天起码保证一定的运动量，并且打卡自己的训练成果
# 周结
## 每周做一个总结，用来总结这周做了什么且下周每天要做什么

# 结语
## 长期主义，耐心一点，平静一点