从反应式到规划式
在智能体设计的演进中，我们从反应式智能体，它们根据简单规则将感知直接映射到动作（例如，“如果前方汽车刹车，则启动刹车”），发展到问题求解智能体。反应式智能体操作于即时环境，而问题求解智能体是基于目标的。它们会考虑其动作的未来后果，以找到满足特定目标的动作序列。
- 反应式智能体： $Action = Function(Percept)$
- 规划式智能体： $Action\_Sequence = Search(State, Goal)$
原子状态表示
在这个基本层面，智能体使用原子表示。这意味着世界的状态被视为一个黑箱——一个对搜索算法不可见的、没有内部结构的基本节点。智能体仅推理关于：
- 状态 ($S$)： 环境的快照。
- 动作 ($A$)： 状态之间的转换。
- 目标测试： 检查状态 $s \in S_{goal}$ 的布尔值。
问题求解循环
问题求解智能体遵循一个独特四步循环来导航环境：
- 目标制定： 根据当前情况决定要追求哪个目标。
- 问题制定： 将现实世界抽象成一个数学模型（状态和动作）。
- 搜索： 模拟动作序列以找到最优路径。
- 执行： 在搜索阶段找到的动作，无需进一步考虑即可执行（假设环境是静态的）。
Python 实现 (agent_types.py)
1
class ReflexAgent:
2
defact (self, percept):
3
# 直接映射：规则 -> 动作
4
return rules.get(percept, default_action)
5
6
class ProblemSolvingAgent:
7
def__init__ (self):
8
self.seq = [] # 缓冲的动作序列
9
10
defact (self, percept):
11
# 如果我们正在执行中，则继续
12
ifself.seq:
13
returnself.seq.pop (0))
14
15
# 否则，规划（搜索）
16
state = self。update_state(percept)
17
goal = self。formulate_goal(state)
18
problem = self。formulate_problem(state, goal)
19
20
# 搜索返回动作列表
21
self.seq = search_algorithm(problem)
22
23
returnself.seq.pop (0))