在人工智能 (AI) 领域，各种模型都有不同的用途，每个模型都为该领域贡献了独特的功能。大型语言模型 (LLM)（如 GPT 和检索增强生成模型 (RAG)）在自然语言处理方面取得了重大进展，在理解和根据输入生成文本方面表现出色。然而，虽然这些模型在语言任务方面表现出色，但在现实世界的行动和互动方面却有所欠缺。这一限制凸显了人工智能代理的必要性，人工智能代理旨在执行任务并根据其处理的信息采取行动。
大型语言模型 (LLM) 和检索增强生成模型 (RAG) 因其在理解和生成文本方面的出色能力而备受关注。这些模型经过大量文本数据的训练，可以生成类似人类的响应并通过检索机制整合外部知识源，如 RAG 模型所示。然而，尽管 LLM 和 RAG 模型在语言任务方面表现出色，但它们缺乏超越文本生成并与现实世界互动的能力。
与 LLM 和 RAG 模型不同，AI 代理是专为现实世界交互而设计的。这些代理能够感知环境、做出决策并自主或半自主地执行操作。无论是安排约会、管理智能家居设备还是提供客户支持，AI 代理都旨在根据收集的信息执行任务并采取行动。
虽然 LLM 和 RAG 模型在处理和生成文本方面表现出色，但在处理现实世界的动作和交互时，它们的局限性就变得明显了。现实世界的场景通常不仅需要理解自然语言输入，还需要做出决策、执行任务并动态响应不断变化的条件。这种差异凸显了对互补系统的需求，这些系统可以弥合语言理解和现实世界执行之间的差距。
现实世界中的任务和行动需要结合决策过程、任务执行和实时交互。从在复杂环境中导航到在客户服务中响应用户查询，这些任务不仅仅需要语言能力。它们需要分析信息、根据上下文做出决策以及实时与用户或系统交互的能力。
虽然 LLM 和 RAG 模型在自然语言处理方面取得了重大进展，但它们缺乏 AI 代理固有的决策能力。决策过程是现实世界任务不可或缺的一部分，涉及信息分析、各种因素的考虑以及后续行动。这种能力使 AI 代理成为解决需要复杂决策的任务的重要组成部分。
决策：AI 代理通常涉及基于预定义规则、机器学习算法或强化学习技术的决策过程。它们分析信息、考虑各种因素并做出相应的决策。LLM 和 RAG 模型虽然能够根据输入生成文本，但并不像 AI 代理那样天生具备决策能力。
此外，实时交互是许多应用程序的关键方面，需要动态响应和快速行动。AI 代理是为此类场景量身定制的，可以实时或近实时地与用户或系统进行动态交互。相比之下，虽然 LLM 和 RAG 模型可以生成响应，但它们可能并不总是满足交互式应用程序的实时要求。
实时交互：AI 代理通常在实时或近实时场景中运行，与用户或系统动态交互。它们需要在短时间内处理输入、生成响应并执行操作。LLM 和 RAG 模型可以生成响应，但它们可能并不总是满足交互式应用程序的实时要求。
因此，LLM 和 RAG 模型的局限性凸显了 AI 代理在解决需要现实世界行动和交互的任务方面的重要性。通过整合决策算法、任务执行机制和实时交互功能，AI 代理可以补充 LLM 和 RAG 模型的功能，从而提供更全面、更有效的方法来解决现实世界的挑战。
因此，AI 代理通过提供执行真实世界任务、决策和实时交互所需的能力，补充了 LLM 和 RAG 模型。通过集成这些组件，可以实现更全面、更有效的系统，利用两种方法的优势来解决更广泛的任务和挑战。
