智能体：基于大模型的产业实践

智能体与机器学习框架的本质区别是什么？ 从技术底层看，两者的差异体现在“是否必须先有一个环境模型”以及“决策依据是什么”这两个根本点上。 1. ​​是否显式建模环境​​ • 机器学习框架（统称）往往假设数据来自固定分布，模型直接从数据中学习输入-输出映射，不显式构造环境状态转移。 • 智能体分为​​基于模型(Model-Based)​​与​​无模型(Model-Free)​​两类： – ​​基于模型​​的智能体必须先学习或预设状态转移概率 P(s'|s,a)，再用该模型规划行动； – ​​无模型​​的智能体则跳过显式建模，直接通过价值函数 V(s) 或策略函数 π(a|s) 进行决策。 2. ​​决策依据与目标​​ • 传统机器学习追求的是“预测准确率”，决策往往是一次性的、静态的函数映射。 • 智能体的决策目标是​​长期累积回报最大化​​，因此需要在不确定环境中不断试错、评估并改进策略；其核心问题是“应该在什么状态下采取什么行动”，而不仅仅是“如何分类或回归”。 3. ​​与环境的交互方式​​ • 机器学习模型通常是“被动消费者”——接收数据、更新参数、产生预测。 • 智能体是“主动参与者”——通过感知-决策-行动-反馈的闭环与环境持续交互，并可能对环境产生可观测的影响（例如机器人控制、游戏走子等）。 4. ​​结果表达形式​​ • 机器学习模型输出的是​​静态知识​​（概率、类别、回归值等）。 • 智能体最终得到的是​​可执行的策略​​或​​价值函数​​，能够实时对新状态给出行动建议；在基于模型的方案中，还伴随一个可用来预测未来状态的环境模型。 ​​归纳起来​​： • 机器学习框架侧重“学得对”——提高预测/分类准确率； • 智能体侧重“做得对”——在动态环境中通过交互持续改进策略，可能借助环境模型，也可能直接依据价值或策略函数行动。 因此，智能体可以看作一种​​“带行动能力的机器学习系统”​​，其本质不在“是否使用模型”，而在“是否通过与环境的交互来学习并执行策略以达成累积目标”。当智能体采用显式环境模型时，它与传统机器学习的差异最为显著；即便在无模型情形下，它也仍保持着“在线交互、策略迭代”的特性，这正是机器学习框架所不具备的。

目前，通信助手智能体已覆盖百万级用户，主叫方的对话参与度、平均通话时长及有效对话轮次等关键指标均有显著提升，系统正稳步向千万级用户规模扩展

中国电信先把自己的信号搞搞好！差的一塌糊涂，还想做好 AI，就不会有人信！

前半部分还可以，后半部分就有点不知所云了

太空洞了，就像写内部的公文一样，洋洋洒洒，却看不到技术点

剔除广告宣传内容，本书对智能体在企业的应用方面，还是有一些可参考的地方。可浏览了解。