Agent 分类学

Russell & Norvig 提出的五大智能体类型

来自《人工智能：一种现代方法》（AIMA）第 2 章的经典分类体系，按能力递增排列：

1. 简单反射智能体（Simple Reflex Agent）

基于当前感知，使用条件-动作规则（Condition-Action Rules）直接响应。无状态设计，不存储历史信息，决策延迟通常在毫秒级。典型示例是自动恒温器：当温度低于设定值时启动加热，达到目标后关闭。

2. 基于模型的反射智能体（Model-Based Reflex Agent）

维护内部状态（世界模型），追踪"我在哪里"、"我做过什么"。理解环境自主演化规律和行为作用反馈机制，能够应对部分可观测环境。核心组件包括传感器、内部模型、推理组件和执行器。

3. 基于目标的智能体（Goal-Based Agent）

具备未来状态预测能力，通过搜索与规划算法寻找达成目标的最优路径。与模型反射的本质区别在于：从"当前情况下做什么"（reactive）转向"为了达成目标应该做什么"（proactive），能够牺牲短期利益换取长期目标。

4. 基于效用的智能体（Utility-Based Agent）

使用效用函数（Utility Function）评估结果优劣，不仅问"能否达成目标"，更问"哪种方式最优"。能够在多目标间进行权衡优化，选择综合评分最高的路径（如同时考虑时间、能耗、安全等维度）。

5. 学习型智能体（Learning Agent）

包含四大核心组件：性能元件（基于当前知识选择动作）、评判器（评估表现并提供反馈）、学习元件（根据反馈更新知识库）、问题生成器（建议探索未尝试的动作）。通过观察 → 学习 → 行动 → 反馈 → 适应的循环持续改进性能。

参考：

• AIMA 第 2 章 PDF
• AIMA 伪代码仓库

智能体的三个互补分类维度

除了 Russell & Norvig 按能力递增的纵向分类，智能体还可从三个互补的横向维度进行系统性分类，分别对应决策复杂度、决策时序和知识形态：

维度一：基于内部决策架构的分类（Decision Architecture）

反映智能体从简单到复杂的演进路径：

维度二：基于时间与反应性的分类（Temporal Reactivity）

揭示智能体设计中速度与最优性的核心权衡：

现代 LLM 智能体通常采用**"思考-行动-观察"循环**，将规划（Reasoning）与反应（Acting & Observing）融为一体。

维度三：基于知识表示的分类（Knowledge Representation）

这是 AI 领域持续半个多世纪的范式辩论，关乎智能体"思想"中知识的存储形式：

Insight：三个维度相互正交，一个智能体可同时属于多个类别。例如，一个现代 AI 科研助手可能是"基于效用的"（架构维度）+ "混合式"（时间维度）+ "神经符号主义"（知识维度）的组合。LLM 智能体打破了传统分类边界—— 其神经网络内核提供亚符号的模式识别（系统1），而通过 Chain-of-Thought 生成结构化推理又实现了符号主义的逻辑能力（系统2）。

参考：

• 初识智能体 Part 2：智能体的决策架构与认知模型
• 大模型智能体（LLM Agent）基础入门