大模型应用开发第六讲：目标：从被动响应到主动决策与执行

大模型应用开发第六讲：目标：从被动响应到主动决策与执行

资料取自《大模型应用开发：动手做AI Agent 》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

---

AI Agent进化论：从「问答机」到「执行官」

用 咖啡店服务员 vs 智能管家 对比，解析如何让AI从机械应答转变为主动服务

---

一、能力对比表（全局认知）

	被动响应模式	主动决策模式
交互方式	用户问什么答什么（类似电话客服）	预判用户需求并执行（类似管家）
决策深度	单轮对话，无后续行动	多步骤规划+跨系统操作
核心价值	信息传递（知道≠做到）	结果交付（说到就能做到）
技术实现	基础Prompt工程	工具链+记忆系统+自我优化机制
经典案例	查天气/翻译文本	健康异常自动挂号+买药送到家

---

二、被动响应的局限性（咖啡店员模式）

1. 致命短板

• 知识依赖度高：答案质量取决于训练数据（回答不了训练时不存在的问题）[2]
• 无行动能力：只能动嘴不能动手（知道机票价格但不会买）[5]
• 健忘症患者：多轮对话需反复确认信息（用户说"按上次地址寄"→必须追问具体地址）[5]

2. 生活翻车案例

场景：用户说“明天飞北京的航班最早几点？”

• 被动响应结果 → 展示起飞时间（但用户实际想订票）
• 用户不得不追问 → “帮我订这张票” → 系统再次索要个人信息 → 体验割裂5

flowchart TD
    A[用户提问] --> B(返回航班时间清单)
    B --> C{用户是否继续提问?}
    C -->|是| D[进入新会话循环]
    C -->|否| E[任务终止]

▲ 被动模式断点式交互（第2章对话管理缺陷）

---

三、主动决策的三重进化（智能管家模式）

1. 第一层：听懂弦外之音 → 需求预判

技术突破：

• 上下文理解：分析对话历史（用户上月频繁查婴儿奶粉 → 推测刚有孩子）2
• 意图识别：从“帮我查航班”推断用户实际需要完成订票[6]

实战案例：

用户说：“这周哪几天上海不下雨？”
→ 被动响应：列出晴雨日期表
→ 主动决策：
① 结合用户日历（周三有空）→ 推荐周三出游
② 自动预定迪士尼门票（已存储用户年卡信息）5

2. 第二层：长短期记忆结合 → 持续服务

关键技术：

• 工作记忆：记住当前任务状态（正在比价三款手机）[5]
• 长期记忆：存储用户偏好（讨厌安卓系统/常用收货地址）2

购物助手进化对比：

用户行为	被动模式	主动模式
“我想买手机”	推荐热门机型列表	①调取历史记录（上次放弃购买的机型） ②排除安卓机型 ③询问预算[5]
“预算5000左右”	再次过滤结果	①筛选达标机型 ②比价京东/天猫 ③提示“您所在小区周三有京东闪送活动”[6]

3. 第三层：闭环执行 → 真正的「做到」

行动工具箱：

• API调用：支付系统/物流系统直连（不需要人工中转）2
• 异常熔断机制：信用卡支付失败 → 自动切换备选支付方式[6]

医疗场景全流程演示：

flowchart LR
    A["用户说“胃痛三天”"] --> B["症状初步分析"]
    B --> C["工具1:预约消化科门诊"]
    B --> D["工具2:药店比价奥美拉唑"]
    C --> E{"号源是否充足?"}
    D --> F{"药品是否有库存?"}
    E & F --> G["生成方案:周四9点就诊+应急药1小时后送达"]
    G --> H["自动垫付药费+短信通知用户"]

▲ 闭环服务流程（第6章ReAct框架应用案例）

---

四、技术跃迁的四大支柱

1. 工具调用：赋予AI「手」的能力

• 接口扩展：订票系统/智能家居控制API接入（第5章Function Calling）[6]
• 权限托管：预设支付授权（单次限额500元内自动操作）[6]

2. 记忆系统：打造AI「大脑皮层」

• 工作记忆区：临时存储比价过程中的候选商品（第2章对话状态管理）[5]
• 知识沉淀池：记录用户每次拒绝推荐的原因（优化后续策略）[5]

3. 验证机制：防止AI「乱来」

• 临界值检查：购物车总价超过3000元需用户二次确认[6]
• 事实核查：生成法律文书时自动比对最新法规（第5章RAG技术）[5]

4. 自我优化：AI的「复盘会」

• 失败分析：酒店预订被取消 → 学习避免选择超售率高的供应商[4]
• 模式总结：发现用户总在周五晚买电影票 → 提前推荐热门影片[4]

---

五、行业级应用演示：家庭健康管家

▶ 被动模式 vs 主动模式效果对比

场景	被动式响应	主动式决策
血糖监测报警	播报“当前血糖值为9.2mmol/L”	①自动联系家庭医生 ②启动胰岛素泵微调 ③订无糖餐食[6]
老人未按时吃药	提示“请及时服药”	①药盒闪光提醒 ②15分钟未响应则通知子女 ③同步异常信息至社区医院[6]
运动手环检测心率异常	显示“心率120次/分钟”	①拨打急救电话 ②打开电子病历 ③解锁家门等待医护人员[4]

---

关键技术与章节索引

• 需求预判技术：对话状态跟踪（第2章2.1节）[1]
• 工具链设计：OpenAI Functions规范（第5章）[6]
• 闭环验证：ReAct框架中的思考-行动循环（第6章案例）[6]
• 长期记忆：向量数据库应用（第5章RAG技术）[5]

技术全景图：

flowchart TB
    A[用户输入] --> B(意图识别引擎)
    B --> C{是否需要行动?}
    C -->|是| D[规划工具调用顺序]
    C -->|否| E[生成自然语言响应]
    D --> F[执行API调用]
    F --> G{结果是否达标?}
    G -->|是| H[返回执行结果]
    G -->|否| I[启动备选方案]
    H & I --> J[更新记忆库]

▲ 主动决策系统架构（第2章2.2节、第6章6.3节综合）

---

行动号召：从今天开始升级你的AI

1️⃣ 检查现有系统：是否还在做"问答复读机"？
2️⃣ 装备基础工具：接入1个外部API（如天气查询）
3️⃣ 添加记忆体：记录用户最近3次偏好
4️⃣ 设计最小闭环：从查天气→推荐穿搭→一键购买雨伞

书中实操指引：

• 快速接入支付API → 《大模型应用开发：动手做AI Agent 》第5章5.4节代码案例[6]
• 构建用户画像库 → 《大模型应用开发：动手做AI Agent 》第2章2.3节向量模型部署[5]
• 异常处理设计 → 《大模型应用开发：动手做AI Agent 》第6章try-except框架[6]

---

目录：总目录
上篇文章：大模型应用开发第五讲：成熟度模型：从ChatGPT（L2）到未来自主Agent（L4）
下篇文章：大模型应用开发第七讲：OpenAI API入门 注册与API密钥获取

---