近一年搭建AIAgent智能体的几点非共识

✅推理比知识更重要 👍我怀疑太多的处理能力【GPT的】被用于将模型作为数据库而非推理引擎。— Sam Altman 💔目前市面上多数的AI agent跑成了AI bot，没有agent的思考能力，仅仅是知识库搜索，原来的AI agent应该是 👍专注于Agent“知道”的内容，更要注重它的“思考”能力 📣场景案例：智能客服处理客户退货请求 背景： 一个电商平台的智能客服Agent被设计用来处理各种客户请求，包括退货、订单查询和投诉等。智能客服Agent具备一定的产品知识，比如每个产品的退货政策、客户订单的状态等。 客户请求： 客户A向智能客服发送消息，要求退还一件已购买的商品。 📍传统方式（专注于Agent“知道”的内容）： 智能客服Agent查找客户A的订单记录，发现这件商品在30天退货期限内，于是直接按照退货政策，告知客户可以退货，并提供退货流程的详细步骤。 📍增强方式（注重Agent的“思考”能力）： 智能客服Agent不仅查找订单记录，还考虑到以下几个因素 1. 客户A之前的购买历史和忠诚度。 2. 退货原因是产品质量问题还是客户个人原因。 3. 是否有可替代产品可以推荐给客户A，以便挽留订单。 ✅微调模型提升Agent性能是浪费时间 微调模型是通过向其展示可以学习的示例来提高模型在特定应用程序上的性能的一种方法。目前的微调方法适用于教授模型以特定方式执行特定任务，但对于提高模型的推理能力并不有用。 ✅你的智能体不是你的护城河 用AI Agent自动化或增强人类知识工作是一个巨大的机遇，但仅仅构建一个出色的Agent是不够的。为用户生产一个Agent需要在许多非AI组件上进行重大投资，这些组件使你的Agent真正起作用...这是你可以创建竞争差异化的地方 ✅不要押注模型继续改进 在构建AI Agent的过程中，会有一种强烈的诱惑让你不断调整和优化基础模型，但要抵制这种诱惑，因为模型本身会不断改进 📍总结： 1⃣️优先考虑推理能力 2⃣️建立强大的非AI组件 3⃣️灵活应对模型改进