关于AI agent与面向对象

都说ai agent是未来，是行业落地，是AGI的关键。我一直在想agent和面向对象有什么区别？有什么是面向对象做不了，需要用agent的？

agent里大部分概念其实和面向对象是对应的，没有太多新东西。长期记忆对应数据库，短期记忆对应内存，action对应对象方法，状态和计划对应面向对象编程的各种if else就好，所谓目标，就是抽象层级高一些的方法就是。抽象层级高的方法，内部if else判断多写一些，调用抽象层级低的action，不和agent所谓ReAct效果一模一样吗？

如果你说区别在于plan是LLM做的，而if else是人脑做的，那么问题来了：你设计个系统，要不要做黑盒和白盒测试？白盒测试不就是验证LLM是不是按你设想的if else在制定plan? 边界测试时，是不是就是在测plan会不会自动调整，和测边界情况的if else有什么不同？甚至不到测试阶段，你写action时就已经人脑想好了各种if else，各种plan了，对吧？也就是说，就算有LLM做plan，但人脑做plan的工作还是省不掉！工作量一点也没少啊！

更严重的问题是：如果ReAct的plan只有一两步，那么还不如直接调action，LLM生成plan简直多此一举；而如果ReAct生成的plan很复杂，有很多步，还有各种边界情况可能不停调整plan，虽然LLM的价值看似大了一些，但因为LLM function calling的准确性问题，哪怕90%的准确率，但多轮step下来，整个plan的准确率会直线下滑，还不如传统编程多写几个if else可控。

multi-agent看似很棒，但其实多agent合作和多对象合作有什么区别？多step的准确性问题不解决，越多agent越不可靠吧。

基本上，agent能做的事情，面向对象都能做，甚至做得更好。agent的王牌是ReAct，输入目标，LLM自动生成plan，代替人脑写if else。agent如果要想立足，真正取代if else硬编码，那么两件事很关键：

补短 — LLM变得更聪明，prompt引导写得再详细清晰一点，从而提高多step的plan的成功率。

扬长 — 1、action写得很丰富，最好高抽象层级和低抽象层级的action都写上。然后充分发挥“用户输入目标，LLM自动生成plan的优势”，把agent内部想象成一个乐高积木，积木越多，越可能搭出各种有趣的成品。action就是积木，LLM就是搭积木的人，而用户尽管提需求。step越意外，agent越强大。产品内测时，就让产品和测试放飞了去提需求，agent越耐燥越好。

2、agent的另一个优势是多模交互和nlp。不同于传统的GUI交互，用户只能点击有限的按钮，触发预设好的step。多模交互和nlp，可以支持用户以更丰富更自由的形式去提需求，配合1中提到的丰富action、聪明的LLM自动生成plan，agent的威力就能最大化了。

agent的潜力暂时还没被发掘出来，最佳实践有待市场先驱们多多努力，打造些成功案例出来。LLM只是起点，agent才是完成形态，我们需要更多聪明脑袋投入进来，早日树立标杆引爆市场。agent火了，从“互联网+”时代才真正交棒到“AI+ ”时代。