人工智能代理究竟是什么？它仅仅是一个能访问外部API的大型语言模型（LLM）吗？
答案是：差不多。 我们所说的AI代理，主要指基于LLM的代理。想象一下ChatGPT这样的通用LLM，但并非直接使用，而是为其配备各种工具来增强其能力。
例如，询问ChatGPT明天的天气。LLM本身无法回答，因为它无法实时访问天气数据。但如果我们提供一个工具（例如，一个接受日期和位置作为输入并返回天气信息的API），它就能检索并显示这些数据。这就是LLM利用外部工具的例子。
这些工具可以是任何代码，例如天气API、计算器，甚至复杂的数据库查询。ChatGPT Search就是一个实际例子，它作为一个代理，使用专用工具搜索网络并返回结果。
更进一步，一个工具本身也可以是另一个AI代理。这就产生了代理递归调用其他代理的可能性，每个代理都利用其他代理的优势。 真正的挑战在于设计有效的架构，在这些代理之间合理分配任务，确保它们在项目中无缝协作。
如何开始构建AI代理？
从头开始，至少目前是这样。尽管大部分代码已整合到库和可复用函数中，但AI代理开发仍处于早期阶段。
一些初创公司提供可集成到项目的闭源工具市场（例如AssemblyAI或LangChain的工具集），如果您需要更大的灵活性，GitHub也是一个不错的选择。像mkinf这样的平台正在兴起，通过托管可通过API调用的定制工具来填补这一空白。
框架的作用是什么？
LangChain和Haystack等框架简化了AI代理有效运行所需的复杂编排。它们就像粘合剂，将所有组件连接在一起。构建AI代理实际上是在创建一个需要处理多个任务的系统：连接工具、管理工作流程、跟踪对话，有时甚至需要连接多个代理。这就是框架发挥作用的地方。
AI代理的未来
AI代理是一个充满活力且快速发展的领域。它们有望实现一定程度的自主性和适应性，从而改变我们与技术互动的方式。从自动化复杂工作流程到实现系统之间更高水平的协作，可能性似乎是无限的。
无论您是好奇的开发者、希望集成AI代理的企业，还是仅仅对这个概念感兴趣，现在都是参与的最佳时机。这个领域还很年轻，塑造其未来的机会非常多。
关注mkinf的X账号或加入我们的Slack社区，不错过后续精彩内容。
