Hello Agents | 第一章习题

[matrixcloud]

1. 请分析以下四个 case 中的主体是否属于智能体，如果是，那么属于哪种类型的智能体（可以从多个分类维度进行分析），并说明理由。

• Case A: 一台符合冯·诺依曼结构的超级计算机属于混合式智能体，具体看人类预先编订的任务和逻辑。符合基本的智能体定义，即感知环境，自主执行任务，并完成任务。例如，超级计算机对实验数据输入（环境），进行转化（感知），然后进行分析处理（自主执行），最后得出报告（完成目标）。需要强调的是，它体现出来自动性完全是靠人类先天编码定义的。
• case B：特斯拉自动驾驶系统属于混合式智能体，这主要是它能够根据信号灯来做反应式判断，再者它也能够依据用户设定的目的地和速度进行规划来动态调整自身的状态。
• Case C: AlphaGo 属于规划式智能体，它主要对当前棋盘整个状态进行分析并规划出赢的策略。
• Case D: ChatGPT 扮演的智能客服属于混合式智能体，它能够根据用户的情绪做出立即反应，也能够自主规划和使用订单等工具查询，帮用户定位解决问题。

2. 使用 PEAS 模型完整描述智能健身教练。

• P: 根据健身目标调整动态调整训练计划；在运动过程中给出指导和动作纠正；评估训练效果并给出饮食建议。
• E：用户的心率、运动强度等生理数据；健身目标（减脂/增肌/提升耐力）；饮食数据。
• A: 用户生理数据获取接口；健身目标读取接口；训练计划设置接口；语音生成接口；运动姿态识别接口；饮食数据获取接口；
• S: 解析用户生理数据，运动姿态，健身目标以及饮食数据，并将其转化成方便 LLM 理解的自然语言

3. 电商公司的两种退款方案。

-	A 方案	B 方案
优点	精准，快速	能够根据具体情况具体分析，有人情味
缺点	对用户来说毫无商量余地	在和用户交互可能需要来回交互，容易出错

Workflow 对于需要精准、快速答案的场景比较适用，而 Agent 更适合需要根据用户行为和记录进行动态调整的场景。
作为负责人我希望能混合使用，对于一般场景和一般用户，在无争议的情况下优先使用 workflow 型，快速而精准。对于存在争议的退款，可以使用 Agent 根据用户的行为记录、退款政策等外界输入等条件来调整，如 Agent 无法解决，可以加入人工裁决和解决。

4. 增强旅行助手 (T->A->O)

a. 添加一个"记忆"功能，让智能体记住用户的偏好（如喜欢历史文化景点、预算范围等）

添加一个变量判断目标是否完成，为历史文化经典、预算范围等偏好添加指针，迭代的每轮记住这些偏好。当迭代结束且目标完成，那么偏好指针所指的内容就是用户这一轮的偏好历史，简单点用个数组保存（暂不考虑落盘）。

b. 当推荐的景点门票已售罄时，智能体能够自动推荐备选方案

首先需要一个集合记录已推荐的景点，其次在 Observation 环节对已售罄情况做判断，如果已售罄那么根据用户选择的天气和地点重新推荐一个不在推荐记录的景点。

c. 如果用户连续拒绝了 3 个推荐，智能体能够反思并调整推荐策略。

添加一个拒绝计数和推荐历史集合，当达到三次的时候，智能体根据推荐推荐历史集合，重新调整推荐策略。

5. 卡尼曼的快速直觉和慢速推理

快速直觉适用的场景	慢速推理适用的场景
在医疗系统中，例如根据患者体温等特征实现快速分诊，根据 CT 图，血化验指标快速定位问题；在法律咨询中，对于触犯明确条文规定的，可以快速给出答案；在金融场景中，对于明显的波动和危险信号，立马给出报警。	在医疗系统中，对于疑难杂症需要多方分析的疾病，可以使用慢速推理；在法律中，对于需要逐步收集信息还有模糊边界的情况；金融领域，可以根据公司的各项财务指标，经营，人事等多方面因素来判断股票前景

对于情况十分清晰，满足规则判断时使用快速直觉；对于需要多方收集和边界模糊的情况采用慢速推理。

6. 大模型的局限

a. 为什么智能体或智能体系统有时会产生"幻觉"（生成看似合理但实际错误的信息）？

因为大模型只是在做词语接龙，利用概率预测下一个词，它无法根据事实逻辑来判断生成的真假。其次，它的预测跟它训练的数据十分相关，训练数据中可能存在错误或自相矛盾的内容。

b. 在 1.3 节的案例中，我们设置了最大循环次数为 5 次。如果没有这个限制，智能体可能会陷入什么问题？

如果没有循环限制，智能体可能陷入无限循环。

c. 如何评估一个智能体的"智能"程度？仅使用准确率指标是否足够？

仅使用准确率是不够的，准确率只能说明对用于测试的任务完成的不错。我们需要还需要考虑实际场景的泛化性、安全性、易用性、使用效率、健壮性等多方面指标。