什么是基于模型的反射智能体？

基于模型的反射智能体设计用于在动态或部分可观察的环境中运行。智能体的内部参考模型会根据智能体的行为进行更新，从而使模型能够推断其环境的其他方面。反过来，智能体会参考其内部状态，以指导未来的行动。

基于模型的反射式智能体与简单反射式智能体的区别在于，虽然两类 AI 智能体都能利用 AI 智能体的感知实时响应变化的环境，但基于模型的反射式智能体拥有对环境的持久记忆。简单反射式智能体是一种复杂度较低的智能体式 AI，它仅根据环境的当前状态做出决策。

由于只能感知到当前的状况，简单的反射式智能体在做出周密决策方面受到限制：它们既不能回忆起以前的信息，也不能预测环境将如何变化，无论是由于它们自己的行动还是其他外部因素。

与简单的反射式智能体不同，基于模型的反射式智能体保持一种符号性的内部状态，记录过去的感知和推断出的环境事实。内部模型使它们能够更有效地处理部分可观测或动态环境。这些智能体可以预测行动如何导致其环境发生变化，从而实现自适应决策过程。

基于模型的反射式智能体由四个主要组件组成：

• 传感器
   

• 内部模型
   

• 推理组件
  

• 执行器

传感器允许智能体感知环境刺激和信息。感官输入可以包括直接的物理信息，如摄像头画面或温度读数，或虚拟数据，如 API 连接或模拟数据。如果没有传感器，智能体将无法收集环境数据并从中学习。

内部模型代表了智能体当前对其环境的理解，包括过去的体验、推断出的未见状态以及对可能采取的行动如何改变环境的预测。

推理组件根据内部模型中的数据做出决策。智能体的推理通常是基于规则的，比如条件-动作规则，它使用预定义的规则告诉智能体如何行动。

条件操作规则建立了一系列 if-then 语句，告诉智能体在特定情况下该做什么。例如，对于自动驾驶汽车，条件-动作规则可能会告诉智能体在前方发现障碍物时刹车。或者如果智能体控制智能家居，当温控器检测到指定温度时，可能会开启空调。

其他推理组件使用状态-行动模型，该模型概述了系统可能的状态以及可能导致系统在这些状态之间移动的任何动作或事件。在医疗领域，状态-行动模型可以预测患者状况在可能的治疗下可能的改善或恶化。

执行器或性能元素是智能体影响其环境的手段。这些操作可以是物理的，也可以是虚拟的，例如软件输出或 API 调用。在机器人技术中，执行器是智能体控制的物理机器人。在智能家居环境中，一个执行器就是家庭的气候控制系统。对于虚拟助理来说，执行器可能是连接相关工具（如日历）的 API。

大多数基于模型的反射智能体根据四阶段行为循环运行：

1. 传感
   

2. 内部建模
    

3. 决策
    

4. 行动

每次操作后，模型都会重新启动循环，重新评估环境，更新模型并做出新的选择。这些循环显然是非学习的：智能体的内部模型会更新，但智能体的规则却不会。

该智能体使用其传感器来感知其环境并获取可观测的数据。例如，运营送货机器人车队的智能体可以使用其摄像头来检测行人和街道交通。

利用感知到的环境数据，智能体创建或更新其现实环境的内部模型。该模型使用可观察数据来推断环境中不可观察方面的状态。内部模型还提供智能体采取的潜在行动，并预测这些行动可能如何影响其环境。

智能体使用其内部模型中的信息以及推理组件的逻辑来决定行动。如果送货机器人检测到步行信号且没有对面车辆，它可能会决定过马路。

在行动阶段，智能体使用其执行器执行决策阶段得到的决策。我们的送货机器人会启动马达，为车轮提供动力，然后穿过街道，继续前进。

基于模型的反射智能体在需要持续感知和实时决策的环境中非常有效，如机器人、自动驾驶车辆和实时游戏 AI。

借助机器人技术和自动驾驶车辆，基于模型的反射式智能体能够在动态环境中导航，最大限度地减少伤害，并引导机器人或车辆到达目的地。游戏智能体可以预测用户行为并做出反应，从而提供游戏设计师所需的挑战程度。

大型企业自动化用例中，基于模型的反射式智能体能够最大限度地提高效率，并根据不断变化的情况调整生产和库存。

反射式智能体并不是唯一的智能体类型。其他类型的智能体包括：

• 基于目标的智能体
   

• 基于效用的智能体
   

• 学习智能体
  

• 层级智能体

基于目标的智能体朝着特定目标努力。反射式智能体通常在一组 if-then 条件下被动运作，而基于目标的智能体则使用问题解决方法来弄清楚如何实现特定目标。该计划由一系列可能有助于实现目标的行动和具体任务组成。

基于目标的智能体使用搜索和规划机器学习算法 ，如 A\*或斯坦福研究院问题解决器（STRIPS），生成一系列旨在实现目标的行动序列。

基于效用的智能体与基于目标的智能体类似，但侧重于效率。效用函数分析未来可能出现的各种状态，以实现最大效果，并为结果赋予数值，以减少不确定性。最优战略是使智能体选择的预期效用最大化的战略。基于效用的智能体专注于获得最佳的长期结果。

学习智能体具有功能元素，可以根据过去选择的结果优化智能体的行为和决策。问题生成组件提出新的探索战略，帮助智能体发现更好的行为，而不是重复旧的行为。这些智能体的表现会随着时间的推移而不断改进。

学习主体使用监督学习、 无监督学习和强化学习等方法来完善其行为。

例如，一个学习智能体被要求创建动态定价系统，将分析消费者反应和需求以调整未来价格。学习智能体可以使用自然语言处理 (NLP) 和聊天机器人界面来处理输入和反馈，从而适应单个用户的偏好。

分层智能体用于多智能体系统：高级智能体将复杂任务拆分为子任务，然后分配给低级别智能体完成。高级智能体可以是更复杂的大型语言模型（LLM），而低级智能体则使用更简单的架构来执行任务。然而，分层智能体系统可以使用任何复杂程度的智能体。

两组智能体协同工作，一组的输出为另一组的输入提供支持，反之亦然。智能体工作流协调人工智能系统中智能体层之间的通信与合作。

虽然基于模型的反射智能体提供了相当的灵活性，但它们并非适合所有应用。基于模型的反射智能体的局限性包括：

• 计算需求：维护和持续更新内部模型会消耗大量计算资源，降低智能体在时间敏感环境中快速反应的能力。
   

• 内部模型依赖性：基于模型的反射式智能体的效果取决于其内部模型。如果该模型与现实世界的条件存在偏差，则智能体可能会做出次优甚至错误的决策。
  

• 适应性有限：基于模型的反射式智能体无法独立学习和更新其规则集。如果环境变化超出智能体被编程处理的范围，它将无法适应。
  

• 没有长期规划：基于模型的反射式智能体本质上是反应式的。与基于目标的智能体或学习智能体不同，它们无法制定长期战略来追求更广泛的目标。
  

• 单一目标：基于模型的反射式智能体旨在实现一个特定功能，无法平衡多个或相互冲突的指令。