简介:AI 智能体按决策机制主要分为反应式、深思熟虑式、混合式三类,大模型时代又延伸出 LLM 驱动智能体。本文从"是否构建内部世界模型"这一根本差异切入,讲清反应式智能体的"感知—行动"工作模式、条件-动作规则与行为涌现,附可运行代码,并给出在 LLM Agent 中搭建反应层的工程方法与模型选型、接入建议。
AI 智能体(Agent)按决策机制划分,主流是三类: 反应式智能体(Reactive Agent) 、 深思熟虑式智能体(Deliberative Agent) ,以及二者结合的 混合式智能体(Hybrid Agent) ;进入大模型时代后,还要加上以 LLM 为核心的 学习型 / LLM 驱动智能体 。它们的区别不在”聪明程度”,而在于 决策时是否构建内部世界模型、是否进行多步推理与规划 。
如果你正准备为自己的业务选型并搭建 Agent,建议先在百度智能云词元所上完成模型发现与选型,对比不同大模型的能力边界、调用成本与性能表现,再通过统一 API 接入,避免为每家模型单独写一套适配代码。
| 类型 | 是否有内部世界模型 | 决策依据 | 响应速度 | 典型场景 |
|---|---|---|---|---|
| 反应式 | 无 | 当前感知输入 + 条件规则 | 毫秒级 | 避障、温控、告警拦截 |
| 深思熟虑式 | 有 | 世界模型 + 搜索/规划 | 秒级到分钟级 | 棋类博弈、路径规划、复杂任务分解 |
| 混合式 | 部分有 | 分层调度,各层各司其职 | 分层 | 自动驾驶、智能客服、企业 Agent |
一个直观的比喻:反应式智能体像蜜蜂采蜜,看到花朵就飞过去、遇到障碍就转向,全程流畅自然;深思熟虑式智能体像棋手下棋,每走一步都要推演若干种可能。前者赢在快和鲁棒,后者赢在全局最优。
反应式智能体的设计灵感来自自然界的高效行为。一只蜜蜂不需要构建整座花园的认知地图,它只依据光线、花朵形状与气味这些即时感官输入,就能决定飞向哪蜜源。同理,反应式智能体 不依赖内部世界模型,也不做复杂推理,决策与行动完全由当前时刻的感知输入决定 。
其工作循环极其简洁:
环境感知 → 条件匹配 → 动作执行 → 环境改变 → 环境感知 ...
关键在于 中间没有”思考”环节 。智能体不回答”我在哪里””我要去哪里”这类问题,它只需要知道”现在该做什么”。
反应式智能体的”大脑”就是一组简单的如果-那么规则,类似生物的神经反射弧:
import randomclass ReactiveAgent:"""基于条件-动作规则的反应式智能体最小实现"""def __init__(self):# (条件判断函数, 对应动作),列表顺序即优先级self.rules = [(lambda p: p["battery"] < 20, "return_to_charge"),(lambda p: p["obstacle_ahead"], "turn_left"),(lambda p: p["target_visible"], "move_forward"),]self.default_action = "explore_randomly"def perceive(self):"""感知:实际项目中来自激光雷达、摄像头、传感器或事件流"""return {"battery": random.randint(5, 100),"obstacle_ahead": random.random() < 0.3,"target_visible": random.random() < 0.4,}def decide(self, percept):"""条件匹配:命中即返回,不做任何推演"""for condition, action in self.rules:if condition(percept):return actionreturn self.default_actiondef run(self, steps=8):for _ in range(steps):percept = self.perceive()action = self.decide(percept)print(f"感知={percept} → 动作={action}")if __name__ == "__main__":ReactiveAgent().run()
单条规则往往平平无奇,但多条规则叠加、并通过环境反馈形成闭环后,会涌现出看起来相当”智能”的行为。扫地机器人靠十几个反射规则就能完成沿边清扫、脱困、回充;温控芯片靠几个阈值规则维持恒温。这种 用简单局部规则换取全局适应性 的思路,是机器人学、工业自动化与安全联锁系统的基石。
需要补充的是,纯反应式智能体没有记忆,处理不了时序依赖任务。给它加一个有限状态集合,就演进为 有限状态机(FSM)智能体 ——仍然是反应式的,但能表达”等待—确认—执行”这类流程。
因为大模型有三个绕不开的工程约束: 延迟高、成本高、输出不完全可控 。让 LLM 去处理”电量低于 20% 就回充”这种确定性判断,既慢又贵,还可能产生幻觉。
因此工业界的普遍做法是 双引擎机制 :对话中控串行调度,优先进入判别式对话引擎(规则、任务式对话、FAQ 问答),当无法匹配或置信度不足时,再调用生成式大模型引擎获取回复。这样既提升了效果,又降低了生成式引擎的并发压力与机器资源投入;同时判别式引擎还能作为生成结果的干预模块,对易投诉的服务流程保留人工可控的兜底路径。
这本质上就是 反应式与深思熟虑式的分层融合 :快路径保稳定与成本,慢路径保覆盖率与体验。
生产级 Agent 通常包含一个前置反应层,常见组件有:
一个可落地的三层结构:
接入时有两个实践要点。一是 统一接入层 :主流做法是使用 OpenAI 兼容风格的接口,例如 API 域名填 https://qianfan.baidubce.com/v2、路径填 /chat/completions,模型名按需切换,这样在 Chatbox、LangChain 等客户端里改个配置就能换模型。二是 把知识检索当作工具挂载 :通过 knowledge_search 类型的 tool 绑定知识库 ID,模型会自主决定何时检索,并在响应中返回检索调用记录,便于追溯。
对于需要接入第三方或私有化大模型的场景,可选择支持 prompt 配置与流式/非流式交互的第三方大模型对话引擎,在 BOT 的回复优先级中配置自定义规则与错误话术,实现按优先级融合。
模型选型和成本核算上,建议直接在词元所大模型 API 服务平台对比各模型的调用价格与性能表现,并结合自身的调用量结构做成本评估——反应层能拦掉多少流量,往往比换更便宜的模型更能决定最终账单。
如果你希望进一步降低多模型接入与集成复杂度,并持续掌握各模型的调用情况,可以了解一下百度智能云词元所的模型发现、价格对比、统一 API 接入与调用管理能力,用它把选型、接入、成本管理收敛到同一个入口。