#agent

前几天AI圈朋友聚会，大家会介绍正在做什么AI项目。 有人说自己在做Agent，立马有人问：“针对人的，还是针对AI的？” 这提问水平和沟通档次，噌的一下就起来了！ 未来一定会出现大量给AI提供服务的Agent。 大量小额实时结算，真的有可能靠虚拟货币？ 但Agent间沟通、交易全黑盒，风险感觉相当高。

明天去见agent 卖掉房子走人 我们日本见

「LLM， Agent, RL的关系」 在LLM的语境下，Agent是能理解问题，自主进行推理（Reasoning），并采取行动的系统。你可以把它想象成一个非常聪明的助手，当你提出复杂问题时，它不会立即给出答案，而是会在内心进行推理和规划（Planning），再给出最终决定。 如果我们回顾prompt engineering中提高LLM Reasoning能力的方法，如Self-Consis

「Agent」论文：Executable Code Actions Elicit Better LLM Agents 从 ReAct 到 CodeAct 如果让我在所有 LLM 论文中选择我最喜欢的一篇，2022 年的 ReAct 绝对是前三名之一。 ReAct 大道至简，天才般地将复杂的强化学习（RL）过程，通过口头表达的方式表现出来，至今依然是 Agent 项目中最简单、最有效、最稳健的

更强的reasoning， 更好的Agent 论文分享： Thinking Machines: A Survey of LLM based Reasoning Strategies 在我们开发Agent的项目的时候，需要 更好的LLM reasoning的能力，以获得更高的任务完成准确率。 那么有哪些方法可以增强LLM的reasoning能力呢？ 沿着之前我分享的Testing time s

OpenAI 这套开发工具把Agent开发需要的基础能力都提供了，搜索、RAG、意图识别、内容审核、Computer use 以及 Browser use，整个Agent开发的成本瞬间降低了很多。 预期可见的会出来一批Agent方向的产品。

又更进了一步，现在可以在字节 coze 上使用我们的FOLOTOY AI玩具开放的端插件构建链接物理世界的 agent 了

AI Agent——“Agent”这个词本身就意味着它拥有“决策权（agency）”，所以它能自己在执行过程中遇到问题时做出决定而不需要确认，需要确认的是“Copilot”。但问题在于，如何保证 Agent 做决策时，能在没有确认时做出我们期望的结果？

为啥很少看到给agent做工具的融了钱的公司 当下都是给人类做agent agent马上作为生产力大规模应用了 那各种agent脚手架需求会大面积爆发 当下创业做这个我觉得是比较好的切入点吧 比如针对agent的权限管理 针对agent的钱包支付应用 我们都不用说未来针对agent的招聘市场啥的 这还没有那么大规模做不了供需匹配 但底层的权限 支付 这些当下就会用得上吧.. 有在做这方

AI发展从2022年到现在，已经经历了Chatbot、Copilot和Agent三个范式变迁。 Chatbot是用户聊天，遇到代码和文章需要手动复制，体验仍然是割裂的。Copilot阶段AI无缝衔接到了工作软件当中，读取工作环境的上下文，体验整合。但Copilot副驾驶仍需要用户手动确认。 Agent阶段则是全自动。 Cursor当中的YOLO（You Only Look Once）模式，自己

最近看了一些人用 agent 赚钱的案例，有个想法，不一定对（大概率错），还是想发出来，求个批评 起因是，我身边不同的人在售卖 agent 的时候，都出现了类似的买家要求：买家希望多付钱，让 agent 作者做定制化，使得这个 agent 可以符合个性化的业务需求 这其实是一个软件外包业务，买家会给你提出离谱的需求：做一个微信多少钱？做一个淘宝多少钱？ 换到 agent，买家会给你一篇文章，

尽管ChatGPT Operator还只是个雏形，但我已经领略到它的威力。之前的AI只是滔滔不绝地Chat，但不产生Action，但今后的AI是行动的AI，这是翻天覆地的变化。就拿我搜索减肥论文来说，尽管我自己也可以搜索/拷贝/粘贴，但是一切全自动化之后，意味着AI Agent的时代真正到来。 椅子上绑一堆钻天猴，也可以飞上天，但这与人类发现第一宇宙速度发明火箭上天，有着天壤之别。AI的火箭时

如果一个系统的工作流程是依靠人来编排的，那么它就是Workflow（工作流）。 如果一个系统的工作流程没有办法事先编排，需要依靠LLM在工作中动态编排，那么它就是Agent。