记录

To summarize, an Agent is a system that uses an AI Model (typically an LLM) as its core reasoning engine, to:

总而言之，智能体是一个使用人工智能模型（通常是逻辑逻辑模型）作为其核心推理引擎的系统，其功能是：

• Understand natural language: Interpret and respond to human instructions in a meaningful way.
  理解自然语言： 能够以有意义的方式理解和回应人类指令。
• Reason and plan: Analyze information, make decisions, and devise strategies to solve problems.
  推理和计划： 分析信息，做出决策，并制定策略来解决问题。
• Interact with its environment: Gather information, take actions, and observe the results of those actions.
  与环境互动： 收集信息，采取行动，并观察这些行动的结果。

以国际象棋系统为例，AI 目标始终如一：“让系统像人类一样下棋”。但实现路径不同：

• 符号 AI 方法（ML 出现前）：程序员编码所有棋规和策略，如“控制中心”、“保护国王”，需要专家手工编写数千条规则，系统在新局面下容易失效。
• 机器学习方法：让计算机分析数百万棋局，从数据中自动学习获胜策略。无需编码具体走法，系统通过统计分析游戏结果发现制胜模式。

这一转变说明了 ML 为何成为主流：数据驱动系统能适应程序员未预见的情况，而规则系统受限于原始编程。

核心定义

• 人工智能（AI）：旨在让系统具备人类智能所需的能力，包括学习、推理和适应新环境。
• 机器学习（ML）：通过计算方法自动从数据中发现模式，而非遵循预设规则，实现 AI 目标的实践路径。

从规则驱动 AI 到数据驱动 ML，是计算史上最重要的转变之一。这一变革解释了机器学习系统工程为何成为独立学科：通往智能系统的路径，已转变为如何工程化构建能在大规模环境下高效学习的数据系统。

机器学习系统

机器学习系统 是由三大核心组成部分构成的集成计算系统：（1）数据，指导算法行为；（2）学习算法，从数据中提取模式；（3）计算基础设施，支持学习过程（即训练）和知识应用（即推理/服务）。三者协同，使系统能够基于学习到的模式进行预测、内容生成或行动决策。

统计方法带来了三大核心理念，至今仍是 AI 发展的基础。第一，训练数据的质量和数量与算法本身同等重要，AI 只能学习样本中存在的模式。第二，必须有严格的评估方法衡量 AI 性能，催生了各种度量指标用于比较不同方法。第三，精度（预测正确率）与召回率（覆盖所有应检出的情况）之间存在权衡，设计者需根据应用需求做出取舍。这些挑战需要系统化方法：第 6 章：数据工程详述数据质量与漂移检测，第 12 章：AI 基准测试探讨评估指标及精度 - 召回权衡。垃圾邮件过滤可容忍部分垃圾邮件以避免误杀重要邮件，而医学诊断系统则宁可多报假警以确保不漏诊。