原文出处：Hugging Face Agents Course · units/zh-CN/unit1/actions.mdx 原作者：Hugging Face · 许可证：Apache-2.0 License 本篇为课程官方中文译文（Hugging Face 社区翻译），诸葛AI学院仅做格式整理（去除图片与交互组件），版权归原作者所有。

动作：使智能体能够与环境交互

在本节中，我们将探讨 AI 智能体 (AI agent) 与其环境交互的具体步骤。

我们将介绍动作 (actions) 如何被表示（使用 JSON 或代码），停止和解析方法 (stop and parse approach) 的重要性，以及不同类型的智能体。

动作是AI 智能体 (AI agent) 与其环境交互的具体步骤。

无论是浏览网络获取信息还是控制物理设备，每个动作都是智能体执行的一个特定操作。

例如，一个协助客户服务的智能体可能会检索客户数据、提供支持文章或将问题转交给人工代表。

智能体动作的类型 (Types of Agent Actions)

有多种类型的智能体采用不同的方式执行动作：

智能体类型	描述
JSON 智能体 (JSON Agent)	要执行的动作以 JSON 格式指定。
代码智能体 (Code Agent)	智能体编写代码块，由外部解释执行。
函数调用智能体 (Function-calling Agent)	这是 JSON 智能体的一个子类别，经过微调以为每个动作生成新消息。

动作本身可以服务于多种目的：

动作类型	描述
信息收集 (Information Gathering)	执行网络搜索、查询数据库或检索文档。
工具使用 (Tool Usage)	进行 API 调用、运行计算和执行代码。
环境交互 (Environment Interaction)	操作数字界面或控制物理设备。
通信 (Communication)	通过聊天与用户互动或与其他智能体协作。

智能体的一个关键部分是在动作完成时能够停止生成新的标记 (tokens)，这对所有格式的智能体都适用：JSON、代码或函数调用。这可以防止意外输出并确保智能体的响应清晰准确。

大语言模型 (LLM) 只处理文本，并使用它来描述它想要采取的动作以及要提供给工具的参数。

停止和解析方法 (The Stop and Parse Approach)

实现动作的一个关键方法是停止和解析方法。这种方法确保智能体的输出具有结构性和可预测性：

以结构化格式生成 (Generation in a Structured Format)：

智能体以清晰、预定义的格式（JSON或代码）输出其预期动作。

停止进一步生成 (Halting Further Generation)：

一旦动作完成，智能体停止生成额外的标记。这可以防止额外或错误的输出。

解析输出 (Parsing the Output)：

外部解析器读取格式化的动作，确定要调用哪个工具，并提取所需的参数。

例如，需要检查天气的智能体可能输出：

json Thought: I need to check the current weather for New York. Action : { "action": "get_weather", "action_input": {"location": "New York"} }

然后框架可以轻松解析要调用的函数名称和要应用的参数。

这种清晰的、机器可读的格式最大限度地减少了错误，并使外部工具能够准确处理智能体的命令。

注意：函数调用智能体的操作方式类似，通过构造每个动作，使指定的函数能够使用正确的参数被调用。我们将在未来的单元中深入探讨这些类型的智能体。

代码智能体 (Code Agents)

另一种方法是使用代码智能体。这个想法是：代码智能体不是输出简单的 JSON 对象，而是生成一个可执行的代码块——通常使用 Python 等高级语言。

这种方法提供了几个优势：

表达能力 (Expressiveness)： 代码可以自然地表示复杂的逻辑，包括循环、条件和嵌套函数，提供比 JSON 更大的灵活性。
模块化和可重用性 (Modularity and Reusability)： 生成的代码可以包含在不同动作或任务中可重用的函数和模块。
增强的可调试性 (Enhanced Debuggability)： 使用明确定义的编程语法，代码错误通常更容易检测和纠正。
直接集成 (Direct Integration)： 代码智能体可以直接与外部库和 API 集成，实现更复杂的操作，如数据处理或实时决策。

例如，一个负责获取天气的代码智能体可能生成以下 Python 代码片段：

```python

Code Agent Example: Retrieve Weather Information

def get_weather(city): import requests api_url = f"https://api.weather.com/v1/location/{city}?apiKey=YOUR_API_KEY" response = requests.get(api_url) if response.status_code == 200: data = response.json() return data.get("weather", "No weather information available") else: return "Error: Unable to fetch weather data."

Execute the function and prepare the final answer

result = get_weather("New York") final_answer = f"The current weather in New York is: {result}" print(final_answer) ```

在这个例子中，代码智能体：

通过API调用获取天气数据，
处理响应，
并使用print()函数输出最终答案。

这种方法也遵循停止和解析方法，通过明确划定代码块并表明执行完成的时间（在这里，通过打印 final_answer）。

我们了解到动作通过执行清晰、结构化的任务（无论是通过 JSON、代码还是函数调用）来连接智能体的内部推理和其现实世界的交互。

这种深思熟虑的执行确保每个动作都是精确的，并通过停止和解析方法准备好进行外部处理。在下一节中，我们将探索观察 (Observations)，看看智能体如何捕获和整合来自其环境的反馈。