Hello-Agents第一章习题

[Lucy-cao]

1. caseA属于反应式智能体，它是基于工程师已经设计到的条件-行动进行决策的，没有自主规划的能力。
   caseB属于基于模型的反应式智能体，它能够检测到外部世界的状态，理解并构建外部世界的模型，基于环境做出决策。
   caseC属于规划式智能体，也是基于效用的智能体，具备一定的思考能力和长远规划的能力，会考虑未来如何走是最优策略。
   caseD属于混合式智能体，查询订单信息、分析问题原因是思考的过程，提供解决方案是思考的结果，并能够安抚用户情绪是通过观察做出安抚的反应，所以属于混合式智能体。

2. Performance性能度量：①用户能够达到既定的健身目标。②训练计划是适合不同健身基础的用户的。③动作指导标准，降低运动损伤率。④饮食建议合理，能够为用户的目标服务。
   Environment环境：①物理环境：用户所处的运动场所。②用户身体：生理状态（心率、血氧、动作形态等）和心理状态（动力、疲劳感）。③用户设备：可穿戴设备等。④数据平台：保存用户运动、饮食等数据的云端服务器。
   Actuators执行器：①生成训练计划给用户查看。②监测用户的生理数据和健身过程的运动形态，展示给用户。③提供语音指导，如果不标准则给出纠正动作的提示。④展示训练效果和饮食建议。
   Sensors传感器：①可穿戴设备监测用户心率、血氧等数据。②视觉传感器捕获用户的运动形态，并进行计算机视觉分析。③用户输入数据：健身目标、心理状态、疼痛反馈等。④周围的环境：地理位置、海拔信息等。
   部分可观察：用户的健身目标、通过可穿戴设备监测到的身体数据、训练动作的形态都是可以观察的。
   随机性和动态性：①用户的生理数据指标是随机性和动态变化的，当心率过高或者血氧过低，需要及时提醒用户休息。②用户的运动形态也会在过程中不断变化，智能体需要根据变化去判断动作是否标准，如果不标准，需要及时的纠正。

3. ①方案A：优点：按照既定的目标条件执行，不会出错，能够快速响应结果；缺点：缺乏一定的灵活性。
   方案B：优点：自动根据用户的历史行为判断是否可以退款，对于优质客户而言，不再需要等审批，体验较好，具备很强的灵活性。缺点：对于一些需要严格把关退款的特殊商品或者金额较高的商品，可能出现机器误判的情况，对公司造成一定的损失。
   ②Workflow适用场景：商品价值较高或者特殊商品之类的退款需要人工审核。Agent适用场景：普通商品且商品价值不高，客户历史购买行为较好时，可以使用Agent。
   我倾向于两者结合起来使用。
   ③可以将两者结合。首先通过智能体判断商品的情况和用户的情况，如果涉及到特殊商品或者商品金额较大，则交由工作流让人工介入做出判断。

4. ①在每一次给出推荐的结果时，提醒用户做出反馈对此结果是满意还是不满意，将用户的反馈记录下来，加入到下一次对话时的输入词中，这就相当于智能体有了记忆的功能。
   ②这需要联网调用API查询景点门票的余额情况，如果查询到售罄，那么通知智能体生成备选方案。
   ③在提示词中可以加入提示语：如果用户连续拒绝3个推荐，那么一方面可以总结用户拒绝的景点类型，尽量避免此类，推荐其他类型的景点，同时也可以询问客户对哪类景点更感兴趣，后续以此作为着重推荐类型。

5. 以医疗诊断助手为例，当接收到一个患者时，需要获取到患者的不适描述，之前做的各种检查报告，由系统1快速初筛，判断大致是哪种类型的疾病，如果是普通的病例，那么就直接输出诊断结果；
   如果是碰到复杂的或罕见的疾病，那么需要启动系统2，对检查报告中更详细的指标做出分析，也有可能需要调用最新的研究报告，判断是否是罕见疾病，慢慢推理出所患疾病，并给出针对性的解决方案。

6. ①智能体是基于上下文根据概率去判断后续可能输出的内容的，只要是概率问题，就会存在误判；另一方面，互联网上信息繁杂，不一定所有的信息都是真实的，如果用于训练的数据源不准确，那么模型产出的结果也会是不正确的。
   ②智能体可能会陷入死循环中，如果没有得到应有的答案，可能会一直循环，无法停止。
   ③仅仅使用准确率是不够的，准确率只能够对已有数据集进行验证准确率，但是无法确保对于未知的内容适用成都，需要更加完整的框架去评估智能程度。
   效能与可靠性： 准确率只是一个起点。需要更关心它的召回率和在不同场景中的鲁棒性。
   效率： 计算需要多少时间和内存，目标结果与计算耗用资源之间是否平衡。
   泛化性： 是不是可以对其他未被纳入训练集的数据也能够有较好的结果。
   推理能力： 能否体现了其因果推理能力，让用户可视化推理的过程。
   交互性： 它给出的建议是否被用户接纳，用户所输入的内容，是否可以作为后续提供建议的基础。

[jerryoung]

我感觉caseA 不是智能体哈

[matrixcloud]

我觉得是，这是非 LLM 范式下的智能体，工程师通过在计算机里面设定 workflow，比如计算机开机后打开浏览器，然后播放音乐。这个 workflow 是死的，但是也是自主执行了。非 LLM 范式下的智能体只能通过人工编排，而 LLM 范式下的智能体相当拥有了一个大脑，只需简单模糊的指令，能够感知外界环境，自主通过大脑理解判断接下来的步骤，而非定死的。

[baizeAI-Pro]

+1，智能体还是要有自主完成任务的能力，有记忆与反思

[linxiecoder]

按课程中描述，他应该属于传统意义下的智能体-反射智能体，不是大模型背景下的反应智能体。
反射智能体是无环境感知能力的

[selma0817]

+1, case A 对于智能体来说感觉缺乏了思考部分，只有感知（或许输入可以在这里当成感知），和行动。

[qingzheng-web]

没有自主决策能力，不符合智能体的定义，故caseA不是智能体

[Linshijing]

智能体通过理解用户意图去自主选择工具，那如果这个工具没有，比如查询天气的这个函数没有提供给他，他就不能自己写一个函数去查天气吗？如果是这样，就是提前提供一大堆工具，如果是开发通用性智能体。

[zzma-pixel]

应该是可以的，但如果碰到需要api-key的工具，还是得由人来配置

[yany0804]

caseB的主体应该属于混合式智能体？

[yany0804]

毕竟主体是自动驾驶系统，还有路径规划等功能

[linxiecoder]

我理解，基于Case来，Case中只描述了前方有障碍物，决策刹车还是变道。没有对于长期规划的描述。所以这道题认为他是规划式智能体。

[guoguoq3]

caseA 感觉不是智能体 智能体的核心是：感知环境 → 自主决策 → 执行动作 的闭环 超级计算机只是高性能计算设备，没有自主感知环境、没有自主目标、不会主动行动，只能被动执行程序指令

[Boer-1]

习题1：

case A：冯·诺依曼结构的计算机不属于智能体，因为

智能体并非只是被动响应外部刺激或严格执行预设指令的程序，它能够基于其感知和内部状态进行独立决策，以达成其设计目标

case B：特斯拉自动驾驶系统属于智能体:基于模型的反射智能体（Model-Based Reflex Agent）;反应式智能体 (Reactive Agents);神经符号主义 AI。因为：

一辆在隧道中行驶的自动驾驶汽车，即便摄像头暂时无法感知到前方的车辆，它的内部模型依然会维持对那辆车存在、速度和预估位置的判断。这个内部模型让智能体拥有了初级的“记忆”，使其决策不再仅仅依赖于瞬时感知，而是基于一个更连贯、更完整的世界状态理解。
对环境刺激做出近乎即时的响应，决策延迟极低。

case C：AlphaGo属于智能体：基于效用的智能体（Utility-Based Agent）;学习型智能体（Learning Agent）;规划式智能体(Deliberative Agents);亚符号主义 AI（Sub-symbolic AI）.因为：

智能体的核心目标不再是简单地达成某个特定状态，而是最大化期望效用
当它最终赢下一局时，系统会给予它一个正向的奖励。通过大量的自我对弈，学习元件会逐渐发现哪些棋路更有可能导向最终的胜利

case D：ChatGPT 扮演的智能客服属于智能体：基于效用的智能体（Utility-Based Agent）;混合式智能体(Hybrid Agents);神经符号主义 AI（Neuro-Symbolic AI）.因为：

智能体的核心目标不再是简单地达成某个特定状态，而是最大化期望效用。它需要回答一个更复杂的问题：“哪种行为能为我带来最满意的结果？”。这种架构让智能体学会在相互冲突的目标之间进行权衡，使其决策更接近人类的理性选择

习题2：

"智能健身教练"的任务环境：
性能度量(Performance)：在尽量短且合理的时间内，指导用户完成瘦身增肌等健身目标。
环境(Environment)：可穿戴设备传感器数据，手机摄像头，用户身体素质指标。
执行器(Actuators)：app界面显示动作规范、饮食建议，调用麦克风提供语音指导
传感器(Sensors)：分析用户运动状态、动作标准，评估训练效果

习题3：

方案一优点：开发成本小，见效快，逻辑直观； 缺点：比较僵硬，不能评估具体售后案例是买房过错还是卖方过错，一刀切。
方案二优点：更人性化，可根据用户历史行为，等分辨“是非”，代表大众理论道德； 缺点：开发调试难，上线效果不如预期。
Workflow适合客观场景，商品是标准件，比如五金器材，书籍，游戏，模型等；
Agent适合主观、成本可控场景，比如大众服饰，水果生鲜等。
或许存在方案C：小额交易直接走Agent，500百元以上设计Workflow流程，往后逐渐替代固定流程。

习题4：

1、添加一个"记忆"功能：把用户偏好信息添加到AGENT_SYSTEM_PROMPT或者持久化添加到prompt_history
2、当推荐的景点门票已售罄：添加查询余票API到可用工具；修改user_prompt，补充“推荐有余票的景区”，来提示LLM。
3、如果用户连续拒绝了 3 个推荐：补充用户拒绝的景区到prompt_history；补充AGENT_SYSTEM_PROMPT命令LLM三次失败重新调整。

习题5：

医疗诊断助手：治疗方案的制定由系统1处理，病情分析，生理指标超标等由系统2处理。系统1统筹计划，拆解目标任务为实现步骤，由系统2执行，来完成协同工作。

习题6：

1、产生"幻觉"：本身就是词向量间距推理，智能体或许学习不到位，没掌握主次因果细节，给出相关但错误的结论也属正常。
2、最大循环次数为 5 次：可能卡在某个失效API始终完不成任务，或者浪费资源
3、智能程度：仅看准确率不够，得兼顾效率和推理能力，即智能程度高的智能体应该是，思路越清晰高效，完成任务又快又准，甚至超出预设答案水平。

[Skadi2333215]

系统1系统2是不是弄反了

[Boer-1]

你是对的，我弄反了，应该是：

系统1负责“提出可能性”，系统2负责“验证与决策”，二者协同完成诊断流程。

系统1（直觉）负责：症状理解（NLP）、医学影像识别、疾病候选生成（初步判断）、风险预测（概率模型）
系统2（推理）负责：病情分析（结合规则/指南）、生理指标判定（是否超标、是否危险）、治疗方案制定（核心决策）、合规校验（禁忌、剂量、安全）