本文聚焦智能体从符号主义到大模型驱动范式的关键演进路径。

2.1 基于符号与逻辑的早期智能体

物理符号系统假说

核心思想：智能的本质是符号的计算与处理。

专家系统

由 知识库（IF-THEN规则）和 推理机（正向链/反向链）组成。

MYCIN：血液感染诊断专家系统，约600条规则。创新之处是引入 置信因子（CF） 处理不确定性。

符号主义的局限：

• 常识知识瓶颈
• 框架问题与系统脆弱性

SHRDLU

SHRDLU是积木世界中的自然语言交互智能体，具备：

• 自然语言理解（解析复杂指令）
• 指代消解（理解"你手中拿的"）
• 上下文记忆
• 规划与行动（规划动作序列）
• 记忆与问答

2.2 基于规则的聊天机器人

ELIZA 的设计

核心机制：模式匹配 + 文本替换

1
2
3
4
5
6

def respond(user_input):
    # 1. 关键词识别
    # 2. 分解（捕获通配符*匹配的内容）
    # 3. 代词转换（I ↔ you）
    # 4. 重组生成回应
    pass

局限：

• 无语义理解（不理解否定词）
• 无上下文记忆
• 规则扩展导致组合爆炸

2.3 马文·明斯基的"心智社会"

核心观点：智能源于大量简单智能体的协作，而非单一完美系统。

对多智能体系统（MAS）的启发：

• 去中心化控制
• 涌现式计算
• 智能体社会性

2.4 学习范式的演进

从符号到联结主义

强化学习框架

五元组 (S, A, P, R, γ)

学习循环：观察 → 选择行动 → 执行 → 获得奖励 → 调整策略

预训练-微调范式

1
2
3

海量文本 → 自监督学习 → 基础模型
                              ↓
                    特定任务数据微调 → 下游任务

大语言模型驱动的智能体

核心组件：

1
2
3

感知模块 → 思考模块(Planning + LLM) → 执行模块 → 工具调用
    ↑                                              ↓
    └──────────── 观察与记忆更新 ←──────────────────┘

发展时间线

2.5 习题解析

题 1：物理符号系统假说

Q1：充分性论断和必要性论断分别是什么？

Q2：符号主义实践中的哪些问题挑战了"充分性"？

• 常识问题：依赖庞大的背景知识
• 框架问题：规则静态，无法适应变化

Q3：LLM驱动的智能体是否符合该假说？

不完全符合。LLM通过分布式权重隐式编码知识，而非显式符号规则。

题 2：专家系统MYCIN

Q1：为何MYCIN未大规模应用于临床？

Q2：现代医疗诊断智能体如何改进？

• 动态知识更新（结合最新研究）
• 个体化诊断（考虑患者差异）
• 可解释性（清晰展示诊断依据）

Q3：哪些垂直领域仍适合基于规则的系统？

• 法律咨询（规则明确）
• 工业控制（稳定可预测）
• 药物配置（避免相互作用冲突）

题 3：ELIZA 扩展实践

核心扩展：添加 上下文记忆 功能，记住姓名、年龄、职业等信息。

与ChatGPT的本质差异：

组合爆炸问题：假设n个规则、每个规则匹配m种输入，组合数为m^n（指数级增长）。

题 4：“心智社会"理论

Q1：GRASP智能体失效会怎样？

系统失去抓取积木能力，但其他智能体可继续工作。优势是鲁棒性，劣势是整体性能下降。

Q2：与现代多智能体系统的关联？

• 关联：都体现协作思想、去中心化控制
• 不同：现代系统有更先进的通信协议和学习算法

Q3：LLM时代"心智社会"是否仍适用？

适用。智能的涌现和协作思想仍是理解多智能体系统的重要框架。

题 5：强化学习与监督学习

Q1：AlphaGo的"试错学习"机制？

通过自我对弈不断尝试策略，根据胜负结果调整，优化长期收益。

Q2：为何强化学习适合序贯决策？

Q3：RLHF在LLM训练中的作用？

通过人类反馈强化学习，使模型输出更符合人类期望和偏好。

题 6：预训练-微调范式

Q1：预训练如何解决"知识获取瓶颈”？

• 符号主义：专家手工编码规则
• 预训练：从数据中自动学习，分布式表示知识

Q2：互联网数据带来的问题及缓解？

题 7：智能代码审查助手

三个时代的设计对比：

演进意义：从"几乎不可能"到"可行"，核心是 理解和推理能力 的质变。

小结

智能体发展史是一场关于"如何定义智能、获取知识、进行决策"的思想变革：

1. 符号主义：显式规则 → 知识获取瓶颈
2. 联结主义：分布式表示 → 感知能力突破
3. 强化学习：试错交互 → 决策能力突破
4. LLM Agent：感知-思考-行动闭环 → 通用智能雏形