大语言模型LLM 在文字生成领域取得不错的成就，如利用LLM写文章跟知识类回答。但将大语言模型作为大脑，去构造智能代理的探索最令人激动不已。因为一旦路径走通，意味着通用人工智能之路技术路线已经走通，接下来实现跟完善只是时间问题。目前社区涌现一系列尝试，如AutoGPT,GPT-Engineer 跟BabyAGI，但是这些探索都不成熟，没法实用化。
但是这些探索为下步AI的演进提供了方向,这个可能是未来研究的重点跟热点。目前这些AGENT都是参考人的思考与执行的方式，先对任务进行做计划执行，将大任务拆分成小任务，然后再去行动，行动得到环境反馈之后，进行反思和完善，再去执行。一步步模仿人类思考与行动。大语言模型可以使用工具，人类也通过使用工具解决很多问题。
如上图所示 在 LLM 支持的智能代理系统中，LLM 充当智能代理的大脑，并由几个关键组件进行补充：
1.规划
子目标和分解：智能代理将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。
反思和完善：智能代理可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。
2.记忆
短期记忆：所有的上下文学习（参见提示工程）都是利用模型的短期记忆来学习。
长期记忆：这为智能代理提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索。
3.工具使用
智能代理学习调用外部 API 来获取外部信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。通过调外部API，就可以使用一系列工具。
社区在规划，记忆，工具使用这些方向做了不少研究工作。其中一篇论文Chain of Hindsight 工作让人深刻，大概原理就是将所有类型的反馈转换为句子，然后利用对句子对模型进行微调，这个流程跟人类学习过程非常类似，人类面临新知识，也需要不断练习，拿到环境的反馈，从而提高自己。
感觉我们离通用人工智能的路不远了，既让人感觉到兴奋，也感到一丝害怕，可能在十年内就可以见证通用人工智能的诞生。