在人工智能领域智能体被定义为任何能够通 过传感器Sensors感知其所处环境Environment并自主地通过执行器Actuators采取行动Action以达成特定目标的实体。赋予智能体智能的是其自主性Autonomy。智能体并非只是被动响应外部刺激或严格执行 预设指令的程序它能够基于其感知和内部状态进行独立决策以达成其设计目标。传统视角下的智能体中最简单的是反射智能体Simple Reflex Agent。它们的决策核心由工程师明确 设计的“条件-动作”规则构成。经典的自动恒温器便是如此若传感器感知的室温高于设定值则启动制冷系统。这种智能体完全依赖于当前的感知输入不具备记忆或预测能力。它像一种数字化的本能可靠且高效但也因此无法应对需要理解上下文的复杂任务。基于模型的反射智能体Model-Based Reflex Agent。这类智能体拥有一个内部的世界模型World Model用于追踪和理解环境中那些无法被直接感知的方面。基于目标的智能体Goal-Based Agent。与前两者不同它的行为不再是被动地对环境做出反应而是主动地、有预见性地选择能够导向某个特定未来状态的行动。基于效用的智能体Utility-Based Agent。它为每一个可能的世界状态都赋予一个效用值这个值代表了满意度的高低。智能体的核心目标不再是简单地达成某个特定状态而是最大化期望效用。学习型智能体Learning Agent。它能够通过与环境的互动自主学习强化学习Reinforcement Learning, RL是实 现这一思想最具代表性的路径。一个学习型智能体包含一个性能元件即我们前面讨论的各类智能体和一个学习元件。学习元件通过观察性能元件在环境中的行动所带来的结果来不断修正性能元件的决策策略。