从 LLM 到 AI 智能体

我们在课程的第一单元中学到，AI 智能体能够规划和做决策。 虽然 LLM 已经使与 NPC 的交互更加自然，但智能体 AI 通过允许角色做出决策、规划行动和适应变化的环境，进一步推进了这一点。

为了说明区别，想想一个经典的 RPG NPC：

• 使用 LLM：NPC 可能以更自然、多样的方式回应你的问题。这对对话很好，但 NPC 保持静态，除非你先做什么，否则它不会行动。
• 使用智能体 AI：NPC 可以决定寻找帮助、设置陷阱或完全避开你，即使你没有直接与它交互。

这个小转变改变了一切。我们正在从脚本化响应者转向游戏世界中的自主行动者。

这种转变意味着 NPC 现在可以通过目标导向的行为直接与环境交互，最终导致更动态和不可预测的游戏玩法。

智能体 AI 为 NPC 提供了：

• 自主性：基于游戏状态做出独立决策。
• 适应性：响应玩家行动调整策略。
• 持久性：记住过去的交互来指导未来的行为。

这将 NPC 从反应性实体（对你的输入做出反应）转变为游戏世界中的主动参与者，为创新游戏玩法打开了大门。

智能体的重大限制： 它很慢 （目前）

然而，让我们现在不要过于乐观。尽管有其潜力，智能体 AI 目前在实时应用中面临挑战。

推理和规划过程可能引入延迟，使其不太适合像Doom或超级马里奥兄弟这样的快节奏游戏。

以Claude Plays Pokémon为例。如果你考虑思考所需 token 数量，加上行动所需的 token 数量，就会清楚地发现，我们需要完全不同的解码策略来使实时游戏变得可行。

大多数游戏需要以大约 30 FPS 运行，这意味着实时 AI 智能体需要每秒行动 30 次，这在当前的智能体 LLM 中是不可行的。

然而，像宝可梦这样的回合制游戏是理想的候选者，因为它们为 AI 提供了足够的时间来深思熟虑并做出战略决策。

这就是为什么在下一节中，你将构建自己的 AI 智能体来进行宝可梦风格的回合制战斗，甚至挑战它。让我们开始吧！

Update on GitHub