基于大型语言模型的AI应用有哪五个层次？

AI

应用场景不断涌现，这让我们不由得思考：是不是存在过度工程化的问题？近期受吴恩达有关AI智能体为大模型应用主流形式观点的启发，我打算给大家介绍大型语言模型AI应用的五个层次及其特点、应用场景。

LLM应用从最简至最繁，可分为如下五个层次：在这个层次体系里，通用问答属于最基础、最简单的应用，LLM优化器却是最复杂、最强大的应用。接下来，我们会详细阐述各层次的特点与适用场景。

这是最简单的形式，像这样：

微软

其实，任何传统的NLP任务都可看作问答任务。比如：通用问答任务无需外部知识、工具，也无外部设备支持，所以被视作最基础却很有用的LLM应用层级。

RAG融合了信息检索与生成能力，回答问题时可引用外部知识库信息，所以在处理复杂任务上比普通聊天机器人更具优势。近期爆火的Kimi是通过RAG增强功能的。AI智能代理不但能解答问题，还可进行操作，像访问数据库、调用API之类的，一般用于需执行复杂任务的情形。AI Agent的应用场景会涵盖之前的SaaS和RPA，软件即服务不再是夸大之词，AI Agent不再是单纯的软件工具，而是企业的虚拟员工，这代表着端到端流程自动化业务运营能力的提高。多个AI Agents既能互相协作，也可与人协作，这会使企业工作流程被重新定义，现有的工作流程解决方案也必须借助AI来改进自身流程。

LLMO处于LLM应用的最高层级，它极为复杂且强大，目前尚在开发阶段。其整合多种高级功能，可进行复杂推理与操作，用于最前沿的AI应用。

微软近期在Windows 11中推出了Copilot。Copilot能实时监测用户操作，这或许是朝着LLM优化器迈进的一步，不过这仅仅展现了当前大型语言模型（LLMs）所能实现的部分功能。不管是QA、聊天机器人、RAG，还是代理，乃至未来的LLM优化器，这些应用都是由最基础的QA任务逐步拓展而成的。所以，理解并掌握QA和聊天机器人的工作原理极为重要，这样才能针对任务拓展相关功能。而在选择合适层次时，要依据具体任务需求而定。技术不断发展，LLM应用层次或许会进一步拓展。像AGI（通用人工智能）若能实现，会成为新的层次。不过当前，这五个层次体现了LLM应用的主要走向。理解并应用这些层次后，能更好地运用LLM技术构建贴合实际需求的AI应用，防止过度工程造成的浪费与低效。