主题
动作：使智能体能够与环境交互
在本节中，我们将探讨 AI 智能体 与其环境交互的具体步骤。 我们将介绍动作 (actions) 如何被表示（使用 JSON 或代码），停止和解析方法的重要性，以及不同类型的智能体。
动作 是 AI 智能体与其环境交互的具体步骤。
无论是浏览网络获取信息还是控制物理设备，每个动作都是智能体执行的一个特定操作。
例如，一个协助客户服务的智能体可能会检索客户数据、提供支持文章或将问题转交给人工代表。
智能体动作的类型 (Types of Agent Actions)
有多种类型的智能体采用不同的方式执行动作：
| 智能体类型 | 描述 |
|---|---|
| JSON 智能体 (JSON Agent) | 要执行的动作以 JSON 格式指定。 |
| 代码智能体 (Code Agent) | 智能体编写代码块，由外部解释执行。 |
| 函数调用智能体 (Function-calling Agent) | 这是 JSON 智能体的一个子类别，经过微调以为每个动作生成新消息。 |
动作本身可以服务于多种目的：
| 动作类型 | 描述 |
|---|---|
| 信息收集 (Information Gathering) | 执行网络搜索、查询数据库或检索文档。 |
| 工具使用 (Tool Usage) | 进行 API 调用、运行计算和执行代码。 |
| 环境交互 (Environment Interaction) | 操作数字界面或控制物理设备。 |
| 通信 (Communication) | 通过聊天与用户互动或与其他智能体协作。 |
智能体的一个关键部分是 在动作完成时能够停止生成新的标记 (tokens) 。
这对所有格式的智能体都适用：JSON、代码或函数调用。这可以防止意外输出并确保智能体的响应清晰准确。
大语言模型 LLM 只处理文本，并使用它来描述它想要采取的动作以及要提供给工具的参数。
停止和解析方法
实现动作的一个关键方法是停止和解析方法。这种方法确保智能体的输出具有结构性和可预测性：
以结构化格式生成： 智能体以清晰、预定义的格式（JSON 或 代码）输出其预期动作。
停止进一步生成： 一旦动作完成，智能体停止生成额外的标记。这可以防止额外或错误的输出。
解析输出： 外部解析器读取格式化的动作，确定要调用哪个工具，并提取所需的参数。
例如，需要检查天气的智能体可能输出：
Thought: 我需要查看上海当前的天气。
Action :
{
"action": "get_weather",
"action_input": {"location": "上海"}
}然后框架可以轻松解析要调用的函数名称和要应用的参数。
这种清晰的、机器可读的格式最大限度地减少了错误，并使外部工具能够准确处理智能体的命令。
注意：函数调用智能体的操作方式类似，通过构造每个动作，使指定的函数能够使用正确的参数被调用。
代码智能体 (Code Agents)
另一种方法是使用代码智能体。 这个想法是：代码智能体不是输出简单的 JSON 对象，而是生成一个 可执行的代码块——通常使用 Python 等高级语言。
这种方法提供了几个优势：
表达能力： 代码可以自然地表示复杂的逻辑，包括循环、条件和嵌套函数，提供比 JSON 更大的灵活性。
模块化和可重用性： 生成的代码可以包含在不同动作或任务中可重用的函数和模块。
增强的可调试性： 使用明确定义的编程语法，代码错误通常更容易检测和纠正。
直接集成： 代码智能体可以直接与外部库和 API 集成，实现更复杂的操作，如数据处理或实时决策。
例如，一个负责获取天气的代码智能体可能生成以下 Python 代码片段：
python
# 代码智能体示例：检索天气信息
def get_weather(city):
import requests
api_url = f"https://api.weather.com/v1/location/{city}"
response = requests.get(api_url)
if response.status_code == 200:
data = response.json()
return data.get("weather", "无天气信息可用")
else:
return "Error: 无法获取天气数据。"
# 执行函数并准备最终答案
result = get_weather("上海")
final_answer = f"上海当前的天气是: {result}"
print(final_answer)在这个例子中，代码智能体：
- 通过 API 调用获取天气数据，
- 处理响应，
- 并使用 print() 函数输出最终答案。
这种方法也遵循停止和解析方法，通过明确划定代码块并表明执行完成的时间（在这里，通过打印 final_answer）。
我们了解到动作通过执行清晰、结构化的任务（无论是通过 JSON、代码还是函数调用）来连接智能体的内部推理和其现实世界的交互。
这种深思熟虑的执行确保每个动作都是精确的，并通过停止和解析方法准备好进行外部处理。在下一节中，我们将探索观察 (Observations)，看看智能体如何捕获和整合来自其环境的反馈。