代理应用举例

大型语言模型（LLM）代理代表了从标准大型语言模型向前迈进的一步，因为它们能够承担任务、具备一定程度的自主性运行，并与信息或系统交互以达成特定目的。为使这些功能更具体，这里展示了一些简单但有说明性的应用。这些例子将帮助您想象代理如何运作。请记住，这些是简化后的情景，旨在说明代理可能执行的类型功能。

自动化邮件摘要与分类器

设想一个旨在帮助您管理收件箱的代理。

• 目标： 让您了解重要邮件，而无需阅读每一封。
• 工作方式： 该代理可以连接您的电子邮件账户（当然，需要获得许可！）。对于每封新邮件，它会：
  1. 读取内容。
  2. 运用其LLM核心理解要点并生成简洁摘要。
  3. 分析摘要和发件人信息，对邮件进行分类（例如，“紧急财务”、“项目更新”、“新闻简报”）。
  4. 向您提供每日摘要和分类邮件的汇总，或者立即标记 (token)真正紧急的项目。

这不仅仅是一个搜索关键词的脚本。该代理运用LLM的语言理解能力来解读邮件的含义，使其摘要和分类更准确、更有用，尤其是在措辞含糊的消息中。它根据持续流入的新信息（邮件）来完成其任务。它根据指令和理解来决定什么重要，而不仅仅是匹配模式。

简易研究助手

设想一个负责收集某个主题初步信息的代理。

• 目标： 向用户提供某个主题的快速概览，信息来源于一组明确的信息源（例如公司内部知识库或特定网站合集）。
• 工作方式：
  1. 用户提供一个主题，例如，“可再生能源对当地社区的影响。”
  2. 代理运用其LLM理解请求，并在需要时将其分解为可搜索的查询。
  3. 它“访问”允许的信息源。这可能涉及查询数据库或使用简化的网页搜索功能，我们将在后续章节讲到“工具”时详细讨论。
  4. 它读取并处理检索到的信息，识别相关段落。
  5. 最后，它将这些信息综合成一份连贯的摘要或一个主要观点列表给用户。

这个代理比简单搜索更进一步。它理解请求，规划基本的搜索策略，检索信息，然后对其进行推断，以生成新的、结构化的输出。

一幅图示，说明研究助手代理如何处理用户的请求。

个人任务管理器

我们许多人都使用待办事项列表。LLM代理可以使这种体验更具活力和直观性。

• 目标： 通过自然语言交互，帮助用户高效管理任务，保持井然有序。
• 工作方式：
  1. 用户可以用自然语言告诉代理添加任务：“提醒我明天下午给水管工打电话”或“将‘准备演示文稿’添加到我的工作任务中。”
  2. 代理理解这些指令，提取任务描述和截止日期/时间等重要信息，并将它们添加到任务列表中。
  3. 它可以在适当的时间提供提醒，而无需在特定时刻主动提示。
  4. 它可能会根据用户随时间提及的推断项目名称或背景来分类任务（例如，区分“工作”任务和“个人”任务）。

标准的待办事项应用程序只是存储任务，而基于代理的任务管理器则运用其语言理解能力，使交互更流畅。它可以解释非结构化命令，并根据这些解释执行操作。当它发送提醒时，便体现出其“自主性”；它被赋予了这项任务，并在条件（时间）满足时自主执行。

客户支持分流代理

在商业环境中，代理可以帮助管理最初涌入的客户支持请求。

• 目标： 通过快速理解客户问题并进行适当引导，或立即回答常见问题，从而提高客户服务效率。
• 工作方式：
  1. 客户在聊天窗口输入问题或发送邮件。
  2. 代理读取查询。
  3. 运用其LLM功能，它确定问题的性质（例如，账单问题、技术问题、产品咨询）。它试图理解用户的意图。
  4. 基于这种理解，它可以：
     • 如果问题是其可访问的常见问题（FAQ）数据库中找到的常见问题，则提供即时答案。
     • 将查询路由到正确的人工支持团队（例如，“账单部门”，“二级技术支持”）。
     • 如果初始查询过于模糊，无法做出确定判断，则提出澄清问题。

这类代理需要处理各种人类语言，包括非正式措辞、错别字或沮丧情绪的表达。它比纯粹依赖关键词匹配的系统更具适应性，因为LLM帮助它把握用户意图。这使得更智能的路由和更快速地解决常见问题成为可能，从而解放了人工代理去处理更复杂的问题。

这些例子说明了LLM代理如何承担多种角色。它们不仅仅像聊天机器人那样被动地回应输入，而是积极地朝着目标努力，有时涉及多个步骤并与信息系统交互。随着课程的推进，您将了解促成这些行为的组成部分。