智能体的定义#

智能体是能够：

1. 感知环境
2. 根据目标进行决策
3. 通过行动影响环境
4. 观察结果并持续修正

的人工智能系统。

这里的环境既可以是物理世界，也可以是数字世界：

• 自动驾驶汽车：道路、车辆、行人、交通信号
• 游戏 NPC：地图、玩家位置、游戏规则
• 编程智能体：代码文件、测试结果、终端输出、项目依赖
• 海洋智能体：卫星、浮标、无人船、AUV 和海洋环境数据

智能体通常处在持续循环中：

1
观察当前情况 → 选择下一步行动 → 检查行动结果 → 调整后续行动

搜索引擎、聊天机器人与智能体#

判断一个系统是否具有智能体特征，重点看它能否：

• 追踪目标
• 主动调用工具
• 执行多步任务
• 观察执行结果
• 根据反馈继续行动

TIP

聊天界面只是交互形式。一个系统即使使用聊天窗口，只要具备目标追踪、工具调用和闭环调整能力，也可以属于智能体。

【PPT 图片占位符｜第 25 或 26 页】
插入“搜索引擎、聊天机器人与智能体的区别”对比图或表格。

四大核心能力#

六大基本组成#

智能体可以进一步分成六个基本部分：

1
感知 + 目标 + 规划 + 行动 + 记忆 + 反馈

1
确定出发地和目的地
2
→ 查询交通方式
3
→ 比较时间、费用和换乘
4
→ 生成行程
5
→ 根据延误或用户反馈调整

智能体的工作循环#

智能体的基本工作循环可以写成：

1
输入：用户目标、当前环境信息、可用工具
2

3
1. 感知当前环境，收集与目标相关的信息
4
2. 分析目标，将任务拆成可执行步骤
5
3. 当任务尚未完成时：
6
   3.1 选择当前最合适的行动
7
   3.2 调用工具或执行操作
8
   3.3 观察行动结果
9
   3.4 若结果偏离目标或出现错误，则修正计划
10
4. 输出结果，并说明依据和剩余限制

也可以概括为：

1
观察（Observe）
2
→ 决策（Decide）
3
→ 行动（Act）
4
→ 反馈（Feedback）
5
→ 再次观察

【PPT 图片占位符｜第 10 页】
插入“观察—决策—行动—反馈”的闭环工作循环图。

软件智能体与具身智能#

老师在课堂中将智能体进一步区分为：

• 软件智能体：主要在计算机、手机、服务器和网络环境中行动
• 具身智能体（Embodied Agent）：拥有传感器、执行器和物理身体，可以直接影响现实世界

具身智能可以理解为：

1
数字大脑 + 物理感知 + 物理执行

机器人、自动驾驶设备、无人船和 AUV 都可以成为具身智能体。其发展同时受到算法、芯片、传感器、电池、电机、机械结构和控制系统的限制。

反应式智能体#

反应式智能体根据当前环境输入立即响应，常用“条件—动作”规则表示：

1
如果满足条件 A，就执行动作 B

核心特征：

• 即时响应
• 主要依据当前感知
• 不依赖长期记忆
• 缺少复杂的多步规划
• 适合规则明确、状态变化快的场景

1
检测室温
2
→ 若温度低于设定值，开启加热
3
→ 若温度高于设定值，关闭加热或开启制冷
4
→ 温度变化后重新检测

1
检测玩家位置
2
→ 若玩家距离小于 5 m
3
→ 立即执行攻击

基于目标的智能体#

基于目标的智能体会围绕某个最终状态，选择能够实现目标的动作序列。

核心特征：

• 关注最终目标
• 支持多步规划
• 根据实时环境重新评估路径
• 能够调整行动计划

1
设定“准时到达教室”的目标
2
→ 规划交通方式与路线
3
→ 感知实时路况
4
→ 遇到拥堵时重新规划
5
→ 到达目标地点

基于效用的智能体#

当多个方案都可以实现目标时，基于效用的智能体会建立可量化的评价标准，选择综合表现更好的方案。

常见效用指标：

• 费用
• 时间
• 舒适度
• 换乘便利性
• 风险
• 用户偏好

学习型智能体#

学习型智能体通过积累经验和反馈数据，不断改进表现。

核心学习循环：

1
收集用户行为
2
→ 分析偏好
3
→ 更新模型参数
4
→ 生成新推荐
5
→ 获取新的用户反馈

常见反馈数据：

• 浏览记录
• 点击
• 评分
• 停留时间
• 选择与放弃行为

1
观察选择
2
→ 识别“偏好阴凉”的模式
3
→ 提高树荫覆盖率的权重
4
→ 后续优先推荐树荫路线
5
→ 根据学生反馈继续更新

大语言模型智能体#

大语言模型智能体以 LLM 为核心，并结合：

• 工具调用
• 记忆管理
• 上下文管理
• 任务分解
• 自我检查
• 人类确认

完成从语言理解到实际行动的跨越。

典型流程：

1
任务理解
2
→ 制定计划
3
→ 调用工具
4
→ 观察结果
5
→ 修正计划
6
→ 输出结果

1
读取讲义文件
2
→ 提取目录结构
3
→ 分段总结内容
4
→ 生成选择题
5
→ 检查题目是否覆盖核心知识
6
→ 输出复习资料

1
感知文件 → 规划任务 → 调用工具 → 检查结果 → 输出成果

实际系统通常是多种类型的组合#

智能体类型描述的是系统在某一任务环节中的决策方式，同一个系统可以同时具备多种特征。

例如，校园自动驾驶智能体：

• 规划从宿舍到教室的路线：基于目标
• 比较时间、费用与舒适度：基于效用
• 红灯停车、遇到障碍减速：反应式
• 逐渐学习用户偏好：学习型
• 接收自然语言指令并调用地图工具：大语言模型智能体

老师特别强调，不要把这些类型机械地分成彼此独立的系统。

【PPT 图片占位符｜第 33 或 34 页】
插入“校园路线规划”或“反应式与目标型智能体对比”示意图。

Vibe Coding#

Vibe Coding 指用户用自然语言描述想要的功能，让 AI 编程智能体生成、修改、运行和调试代码，并在反馈中持续迭代。

人的主要工作逐渐转向：

• 描述目标
• 明确业务逻辑
• 检查结果
• 提供修改意见
• 审查安全性与可维护性
• 决定是否交付

AI 智能体主要负责：

• 理解意图
• 生成代码
• 运行测试
• 分析报错
• 修改代码
• 重新验证

核心闭环：

1
需求描述
2
→ 智能体生成代码
3
→ 自动运行测试
4
→ 根据报错修复
5
→ 继续迭代
6
→ 最终交付

三种编程方式的比较#

Vibe Coding 体现了从“如何写每一行代码”转向“系统需要完成什么”的变化。

WARNING

Vibe Coding 会降低原型开发门槛，同时仍需保留编程与软件工程基础。使用 AI 生成代码时，至少要完成：

1. 实际运行程序
2. 检查关键逻辑和边界条件
3. 验证测试是否充分
4. 审查安全性、依赖与权限
5. 判断代码是否便于维护
6. 理解后再用于作业或正式项目

编程智能体工具#

课堂 PPT 列举了几类工具：

这些工具发展很快，功能、价格和使用方式应以各自的最新官方资料为准。课堂建议初学者优先体验 Cursor 或 Claude Code，理解“项目级智能体”怎样读取文件、修改代码并运行测试。

Claude Code#

Claude Code 是课堂用于说明“编程智能体”的现实案例。它面向真实项目环境，处理的内容包括：

• 文件和目录
• 源代码
• 第三方依赖与环境配置
• 单元测试和集成测试
• 运行日志和错误信息
• 完整项目上下文

1
1. 读取测试输出
2
2. 定位失败测试与相关源文件
3
3. 分析错误原因
4
4. 提出修改方案
5
5. 编辑代码
6
6. 重新运行测试
7
7. 若仍失败，根据新反馈继续调整
8
8. 输出修改摘要和测试结果

多智能体系统#

多智能体系统（Multi-Agent System, MAS） 由多个具有不同职责的智能体协同完成复杂任务。

核心优势：

• 分布式协作：不同智能体各自负责一部分工作
• 任务并行化：同时执行数据采集、分析和报告
• 系统鲁棒性：单个智能体故障时，整体仍可继续运行
• 可扩展性：根据任务动态增减智能体数量

以无人船群为例，可以设置：

• 协调智能体：任务分配、路径规划、冲突解决
• 数据采集智能体：控制传感器、浮标和无人平台
• 数据分析智能体：处理原始数据、识别异常
• 报告生成智能体：整合结果并发布预警

海洋环境监测智能体网络#

传统海洋监测面临：

• 海域广阔，监测成本高
• 覆盖范围有限
• 赤潮和污染等事件具有突发性
• 卫星、浮标和无人平台数据来源异构
• 多源数据融合与实时分析困难

智能体网络可以由以下部分组成：

工作机制：

1
实时感知
2
→ 自主规划航线
3
→ 多智能体协同采样
4
→ 融合卫星、浮标和无人平台数据
5
→ 识别异常
6
→ 生成赤潮预警或污染物追踪结果

【PPT 图片占位符｜第 60 页】
插入“卫星—浮标—无人船/机—数据融合—预警—知识库”的海洋监测智能体网络架构图。

深海机器人自主采样#

深海环境具有黑暗、高压、人工操作成本高和风险大的特点。智能体控制的 AUV 可以自主识别目标并完成采样。

工作流程：

1
1. 感知环境
2
   声呐、摄像头和传感器采集深海信息
3

4
2. 识别样本
5
   模型识别生物或矿物样本，并确定位置
6

7
3. 精准抓取
8
   机械臂适应水流和压力变化，执行抓取
9

10
4. 分类存储
11
   自动分类样本，并同步记录元数据

核心价值：

• 减少对潜水员和持续遥控操作的依赖
• 提高采样位置和抓取精度
• 同步整合样本、环境和空间数据
• 支持构建多维深海样本数据库

【PPT 图片占位符｜第 61 页】
插入“AUV 感知环境—识别样本—精准抓取—分类存储”的自主采样流程图。

智慧渔业与鱼类迁徙分析#

传统渔业可能出现：

• 缺少实时和精准数据
• 难以判断鱼群位置
• 捕捞效率不稳定
• 过度捕捞导致资源衰退

智能体可以整合：

• 卫星遥感数据：海表温度、叶绿素浓度、洋流动态
• 历史迁徙数据：洄游路线、种群数量变化
• 实时海况和作业数据

然后完成：

1
多源数据融合
2
→ 预测鱼群分布
3
→ 判断合适捕捞时机
4
→ 推荐位置、时间和捕捞量
5
→ 根据新数据继续更新

核心价值：

• 避免过度捕捞，支持资源可持续利用
• 减少无效航行和燃油消耗
• 提高捕捞效率
• 为渔业管理提供数据驱动的科学依据
• 在生态保护与经济收益之间进行综合权衡

【PPT 图片占位符｜第 62 页】
插入“遥感数据 + 迁徙数据 → AI 分析 → 最优捕捞建议”的智慧渔业示意图。

AI伦理五大原则#

这些原则共同构成负责任智能体的基本治理框架。

模型幻觉#

模型幻觉（Hallucination） 指模型生成看似合理、实际与事实不符的内容。

主要成因：

• 模型根据统计关联生成文本，未直接“知道”事实真假
• 训练数据缺少专业领域信息
• 数据本身存在错误或偏差
• 输出可能逻辑连贯，却缺少事实依据

在海洋科学、科研写作和代码执行中，幻觉可能导致：

• 编造论文和数据
• 给出不存在的命令
• 错误解释模型或代码
• 将初始错误带入后续规划并不断放大

应对方法：

• 对关键事实进行独立核查
• 使用权威数据库和原始资料验证
• 引入领域专家审核
• 使用检索增强生成，并保留来源
• 对代码运行测试和安全检查
• 重要任务保存操作日志

WARNING

智能体输出具有语言流畅和表达自信的特点。表达方式不能代替事实证据，关键结论必须核验。

目标误解#

当目标描述不清时，智能体可能沿着错误方向认真执行。

例如，用户只说：

帮我整理文件。

智能体可能自行把“旧文件”理解为“应删除文件”，造成重要数据丢失。

更安全的指令应说明：

• 允许移动哪些文件
• 禁止删除哪些文件
• 需要保留哪些格式
• 操作范围在哪个目录
• 成功标准是什么
• 哪些操作必须先确认

例如：

将下载目录中超过 30 天的临时图片移动到“待清理”文件夹；保留所有 PDF 和 DOCX；不要删除文件；移动前先列出清单让我确认。

权限控制与沙箱#

智能体可能具备：

• 读写文件
• 执行代码
• 访问数据库
• 发送邮件
• 访问网络
• 调用支付或账号功能

权限过大时，错误计划可能造成严重后果。

沙箱（Sandbox） 是与真实系统隔离的受控环境。智能体在沙箱中执行操作时：

• 不能随意访问宿主机敏感文件
• 网络和硬件访问受到限制
• 系统调用受到监控
• 代码输出和错误可以被捕获
• 发生异常时更容易终止和回滚

【PPT 图片占位符｜第 69 页】
插入“宿主系统—沙箱环境—受限智能体”的权限隔离示意图。

最小权限原则#

最小权限原则（Principle of Least Privilege）：

只授予完成当前任务所必需的工具、数据范围和操作权限。

例如，文档总结任务通常只需要：

• 指定文件的读取权限
• 必要时的网页检索权限

它通常不需要：

• 删除文件
• 修改系统设置
• 访问支付账户
• 读取无关私人目录

最小权限可以降低：

• 误删文件
• 越权操作
• 数据泄露
• 恶意指令造成的影响

隐私保护#

处理用户信息或敏感海洋数据时，应采用：

1. 数据脱敏
   删除或替换能够直接识别个人身份的信息。

2. 数据最小化
   只收集和保存完成任务所需的数据。

3. 差分隐私
   在统计结果中加入受控随机噪声，降低单个个体被反推的风险。

4. 加密传输与存储
   防止数据在传输和保存过程中被窃取。

5. 权限分级
   根据用户和任务限制数据访问范围。

日志、人工确认与责任追溯#

重要任务应保留完整操作日志，包括：

• 时间戳
• 执行主体和智能体 ID
• 用户指令
• 工具调用与参数
• 输出结果
• 修改的文件或数据
• 系统环境与依赖版本
• 错误、异常和警告

日志用于：

• 复盘错误
• 定位安全漏洞
• 追踪责任
• 验证智能体是否越权
• 恢复受影响的数据

对于高风险操作，应设置人类确认（Human Confirmation）：

1
识别关键操作
2
→ 说明即将执行的内容和风险
3
→ 请求用户批准
4
→ 根据批准结果执行或中止

需要人工确认的典型操作：

• 删除或覆盖文件
• 发送邮件和消息
• 提交代码
• 修改数据库
• 进行支付
• 控制昂贵或危险设备

TIP

安全设计的基本思路可以概括为：

1
明确目标
2
+ 最小权限
3
+ 沙箱隔离
4
+ 人工确认
5
+ 隐私保护
6
+ 完整日志

必须理解#

1. 智能体的定义，以及“目标驱动、主动行动、闭环反馈”三个核心特征
2. 感知、目标、规划、行动、记忆、反馈六个基本组成
3. “观察—决策—行动—反馈”的工作循环
4. 反应式、目标型、效用型、学习型和大语言模型智能体的区别
5. 一个实际系统可以同时具有多种智能体特征
6. 大语言模型智能体的工具调用、上下文、任务分解、自我检查和人工确认
7. Vibe Coding 的工作方式，以及人类从代码实现者向需求定义和结果审查者的角色变化
8. Claude Code 如何通过读取项目、修改代码、运行测试和持续反馈形成闭环
9. 多智能体系统在海洋环境监测、深海采样和智慧渔业中的应用逻辑
10. 幻觉、目标误解、权限过大和隐私泄露等风险，以及对应的安全措施

需要会判断的典型问题#

• 给出一个系统，判断它更接近搜索引擎、聊天机器人还是智能体
• 给出一个场景，判断其中体现了哪类智能体
• 说明某个任务中的感知、目标、规划、行动、记忆和反馈分别是什么
• 解释 Vibe Coding 与传统编程、AI 辅助补全的区别
• 为海洋场景设计一个简单的智能体工作闭环
• 识别智能体任务中的安全风险，并提出最小权限、沙箱、人工确认和日志方案

本章一句话总结#

智能体让人工智能从“生成回答”进一步走向“围绕目标持续行动”，其价值来自感知、规划、工具和反馈的闭环，其可靠使用依赖清晰目标、权限边界、人工监督和责任追溯。