智能體：基於大模型的產業實踐

智能體與機器學習框架的本質區別是什麼？ 從技術底層看，兩者的差異體現在“是否必須先有一個環境模型”以及“決策依據是什麼”這兩個根本點上。 1. ​​是否顯式建模環境​​ • 機器學習框架（統稱）往往假設數據來自固定分佈，模型直接從數據中學習輸入-輸出映射，不顯式構造環境狀態轉移。 • 智能體分爲​​基於模型(Model-Based)​​與​​無模型(Model-Free)​​兩類： – ​​基於模型​​的智能體必須先學習或預設狀態轉移概率 P(s'|s,a)，再用該模型規劃行動； – ​​無模型​​的智能體則跳過顯式建模，直接通過價值函數 V(s) 或策略函數 π(a|s) 進行決策。 2. ​​決策依據與目標​​ • 傳統機器學習追求的是“預測準確率”，決策往往是一次性的、靜態的函數映射。 • 智能體的決策目標是​​長期累積回報最大化​​，因此需要在不確定環境中不斷試錯、評估並改進策略；其核心問題是“應該在什麼狀態下采取什麼行動”，而不僅僅是“如何分類或迴歸”。 3. ​​與環境的交互方式​​ • 機器學習模型通常是“被動消費者”——接收數據、更新參數、產生預測。 • 智能體是“主動參與者”——通過感知-決策-行動-反饋的閉環與環境持續交互，並可能對環境產生可觀測的影響（例如機器人控制、遊戲走子等）。 4. ​​結果表達形式​​ • 機器學習模型輸出的是​​靜態知識​​（概率、類別、迴歸值等）。 • 智能體最終得到的是​​可執行的策略​​或​​價值函數​​，能夠實時對新狀態給出行動建議；在基於模型的方案中，還伴隨一個可用來預測未來狀態的環境模型。 ​​歸納起來​​： • 機器學習框架側重“學得對”——提高預測/分類準確率； • 智能體側重“做得對”——在動態環境中通過交互持續改進策略，可能借助環境模型，也可能直接依據價值或策略函數行動。 因此，智能體可以看作一種​​“帶行動能力的機器學習系統”​​，其本質不在“是否使用模型”，而在“是否通過與環境的交互來學習並執行策略以達成累積目標”。當智能體採用顯式環境模型時，它與傳統機器學習的差異最爲顯著；即便在無模型情形下，它也仍保持着“在線交互、策略迭代”的特性，這正是機器學習框架所不具備的。

目前，通信助手智能體已覆蓋百萬級用戶，主叫方的對話參與度、平均通話時長及有效對話輪次等關鍵指標均有顯著提升，系統正穩步向千萬級用戶規模擴展

中國電信先把自己的信號搞搞好！差的一塌糊塗，還想做好 AI，就不會有人信！

前半部分還可以，後半部分就有點不知所云了

太空洞了，就像寫內部的公文一樣，洋洋灑灑，卻看不到技術點

剔除廣告宣傳內容，本書對智能體在企業的應用方面，還是有一些可參考的地方。可瀏覽瞭解。