您好：这款游戏可以开挂，确实是有挂的+【85104890】安装
1."心悦麻将外卦神器视频教程"?可以开挂，通过添十客服微【85104890】
2.在"设置DD功能DD程序手麻工具"里.点击"开启".
3.打开工具.在"设置DD新消息提醒"里.前两个选项"设置"和"连接软件"均勾选"开启"(好多人就是这一步忘记做了)
集齐全国各地玩法：四川麻 ，贵阳捉鸡 ，山西扣点点，陕西捉老麻子 ，河南推倒胡 ，广东红中变，四川血流血战 ，辽宁八喜牌 ，湖南跑得快，广西跑胡子。掌心麻将圈怎么开挂 ，可以开挂 ，让玩家直呼有趣！
【央视新闻客户端】
本文来自微信公众号：飞哥说AI（ID：FeigeandAI），作者：高佳 ，原文标题：《大模型下半场 ，关于Agent的几个疑问》，题图：由Midjourney生成
大模型的下半场，迎接寒武纪的Agent大爆发 。
5.4亿至3.6亿年前 ，海洋生物破发 ，相比于以前的单细胞或简单多细胞生物，三叶虫、海绵和脊索动物等更高层次的智能诞生了 。类似寒武纪生命大爆发 ，BabyGPT 、AutoGPT 、Generative Agents等实验性产品相继出新。
从进化的角度来看 ，生命体的发展主要通过单元增强和组织增强两种方式实现 。这两种增强方式相辅相成，使生命具备了更多样复杂的表达形式 。
如同Agent——我们希望它是在任何系统中能够独立思考并与环境交互的智能体。
现在它已经有了一颗足够智商的“大脑” ，如何让Agent像人一样思考和执行——只要给定任何一个目标 ，它就能自动解决各种问题 。是进一步提高智商，增强智能体的“自身”单元；还是借助外部模块 ，强化“组织 ”能力？
虽然今天的Agent尚无法完成通用任务 ，也难以如多细胞之间的社会化分工，形成动态稳定体 。但在个体Agent的局部模块上 ，如HuggingGPT ，已展示了其使用工具的能力，包括Plug-in成为实际落地的重要里程碑，在大模型的下半场 ，将是Agent寒武纪落地爆发的时刻。
此刻Agent的落地瓶颈在哪里？它能否从专用抵达通用？多模态会为Agent带来什么？未来格局怎样演进？
就像地球上诞生的第一个细胞一样 ，即使目前的Agent尚无法替代我们在实际工作中的角色，但一切的一切都源于这第一个细胞 ，它是智能体进化的起点 。
即使对Agent的落地再迷茫 ，也要继续“涌现 ” 。
因为Agent的成败将是决定这一场GPT革命是否是新一代工业革命的关键。
以下将以结构化的思维来思考，Agent何去何从 。
几天前 ，拥有25个Agent的AI小镇正式开源 ，“西部世界”AI Town随之构筑，AI Agents之间的互动 ，将演绎出整个文明的演化进程 。
OpenAI联合创始人Andrej Karpathy也高呼：“AI Agent代表着一个疯狂的未来。 ”
什么是Agent？Agent一词起源于拉丁语中的Agere ，意思是“to do ”。在LLM语境下，Agent可以理解为某种能自主理解、规划决策 、执行复杂任务的智能体 。
Agent并非ChatGPT升级版 ，它不仅告诉你“如何做” ，更会帮你去做 。如果CoPilot是副驾驶，那么Agent就是主驾驶。
Agent：P（感知）— P（规划）—A（行动）
类似人类“做事情 ”的过程，Agent的核心功能 ，可以归纳为三个步骤的循环：感知（Perception） 、规划（Planning）和行动（Action） 。
感知（Perception）是指Agent从环境中收集信息并从中提取相关知识的能力 ，规划（Planning）是指Agent为了某一目标而作出的决策过程，行动（Action）是指基于环境和规划做出的动作 。
其中 ，Policy是Agent做出Action的核心决策 ，而行动又通过观察（Observation）成为进一步Perception的前提和基础，形成自主的闭环学习过程。
这一过程就像马克思主义的“实践论 ”：“认识从实践开始 ，经过实践得到了理论的认识 ，再回到实践中去 。”Agent也在知行合一中进化 。
一个更完整的Agent，一定是与环境充分交互的 ，它包括两部分——一是Agent的部分 ，二是环境的部分。此刻的Agent就如同物理世界中的“人类 ”，物理世界就是人类的“外部环境 ” 。
可以想象 ，人类与外部环境交互的过程：我们基于对这个世界的全部感知 ，推导出其隐藏的状态，并结合自己的记忆和对世界的知识理解，进而做出Planning、决策和行动；而行动又会反作用于环境 ，给我们新的反馈 ，人类结合对反馈的观察，继而再做决策 ，以此循环往复 。
Agent = LLM+Planning+Feedback+Tool use
其中 ，在做 Planning 的过程中，除了基于现在的状态 ，还有要记忆 、经验 ，一些对过往的反思和总结，同时还有世界知识。
对比今天的ChatGPT ，它其实并非Agent ，而是一个通用的世界知识，即用来做 Planning 的知识源 ，它没有基于具体的环境状态 ，也没有Memory，Experience和Reflection 。
当然，ChatGPT基于自身的知识可以做逻辑推理和一定的规划 ，也可以加向量数据库解决推理问题 ，加 Reflection 让过程更丰富，如此看来 ，可将ChatGPT这个端到端的黑盒子变得显性化一点儿——其实符号就是一个非常显性的系统 ，基于此可以定向纠错，定向提升 。
对于Feedback ，Agent基于Action得到正向的或试错的反馈 、阶段性结果或奖励。Feedback有多种形式 ，如果将与我们聊天的ChatGPT视为一个Agent，我们在文本框中敲入的回复就是一种Feedback ，只不过是一种文本形式的Feedback ，此时我们对于ChatGPT来说，就是一种环境。RLHF也是一种环境 ，一种极度简单的环境 。
“人类之所以是人类 ，因为他会使用工具 。 ”
作为智能体， Agent 也可以借助外部工具扩展功能，使其能够处理更加复杂的任务。比如LLM使用天气API来获取天气预报信息 。如果不调用外部工具 ，Action和Feedback也可以直接通过学习Policy ，应对环境 。
可见Agent是真正主动释放LLM潜能的关键。LLM作为核心，Agent为LLM提供了行动的主观能动性 。
今天的LLM要怎么落地？LLM作为一个智商引擎 ，其他周边工具均可作为Prompt ，未来是否会是一个端到端的系统？如果周边的工具不够，是否会有一个更通用的适配框架？
二、Agent落地的瓶颈 ，是因为“智商 ”不够？
Agent本身用到两部分能力 ，一部分是由LLM作为其“智商 ”或“大脑”的部分，另一部分是基于LLM ，其外部需要有一个控制器 ，由它去完成各种Prompt，如通过检索增强Memory ，从环境获得Feedback ，怎样做Reflection等 。
针对目前Agent在实际落地中的阻碍，其原因是LLM自身的“智商”不够，还是其外部的系统化程度不够？
如果外部系统化程度不够的话 ，它将是一个长期待解决的问题。如果只是智商不够的问题 ，当GPT-4成为GPT-5，有了更高的智商 ，即可弥补之前的问题 。
真正理解这个问题的症结 ，可以先做错误归因 。即在实际的错误中，清晰地归因到底是LLM本身的问题 ，还是Prompt的方式不对。
比如向语音助手询问“天气怎么样？ ” ，这个问题本身就存在歧义——指的是哪里的天气？是哪一天的天气？具体想要知道天气中的哪些信息？这些都不是LLM本身所能解决的问题，它需要调用外部的工具系统 。
如果仅归因“智商 ”的话 ，LLM只需理解“天气怎么样” ，如果有具体的上下文——如“下个月上海的天气怎么样 ”，LLM基于此是否能推断出准确的信息 ，这是“智商 ”问题；但具体调用什么工具 ，执行的参数本身是否准确，这些并非归因于“智商” 。
三 、未来是否能实现一个更加通用的Agent外部框架？
很多人将 LLM 作为 Agent 的实现方式，这太简单粗暴了。比如 ，仅为Agent设定一个目标 ，定义一些基本的条件约束之后，就期待它能完成自我规划 、分解任务、自我提示 ，甚至调用外部的工具 ，并给出答案的全部过程。然而，LLM本身并不是这样训练的 ，必然不具备这种能力 ，但这并非归因于“智商 ”问题 。
从Agent落地的角度来说，仍需要外部的逻辑框架 。
虽然目前有许多类别的Agent ，但大多很粗浅 ，不够通用。即使是最简单的Agent应用，语音助手或智能外呼系统 ，其复杂性以及如何引入环境Feedback等问题 ，都未得到有效解决 。
因此，除了对错误进行更细致的分析外，我们应该研究的一个问题是：除了LLM本身足够通用之外 ，是否会实现一个通用的外部逻辑框架 ，来解决Agent真正落地的问题？
如果我们无法找到外部通用的逻辑框架，那么现在这场所谓的AGI革命可能只是一个泡沫 ，一个巨大无比的泡沫 ，它其实可能与上一代NLP并无本质区别 。
现阶段Agent的落地，不只是“智商 ”问题 ，还需要如何借助外部工具从专用抵达通用——而这是更重要的问题。
四 、Agent如何能有通用的适配环境？是否需要一个learnable的环境小模型？
在游戏《我的世界》中 ，英伟达开发最新方法Voyager，以15.3倍速点亮科技树 ，同时获得的独特物品是此前的3.3倍 ，探索范围是2.3倍 。原因归功于GPT-4对游戏规则的深入理解和丰富的知识储备，它来源于预训练过程 ，而非后续的增强学习 。
从这个视角来看 ，在优化Agent的过程中，除了关注Feedback，还应该考虑模型如何感知环境。那么通用大脑与环境模型之间的关系如何 ，怎么配合？Agent如何从专用抵达通用？
Agent目前还鲜少有很好且通用的落地效果 ，大多是解决特定场景的特定问题——将LLM作为一个通用大脑，通过Prompt设计为不同的角色 ，以完成专用的任务 ，而非普适性的应用 。
这其中的一个关键问题，即Feedback将成为Agent落地实现的一大制约因素 ，这一点在Tool use中体现得尤为明显 。对于一些如查询天气等简单问题 ，只需设计恰当的Prompt即可，但对于复杂的Tools应用 ，其成功概率会大大降低。
这种做法一方面忽视了Feedback的重要性 ，另一方面，即使LLM得到Feedback ，凭借它的“智商”也可能并不完全理解所有的环境或Feedback ，更难基于此调整自身行为 。
想要真正成功落地Agent，是给予Agent一个更通用的适配环境，一种可能的解决方案是创建一个专门用于理解和适配环境的小模型 ，以此和LLM交互 。
由于最强大脑的“智商 ”部分——LLM（如GPT-4）因为规模太大是很难针对具体Agent进行重训的 ，而小模型是可以适应环境变化 、多次训练的。在这个场景中，我们可将LLM看作大脑 ，而小模型就像小脑 ，作为中间层专门处理环境Feedback，与GPT-4交互。
那么 ，Agent从专用到通用的实现路径会是什么？
假设Agent最终将落地于100种不同的环境 ，在目前连最简单的外部应用都难以实现的前提下，最终能否抽象出一个框架模型来解决所有外部通用性问题？
先将某一场景下的Agent做到极致——足够稳定且鲁棒 ，再逐步将它变成通用框架 ，也许这是实现通用Agent的路径之一 。
现在的GPT-4，是将所有的内容都转化成文本语言 ，然后人类去Prompt它 。首先 ，转化过程可能会丢失信息或产生错误，从而导致结果出现偏差。
GPT的下一个版本，如果它能实现多模态在理解层面的超强能力 ，那它会不会在一定程度上缓解今天Agent的不可靠以及信息丢失与偏差的问题？多模态与Agent的关系将是什么样的？
如果LLM不需要在真实世界中交互 ，而只是在虚拟世界中执行特定任务，那么多模态对于完成任务的帮助也许并不大 。但如果LLM需要与真实世界交互 ，那么多模态无疑非常重要 。
多模态只能解决Agent感知上的问题 ，而无法解决认知的问题。
在很多情况下，如智能客服场景 ，用户可能会通过多种方式提供信息 ，多模态具有很好的感知价值，但在解决一些逻辑、推理等核心问题 ，还差距尚远 。
多模态是必然趋势 ，未来的大模型必然是多模态的大模型，未来的Agent也一定是多模态世界中的Agent 。
当在进行基于文本的Agent的开发时 ，当多模态的分水岭时刻到来 ，这些Agent是在原有基于文本的基础上继续发展，进一步融入多模态特性？还是需要彻底改变原有开发Agent的理念和架构，以适应未来的多模态世界？
Agent的开发并不需要全部推倒重来 ，但一旦Agent拥有了多模态能力 ，它将会与现有模型截然不同。比如GPT的下一代版本，它可能会包含一些更加强大的图像等多模态理解功能 。我们不必急于立即构建这样的模型 ，也可以选择先调用这样的模块 ，即最好将多模态理解功能内置在模型中 。
半年后，我们将会看到多模态大模型的到来。而多模态Agent的到来 ，可能会比我们想象中更快 。
首先 ，许多大公司都在储备军火一般地研发多模态 。这种量变的积累非常容易引发质变，可能很快就会有实际的产品被推出。其次 ，人们期待的Agent是如同人类一般的助手 ，他不仅能说话，还能看到、听到 、感知到。理论上 ，一个优秀的Agent应该能实现多感官 、多模态的交互 ，Perception、Policy都需要多模态 。
随着RT-2的发布，一种新的视觉语言动作模型VLA，它将多模态大模型塞进机械臂 ，实现了实体机器人版ChatGPT 。?
从趋势上看 ，未来的Agent一定是多模态的。Agent要成功，多模态也一定是必要的 。
在多模态交互方面 ，数字人也提供了一个很好的示例 ，它展示了调用外部工具的优势 。当大模型调用数字人时，因为形象都已提前设定 ，我们就无需担心它会突然生成某个政治人物的形象或声音 ，甚至包括他的幻觉。
尽管美其名曰“生成式AI ”，其“生成”部分 ，最好调用外部工具 ，以保证其确定性，规避大模型的幻觉 。
比如 ，在多模态交互中 ，如果想要LLM扮演特朗普，并直接生成一支祝贺视频，那么很可能存在风险 。如果LLM仅生成脚本 ，然后调用既定的数字人和声音接口合成视频 ，这样更安全可控。
六 、多Agent真的会成功吗？
现在的 Agent 还是山顶洞人，但多AI Agents互动会改变一切 。
在灵感来自模拟人生游戏的 Generative Agents 实验中 ，其每个角色都分别由一个 AI Agent 控制 ，它们在沙盒环境中生活和互动，充分体现了将反馈和环境信息转化为行动的过程 ，实现 AI Agents 的“社交 ” 。
其中在规划和反应的环节 ，AI Agents 会充分考虑彼此之间的关系，以及一个 Agent 对另一个 Agent 的观察和反馈 ，来采取下一步动作。
这个有趣的模拟随之引发了一些戏剧化的社会现象 ，比如“谣言 ”的扩散 、关系记忆等，在实验中经常出现两个 AI Agents 在聊天中延续他们之前的话题、办Party 、呼朋唤友等社交活动 。
显然 ，Agent 的真正落地 ，一定是建立在对环境的感知 、动态学习，以及不断更新之上的 。
早在今年2月，一些在线教育公司开始频频活跃在大模型的讨论上。“我们的行业 ，如果再不行动的话就会第一个被颠覆” ，在大部分公司还未感受到大模型的冲击时，一家头部在线教育公司的人先做出预判和隐忧。
而哪些行业会最先被Agent颠覆 ，哪些行业不会那么快？
大模型的能力众所周知 ，但“智商”只是Agent落地的一部分 。即使OpenAI宣称AGI已经来了，如果你对行业一无所知 ，也很难做出实际的应用 。
就像一位斯坦福的博士 ，如果不懂一家公司的行业和产品属性，那么工作初期的难度也会很大。所以 ，我们需要更深入地讨论哪些行业更适合Agent落地 。
比如可以完全在线化、数字化的在线教育行业 ，尤其在过去的三年疫情期间，许多线下行业都遭受打击 ，而在线行业却因为数字化的优势得以较快发展 ，它也会最先被Agent颠覆 。相比而言，机器人或传统行业，反而在短时间内较难被颠覆。
目前无论是中国还是美国 ，新的共识正在逐渐形成：第一是Agent需要调用外部工具 ，第二是调用工具的方式就是输出代码——由LLM大脑输出一种可执行的代码，像是一个语义分析器 ，由它理解每句话的含义 ，然后将其转换成一种机器指令，再去调用外部的工具来执行或生成答案 。
尽管现在的 Function Call 形式还有待改进 ，但是这种调用工具的方式是非常必要的 ，是解决幻觉问题的最彻底的手段 。
八 、Agent的未来发展格局是百花齐放，还是Winners take all？
未来大模型的竞争格局日渐明朗 ，必然几家独大 ，或基于开源。
而未来一两年内，Agent的市场格局将会如何 ，会形成同等的势态么？
由于Agent并非能实现通用 ，Agent并非一家独大，而是将形成一个非常长尾的供应商格局 。市场上将会有很多Agent，每一个 Agent 都由不同的公司运营 。
如同上一代NLP ，很多AI公司都提供智能客服或自动外呼服务 ，但每一家公司只能服务少数的客户，无法形成规模效应。基于今天对Agent的技术判断 ，与上一代并无太大区别 。
虽然LLM的语义理解是通用的 ，但是我们之前讨论过的Agent的环境 、领域结合并不通用，这会导致市场非常分散 ，没有强者越强的公司出现 。
当然 ，Agent也分为深度（专业）和浅度（通用）两种类型。
我们希望做通用的Agent。在中国的市场环境下，如果做一个与企业深度结合的Agent ，最终将成为“外包 ” ，因为它需要私有化部署，集成到企业工作流里 。很多公司都会去争抢保险公司、银行 、汽车领域的大客户 。这将与上一代AI公司的结局非常相似 ，边际成本很难降低 ，且没有通用性。
未来是Agent的世界，在今天的Agent进程下，依然重复昨天AI的故事 ，私有化部署将面临挑战 。
本文来自微信公众号：飞哥说AI（ID：FeigeandAI） ，作者：高佳
已在虎嗅发表 11 篇文章
