从AI Agent的发源到其在不同阶段的本事防碍，再到对异日发展标的的测度，著述翔实进展了AI Agent如何冉冉演变为今天的形态【SVDVD-275】夜勤ナースマシンバイブ，并探讨了其在处分复杂任务中的后劲和挑战。对于但愿了解AI Agent极度在当代科技中扮装的读者来说，这是一篇不可错过的著述。

本篇著述是使用5W1H分析框架拆解AI Agent的中篇，在进入正文之前，先总体纪念这一系列著述的条理。

上篇：先容What + Why，主要解答以下问题。

What：AI Agent是什么？AI Agent有哪些组成部分？AI Agent的道理是什么？AI Agent是若何分类的？

Why：为什么会产生AI Agent？AI Agent的上风和劣势是什么？为什么企业和个东谈主都要热爱AI Agent？

中篇：先容When + Where + Who，主要解答以下问题。

When：AI Agent的发展历程是怎么的？AI Agent异日的发展趋势是怎么的？

Where：AI Agent有哪些应用场景？

Who：AI Agent范围的玩家有哪些？AI Agent范围的行业价值链是怎么的？

下篇：先容 How，主要解答以下问题。

How：如何终了AI Agent？AI Agent包括哪些系统模块？如何初始学习AI Agent？

想了解一谈内容的同学，可以热爱WXGZH“风叔云”，回复要害词“拆解AI Agent”，取得《5W1H分析框架拆解AI Agent》的完好意思PPT文献。

在《大佬们都在热爱的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）》中，围绕What和Why，风叔翔实进展了AI Agent的宗旨、组成、分类、产生原因、上风劣势、以及对企业和个东谈主的影响。

在这篇著述中，风叔将围绕When、Who和Where，翔实先容AI Agent的发展历程、行业玩家和具体应用场景。

一、5W1H分析框架之When1. AI Agent的发展历程

对于一直热爱AI大模子的读者来说，下图应该不生分。底下咱们就沿着这个条理，纪念一下AI Agent的发展历程。

阶段一，LLM大模子期间之前的Agent

Agent这一宗旨其实要早于LLM大模子，最早可以发源于马娴雅斯基在80年代出书的《智能社会》这本书，Agent表面在LLM大模子出来之前，也照旧被学术界磋议了好多年。

在《大佬们都在热爱的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）》中，风叔有先容AI Agent的中枢三大组成部分，Perception、Brain和Action，其中最要害的部分即是具备顾忌、磋商和推理才略的Brain。在大模子出现之前，Agent的本事长久靠近天花板，无法取得本质性的跳跃，其中枢即是枯竭具备磋商和推理才略的Brain，且这种Brain还需要具有邃密的通用性和泛化性。

在LLM大模子出现之前，比较闻名的垂直范围 Agent 的例子比如 Alphago，它有感知环境、想考决策、选择行动的闭环逻辑。还有DeepMind的Agent57，使用强化学习方式让Agent学习打游戏，以及OpenAI玩“躲猫猫”的多智能体。

在这一阶段，旧例的Agent更多选择结构化固定模式，通过终了固定算法经过来完成一些自动化任务。而大模子为Agent带来了活泼性，使其可以应酬东谈主类在脑力功绩中靠近的各种复杂的长尾任务，进一步终了膂力和脑力任务的全面自动化。

LLM大模子是第一个可以自主学习并领有泛泛学问的AI模子，以LLM大模子当作Brain武装起来的AI Agent，初始迅速发展。

阶段二，Prompt工程

在LLM大模子刚问世的时候，行家都心爱Prompt工程。用户通过描写扮装技能、任务要害词、任务方针及任务布景等信息，告诉大模子需要输出的格式，然后大模子进行输出。

用户们也充分施展我方的明智贤慧，发展了各种各样的Prompt工程的玩法，如扮装璜演、零样本请示和少样本请示。比如在少样本请示下，用户只需要给出少许示例，大模子就能学习到示例背后的逻辑，从而给出正确的回话。

当任务过于复杂时，超出了单一 Prompt 的才略时，可以通过分除名务，构建多 Prompt 来协同处分。最常见的 Prompt 协同格式即是请示链 Prompt Chain，Prompt Chain 将原有需求进行明白，通过用多个小的 Prompt 来串联或并联，共同处分一项复杂任务，如下图所示。

阶段三，大模子插件

诚然Prompt工程很遒劲，但是仅凭Prompt工程压根无法知足东谈主们日益增长的复杂需求。由于大模子自己的诸多弱势，如不成实时更新学问，荆棘文长度有限等等，工程师们初始给大模子加入插件。

欧美性交电影

比如引入向量数据库，对某些特定的专属数据进行切片、分块和向量化，然后把数据索引进向量数据库。当用户进行输入时，先通过数据调回找到最匹配的数据分块，再提交给大模子作念Prompt工程，这么就可以使用到最新的和最准确的学问。这即是检索增强生成RAG，Retrieval-Augmented Generation。

同期，为了让大模子更好地和物理天下交互，工程师们尝试让 GPT 调用函数和使用器用。一系列对于器用使用的实践初始出现，比如Toolformer和API Bank，ChatGPT也推出了我方的插件体系。

阶段四，任务明白与反想

大模子在一些轻视的任务上取得了还可以的收尾，东谈主们初始往更深处探索大模子的智能，尤其是处理复杂问题上的才略，这就波及到了对复杂任务的明白，以及在行动过程中的反想。

(1) 想维链COT

当咱们对LLM这么要求「think step by step」，会发现LLM会把问题明白成多个武艺，一步一步想考和处分，能使得输出的收尾愈加准确

(2) COT-SC

一个CoT随机可能出现造作【SVDVD-275】夜勤ナースマシンバイブ，咱们可以让Agent进行发散，尝试通过多种想路来处分问题，然后投票聘请出最好谜底，这即是CoT-SC。

(3) 想维树TOT

想维树TOT是对想维链CoT的进一步膨大，在想维链的每一步，推理出多个分支，拓扑伸开成一棵想维树。使用启发式方法评估每个推理分支对问题处分的孝顺。聘请搜索算法，使用广度优先搜索（BFS）或深度优先搜索（DFS）等算法来探索想维树，并进行前瞻和回溯。

(4)想维图GOT

想维树ToT 的方式也存在一些弱势，对于需要明白后再整合的问题，比如排序问题，排序咱们可能需要明白和排序，然后再merge。这种情况下TOT就不行了，可以引入想维图GOT来处分。

当东谈主们发现大模子的推理才略照旧不实时，初始试图让模子自身明晰地描写问题，把问题滚动为 PDDL （Planning Domain Definition Language）格式的描写话语，通过调用通用磋商器来处分磋商问题，再把处分有规划滚动为可施行的动作，以更好地逻辑推理和磋商等任务。这即是LLM+P

上头几种想路都是在处分任务明白问题，工程师们也预料了好多处分大模子反想和完善自身行动的想路。

最初是ReACT，全称是Reasoning-Action，这种模式是让大模子先进行想考，想考完再进行行动，然后凭证行动的收尾再进行不雅察，再进行想考，这么一步一步轮回下去。这种行为模式基本上即是东谈主类这么的智能体主要模式。

但是，工程师以为这么仍然不够，他们但愿大模子在完成每一个任务后，能够积聚资历和资历、因此产生了模仿强化学习想路的”反射”机制，反射机制能够让机器记取每一次任务的完成情况，不管效果利弊，以供异日参考，擢升模子的性能。这即是Reflecxion。

阶段五，Agent问世

跟着各项基础设施的冉冉完善，更大的变革轰然袭来，这即是Agent。2023年4月AutoGPT横空出世负责宣告了LLM Agent的驾临，短短数周就取得了9万星，赚足了眼球。

下图是AutoGPT 的架构图，旨在终了对任务的有用治理。生成的任务将会被加入优先级部队中，随后系统会不休从优先部队中聘请优先级最高的任务进行施行，悉数这个词过程中，任何反馈都融会过顾忌进行迭代优化代码

随后，更多的LLM Agent如棋布星罗般爆发出来，比如微软的Jarvis HuggingGPT、挑升用于写演义的RecurrentGPT、清华辘集面壁推出的双轮回机制XAgent、假造天下Minecraft中的智能体Voyager等等。

然后，工程师们就预料了Multi-Agent，既然Single Agent照旧具备了寂寞决策和行动才略，如果将多个Agent放到一个环境中，他们之间会碰撞出什么火花呢？

“斯坦福小镇”相貌应该是最有名的Multi-Agent相貌，在这个假造的小镇里，有25 个寂寞的 AI 智能体在小镇上生计。他们的决策和行动并不是固定写死在系统里面的，每个智能体背后都贯串着LLM大模子。他们有职业，会八卦，能组织外交，结交新一又友，以至举办情东谈主节派对，每个小镇住户都有特有的个性和布景故事。这些扮装每天会我方制定规划，参与行为和作念事情，还会主动和其他Agent交谈。同期，Agent交谈的内容会被存储在顾忌数据库中，并在第二天的行为规划中被回忆和援用，是不短长常像东谈主脑的顾忌系统？“斯坦福小镇”相貌也露馅出了许多颇有道感性的社会学格式。

还有一个很闻名的Multi-Agent相貌叫MetaGPT。这个相貌按照软件公司的组织架构，界说了多个AI智能体扮装，包括产物司理、架构师、相貌治理员、工程师和测试东谈主员等扮装。各扮装之间通过相互妥洽，基本可以胜任完成500行左右代码的小工程了。跟着AI Agent的进一步遒劲，在异日每个东谈主透澈可以开一家假造公司，我方相连物理天下的委果需求，然后交给假造公司的职工完成，十分具有遐想空间。

这即是AI Agent到现时为止的大体发展过程，LLM大模子的出现是Agent发展的拐点，Agent的发展速率如火箭般攀升。那么站在现时看异日，AI Agent会有若何样的发展趋势呢？

2. AI Agent的异日发展趋势

在《大佬们都在热爱的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）》中，风叔有先容到，现时AI Agent最大的局限即是可靠性不及。因为LLM大模子容易出现幻觉和不一致性，将多个AI武艺连起来会进一步加重可靠性问题，从而难以取得用户信任。举个例子，假定每个武艺LLM的可靠性是95%，如果一个任务需要被明白到5步以上，那么最终的可靠性将不到80%，这会大大收尾AI Agent在一些Critical场景下的应用。

异日，AI Agent的发展，必须最初要处分可靠性不及的问题，而处分可靠性不及的问题，就得从任务明白与反想、顾忌优化、Function Calling准确性这几个维度出手。

1）任务明白与反想

现时的 Agent 仅仅一个磋商器，它负责作念磋商。但施行上，这个经过中还存在好多未明确的问题，比如是否存在一个里面加工过程，以及这个过程是否透明可控等。

类比咱们东谈主类想考的过程，东谈主脑有两套系统，系统1和系统2。系统1是快想考，出自于东谈主类天生的本能，想考时分快，破费能量少。系统2是慢想考，东谈主类的逻辑才略、推理才略和归纳才略，齐是出自于系统2，况且系统2想考时分慢，破费能量大。系统2的才略大多数都是东谈主类后天习得的，但是经过不休地刻意练习后，一部分才略也能由系统2革新到系统1，由慢想考变为快想考。

对于任务分别的用功，一种可能的处分办法是将里面加工过程外部化，用系统2包裹起来，使每一步细粒度的想考都可以展现出来。但是具体如何用系统2进行包裹，风叔也还莫得具体的想路，需要握续热爱AI Agent最新的论文和进展。

2） 顾忌优化

现时，AI Agent的顾忌机制是把悉数的信息，以向量数据的方式存储在历史纪录里，然后在需要的时候进行调回。这种顾忌方式，站在工程化的角度，其实也比较合理，但是在施行使用中，会出现一些问题。

最初，历史顾忌会越积越多，当数据量到达一定进程之后，数据调回的速率就会显赫下落，从而影响AI Agent的反映速率。其次，在顾忌数据库中，一定会存在多半的造作信息，或者不对时宜的信息，但是AI Agent很难判断哪些顾忌是需要修正的。

东谈主类的顾忌其实是有重塑机制的，东谈主类在取得多半关系的学问后，不会轻视地把它们堆积在脑中，av女优的现场而是通过海马体进行重整。比如在咱们作念梦时，大脑会再行构造这些关系的学问，使得顾忌汇聚变得有序。同期，东谈主类可以主动删除一些不好的顾忌，或者造作的顾忌，比如好多生计中无关蹙迫的信息，东谈主脑就会渐渐渐忘掉，从而幸免顾忌负荷越来越大。

是以在异日，AI Agent一定要优化顾忌系统，不成轻视的将长短时顾忌简化为向量数据库。

3） Function Calling准确性

现时，Function Calling是AI Agent进行器用使用的最主要的技能，可以说AI Agent的施行才略强依赖于大模子的Function Calling才略。但是现时的Function Calling的准确性其实并不睬想，线路最好的大模子其准确率也只消86%。

86%意味着什么？

意味着，现时的AI Agent还只可应用在瞄准确率要求不高、有东谈主类进行兜底的场景，比如撰写论文或调研讲述、智能客服等等。对于愈加严谨的场景，比如工业、医疗、动力，还难以有AI Agent的用武之地。

还意味着，如果AI Agent需要施行一连串的任务，哪怕只消5个要道，举座经过的准确率将下落到不及30%，即系统不可用。

是以在异日，AI Agent一定要擢升Function Calling的准确性，或者有更准确的API调用方式。只消当准确率达到99.99%以上时，AI Agent才能在更为强大的工业界生根发芽。

4）多模态与天下模子

除了以上三个维度以外，还有一个十分要害的点，即多模态和天下模子。

在漫长的进化历史中，生物神经汇聚爽脆单的要求反射渐渐进化到今天的主动测度，咱们照旧可以在大脑中构建天下模子，进行遒劲的推理和分析。比如当咱们看到晚霞时，就会知谈未来大要率是个好天；比如当咱们感知到建筑发生摇晃时，就知谈很有可能发生了地震，需要速即去一个安全的场所。

现时的大模子主淌若通过话语进行交互，这么明白是不够的。如果要进一步意会天下，一定需要多模态输入，包括视觉、听觉、传感器等等。因此，异日的AI Agent一定会更多和物理实体相诱惑，比如将AI Agent集成进入机器狗，磨练其进行援助任务。在这个过程中，对于时分的默契、体格通顺的适度也需要集成到AI Agent里面去。

AI Agent的发展速率太快了，每个月以至每周，都有新的磋议收尾、新的产物问世。咱们能作念的，即是躬身入局，时刻热爱大模子和Agent的发展。

二、5W1H分析框架之Who

接下来，咱们再从”Who”这个维度拆解一下AI Agent，主要回答AI Agent范围都有哪些中枢玩家这一要害问题。

风叔将从三个角度来进行拆解：从AI Agent框架自己，从AI Agent的行业场景，以及从国内AI Agent生态。

1. 从AI Agent框架自己

底下这张图来自风险投资公司Aura Ventures的《自主东谈主工智能体新兴市场模式》，按照AI Agent的框架，将悉数这个词Agent产业从下到上分红了三层：最底下为用于智能体运营（AgentOps）的模块插件层，中间为标准应用层（Applications），最上头为服务层（Services）。悉数这个词诀别十分知晓，独一好意思中不及的是，这张图成图于客岁，因此难以揭示现时最新的Agent发展景象。

1）AgentOps运营层

咱们先来看最底下的AgentOps，十分明白了选择了AI Agent的组成架构，即智能（Intelligence，负责Planning）、顾忌（Memory）、器用使用（Tools & Plugins）。此外，还有多智能体环境和左券（Multi-agent playgrounds and protocols）、监控/安全和预算（Monitoring，security and budgetary）、以及智能体运营市场（AgentOps marketplace）等补助模块。

智能（Intelligence）：智能体的“大脑”，背后是LLM大模子，负职业务创建和磋商，这里咱们能看到OpenAI GPT、Claude、HuggingFace等近朱者赤的名字。大模子质地、可靠性和资本，将是这部分玩家的制胜要害。顾忌（Memory）：用于获取、存储、保留和检索数据，向量数据库是其中的要害。这里的玩家包括 Pinecone、Chroma以及像Perplexity AI相似具有集成上风的Text to SQL 初创公司。顾忌容量、读取速率、尤其是调回准确率，将是这部分玩家的要害因素。器用和插件（Tools and plugins）：能够为Agent提供API和技能库，用于Agent和外部系统与环境进行交互，举例搜索查询、发送邮件等。典型的包括API-Bank、Toolformer、以及部分大模子自带的function calling才略。多智能体环境和左券：这部分主要用于智能体和智能体的通讯左券，包括PumaMart、SIM Gen Agents和E2B。监控、安全和预算：这部分主要处分智能体在LLM大模子、通讯左券、安全安保方面的问题，也应该受到翔实，安全是任何场景下使用Agent的前提。智能体运营市场：主要用于Agent框架的发布、开源Agent的分享等。这块最主要的玩家是HuggingFace和Github，还有FinGPT、BabyAGI等开源框架。

2） Agent应用层

Agent应用标准层包括通用应用（General purpose）和行业应用（Business industry）

通用应用主要偏个东谈主应用场景，比如个东谈主生计助理、商务助理、日常职业助理等等。典型的产物包括Embra AI、Adept AI、Cognosys AI。

行业应用主要偏业务垂直场景，比如编程、营销、金融、供应链等等。典型的产物包括Quill AI、Octain AI等等

3）Agent服务层

Agent服务层主要包括智能体搭建平台和智能体市场。

智能体搭建平台是一种低代码平台，撑握普通用户通过轻视的设置搭建属于我方的Agent，大幅斥责AI Agent的创建门槛。现时智能体搭建平台受到了好多大厂的爱重，因为大厂很难一初始基于某些垂类场景开导Agent应用，因此智能体搭建平台成为最施行的聘请。比如微软的Autogen、百度智能体平台、字节Coze、腾讯元器等等。

下图是字节Coze的智能体搭建的默示图，提供了十分丰富的组件，浮浅用户通过浑沌拽的方式快速搭建AI Agent。在后续著述中，风叔还会挑升先容搭建AI Agent的具体方法。

好多智能体搭建平台也对外怒放了Agent市场，使用者将我方搭建的Agent部署上线之后，其他用户也能搜索并使用。下图是字节Coze的Agent市场示例图。

2. 从AI Agent行业场景

E2B出品的这份AI Agent行业全景图是相对比较完好意思的。整张图有两个维度，第一个维度是开源和闭源，第二个维度是AI应用，包括了Coding、Productivity、General Purpose、HR、Data Analysis、Business Intelligence、Science、Research、Design、Marketing、Finance等细分范围。

每个细分范围具体的玩家就不逐一列举了，行家可以翔实参考下图。另外，这张图是握续更新的，通过这个地址 https://github.com/e2b-dev/awesome-ai-agents，行家就能看到最新的进展，以及E2B对每个玩家的翔实先容。

3. 国内AIAgent生态

现时国内的AI Agent发展也十分迅猛，下图是甲子光年出品的中国AI Agent生态图谱1.0，将悉数这个词AI Agent行业分为三层。

最底层是算力层，包括像阿里云、AWS、华为云这类提供底层GPU算力的云厂商。

中间是平台框架层，包括面向企业业务职业流场景的企业级AI Agent平台，比如钉钉、汇智智能、澜码科技。以及面向个东谈主开导者或普通用户的AI Agent平台，比如百度文心智能体平台、阿里ModelScope、字节扣子等。

最表层是垂直应用层，比如专注于金融行业的Easy Link、招聘行业的用友和Moka、营销范围的BetterYeah。

对于普通的创业者或创业团队来说，战胜莫得弥漫的资源插足大模子赛谈，但是站在大模子的肩膀上，聘请一个相对垂直的范围作念AI Agent，服务于企业客户的具体业务经过和场景，是愈加切实可行的聘请。

三、5W1H分析框架之Where

AI Agent的发展正在以前所未有的速率改造咱们的生计和职业方式。接下来咱们从行业视角来分析一下，在具体的行业中AI Agent都有哪些可落地的场景。

1. 电商&零卖个性化推选系统：将用户的历史浏览数据、购买数据以及当下和AI的荆棘文数据，当作输入给到AI Agent，Agent自动测度用户在异日对各种商品的购买率，进行重排后输出预估购买率最高的TopN商品，终了个性化的产物推选。个性化营销系统：将用户历史上在各个营销渠谈的触达和点击数据，诱惑本次营销行为的营销内容，当作输入给到AI Agent，Agent自动测度每个用户在每个营销渠谈（比如短信、外呼、小标准、公众号等）的预估点击率，从而终了自动化和个性化的营销行为，提高用户参与度和品牌曝光度。智能客服：通过提前构建企业专属学问库，AI Agent 可以自动回答用户的筹商，处理订单问题和退货央求。比较传统智能客户，AI Agent可以撑握用户活泼各种的问题，不必局限于传统的Q&A模板，可以大幅节约准备问答对的时分，擢升智能客服的准确率。内容生成：在电市场景中，频繁会波及到商品封面图、海报、商品笃定页、营销案牍等内容的生成。传统的作念法都需要东谈主工拍摄和撰写，而在AI Agent的助力下，使用者只需要告诉Agent要害词，比如商品类型、内容形态、内容主题和立场等，AI Agent可以自动完成。需求测度：将夙昔一段时天职，各个品类的销量数据、促销行为信息、天气信息等数据，当作输入给到AI Agent，Agent测度异日一段时天职的销量，从而匡助企业提前作念好配货。库存治理：将历史各个品类的订单数据，各个供应商的供货数据，比如供货周期、供货价钱，当作输入给到AI Agent，AI Agent测度每个品类的安全库存，并在商品库存预警时，自动发起采购经过。价钱优化：AI Agent还可以使用爬虫器用获取市场动态、竞争敌手订价和用户行为，经过数据分析后，为电商企业提供动态订价提出。这种实时的价钱退换战略有助于最大化利润和竞争力。2. 制造业质地适度：用录像头捕捉出产线上各种零件和制品的图像，将图片或视频传递给AI Agent，Agent诈欺狡计机视觉本事对图像进行分析，自动检测产物弱势。当检测到存在弱势的零件时，可以发送文告给产线查验员，以至可以平直操作机械臂取出弱势品。出产线优化：出产线经过是一个模范的workflow，workflow的每个要道都有明确的武艺、查验事项和施行动作。在这个过程中，可以诈欺Agentic Workfow，明确文告Agent要作念的事项，将更多夙昔需要由东谈主工重迭施行的过程，交给AI Agent，从而擢升出产效力。产物遐想与开导：AI Agent 可以协助遐想师和工程师进行产物遐想，比如遐想师输入遐想和尺寸的要求，AI Agent平直进行线稿遐想；或者遐想师提供线稿遐想后，AI Agent输出渲染效果图，向遐想师提供多种遐想创意，从而裁汰产物开导的周期。动力破费治理：AI Agent能够接收机器或竖立上传感器的数据，举例温度、电压、电流等等，和数据库中平常的竖立运行数据进行比对，从而对竖立的运行情况进行监控和预警。举例，当某个竖立因电源老化出现电压极端时，AI Agent可以提早识别，并预警给工场竖立的维修东谈主员。供应链治理：和电商行业的需求测度和库存优化肖似，AI Agent可以测度产物异日一段时分的销量，同期凭证历史订单和采购数据测度最优的安全库存，以及通过预警机制进行供应链荆棘游的协同，匡助企业更好地应酬市场需求的波动和变化。工艺改造：AI Agent 还可以通过分析出产过程中的数据，比如在不同环境和参数下出产出来的产物的各异性，从而进行工艺参数的优化，擢升产物性量和出产效力3. 医疗行业疾病测度和败北：通过历史积聚的患者健康数据，比如血糖、血氧、白细胞、红细胞等多半规划数据，AI Agent可以学习到各项规划与疾病之间的关系性，对于像糖尿病、腹黑病等疾病，提前测度病东谈主患此类疾病的风险。药物研发：和疾病测度肖似，AI Agent可以分析既有药物中的各种化学和生物身分，诱惑每种药物的药效，从而测度新的化学和身分组合之后的药性，加快新药的发掘和开导，大幅斥责研发资本和时分。智能问诊服务：在LLM大模子基础上，通过RAG本事挂载医疗学问库，将AI Agent磨练就为医疗范围专才，为患者提供7*24小时的在线医疗筹商服务，凭证患者的问题描写，还能提供初步的会诊提出。这么既可以擢升患者的就医体验，也能削弱医师的职业背负。医疗影像分析：通过机器视觉本事，AI Agent 能够补助医师分析 X 光、MRI、CT 等医疗影像，快速识别出患者是否有极端情况，如肿瘤、肺炎、骨折等，提高会诊的准确性和效力。医疗评释和培训：当AI Agent挂载了挑升的医学学问库之后，还可以当作医疗评释的器用。比如AI Agent可以模拟患者向医学院的学生发问，凭证学生的回答，自动分析学生的学习情况，并指出学生的造作和不及，并辅导学生进行挑升的医疗课程学习。

AI Agent在各个行业都有十分多的应用场景，除了上述先容的电商、制造、医疗以外，还包括金融、物流、动力、东谈主资、旅游、评释等等行业，风叔就不在著述里逐一赘述了。

风叔挑升整理了一张行业应用场景的脑图，感兴味的读者可以热爱WXGZH“风叔云”，回复“AI Agent应用场景”，即可获取完好意思的应用场景图。

四、总结

本篇著述是使用5W1H分析框架拆解AI Agent的中篇，围绕When、Who和Where，翔实进展了AI Agent的发展历程、行业玩家和具体应用场景。

不才一篇著述中，风叔将围绕How，翔实先容AI Agent的具体终了旅途，以及如何更快的上手学习AI Agent。

作家：风叔，微信公众号：风叔云

本文由@风叔 原创发布于东谈主东谈主都是产物司理，未经作家许可，防止转载。

题图来自Unsplash，基于CC0左券。

该文不雅点仅代表作家本东谈主【SVDVD-275】夜勤ナースマシンバイブ，东谈主东谈主都是产物司理平台仅提供信息存储空间服务。