第一章习题思考

[hlq-git]

1. 四个 case
   Case A 不属于智能体。它有很强算力，但本身没有传感器、执行器、自主目标和“感知-决策-行动”闭环，更像基础计算资源。
   Case B 属于智能体。按内部架构看，它至少是“基于模型”的，因为要维护道路、车道、障碍物等状态；按时间维度看，在这个障碍物场景里它主要是“反应式”智能体，因为必须毫秒级决策；从完整系统看，它又带有“混合式”特征，因为自动驾驶整体既需要实时反应，也需要长程规划。
   Case C 属于智能体。它是典型“规划式”智能体，因为要预演未来多步；也是“基于目标”的智能体，目标是赢棋；也可视为“基于效用”的智能体，因为它在比较不同走法的期望价值；同时还是“学习型”智能体，因为 AlphaGo 的核心能力来自学习与自我对弈。
   Case D 属于智能体，但前提是它不只是聊天，而是真的能查订单、分析原因、给方案并动态安抚。按本章框架，它是 LLM 驱动、以目标为导向的智能体；按时间维度看更接近“混合式”，因为它既要根据用户即时反馈调整，又要围绕解决投诉这个目标持续推进。
2. 智能健身教练的 PEAS
   Performance：训练安全、目标达成度、动作准确率、计划执行率、恢复效果、用户满意度、饮食建议有效性。
   Environment：用户身体状态、健身场景、器械、可穿戴设备、历史训练记录、饮食与睡眠情况、外部环境。
   Actuators：语音指导、动作纠正提醒、训练计划调整、强度升降、休息提醒、饮食建议、风险预警。
   Sensors：心率、配速、功率、运动强度、姿态数据、摄像头或 IMU、用户反馈、历史健康数据。
   这个环境是部分可观察的，因为设备无法完整知道用户真实疲劳、疼痛和长期恢复状态。
   它是随机性的，因为同样训练计划在不同睡眠、情绪、天气下结果会不同。
   它是动态的，因为用户心率、动作和疲劳状态在运动过程中持续变化。
   它是序贯的，因为当前训练安排会影响后续恢复和下一阶段计划。
   它还带有多智能体/人机协作色彩，因为用户本身会主动配合、拒绝或偏离建议。
3. Workflow vs Agent 处理退款
   Workflow 的优点是规则清晰、成本低、吞吐高、可审计、稳定、易合规；缺点是僵硬，难处理灰度案例和复杂证据。
   Agent 的优点是能理解上下文、整合多源信息、动态推理、处理复杂例外；缺点是结果不稳定，存在误判和幻觉风险，审计与责任界定更难。
   Workflow 更适合规则明确、高频、风险高、要求强一致性的场景，比如标准 7 天无理由退款。
   Agent 更适合非结构化、例外多、需要综合历史行为和商品状态判断的场景，比如争议退款、疑似欺诈、复杂客诉。
   如果只能二选一，我会先选 Workflow 作为主方案，因为退款属于高风险业务；
   方案 C “Workflow 打底，Agent 增强”：硬规则和审批边界仍由 Workflow 控制，Agent 负责读文本、抽取证据、做风险评分、生成建议，高风险单再交人工复核。
4. 旅行助手如何扩展
   加记忆：在每轮 Thought 前增加“读取用户偏好”，在每轮 Observation 后增加“更新记忆”。这样它就能记住历史文化偏好、预算上限等。
   加备选方案：新增 check_ticket() 与 get_backup_attraction() 工具；若观察到“门票售罄”，下一轮 Thought 自动改成“寻找同风格、同预算、同区域的替代景点”。
   加反思：维护一个“连续拒绝计数器”；当用户连续拒绝 3 次时，不直接继续推荐，而是插入一次 Reflection，总结失败原因，修正偏好假设，再进入下一轮推荐。
   从循环上看，可以把原来的 Thought -> Action -> Observation 扩成“记忆检索 -> Thought -> Action -> Observation -> 记忆更新/反思”。
5. 系统 1 / 系统 2 场景
   场景我选“医疗诊断助手”。
   系统 1 负责快速直觉任务：从症状、生命体征、影像里快速识别异常模式，做初筛和风险预警。
   系统 2 负责慢速推理任务：做鉴别诊断、检查医学指南、推导检查顺序、核对药物禁忌、生成可解释结论。
   协同方式是：系统 1 先高召回地提出候选风险和候选诊断，系统 2 再用规则、知识库和逻辑链条做验证与筛选；两者冲突时触发补充检查或医生复核。这样既快又稳，正符合本章对神经符号主义和“双系统”的描述。
6. 幻觉、循环限制与评估
   幻觉会出现，是因为 LLM/亚符号系统擅长模式生成，但不天然等于事实校验；当上下文不足、工具结果不完整、训练数据含噪或推理链漂移时，就可能生成“看似合理但实际错误”的内容。本章在讲亚符号主义时也明确提到了这一点。
   如果没有最大循环次数限制，智能体可能会陷入反复调用工具、重复同类推理、在错误观察上越走越远，甚至形成死循环，导致成本、延迟和错误累积失控。
   评估智能体不能只看准确率。还应看任务完成率、工具调用正确率、步骤效率、鲁棒性、恢复能力、安全性、延迟、成本、可解释性和用户满意度。
   准确率只适合评估“结果对不对”；但智能体是一个多步闭环系统，过程质量同样重要。