人工智能中的 5 种代理类型是什么？
在我们深入探讨 15 个现实世界的 AI 代理示例之前，让我们先讨论一下AI 代理的 5 种类型。了解这些类别将使您更清楚地了解它们的工作原理以及它们在您的项目中的适用位置。
简单反射代理
简单反射代理是一种使用当前数据并忽略过去数据的人工智能代理。它使用系统中编码的一组条件-动作规则来做出决策或采取任何行动。这类代理简单易懂，适用于条件导致动作的简单情况。
简单反射代理的一个例子是电子邮件系统中的垃圾邮件过滤器。在这种情况下，过滤器可以充当简单的反射代理，通过分析传入的电子邮件，并根据预定义的规则或模式（例如，存在某些关键字、可疑链接或发件人信誉）将其分类为“垃圾邮件”或“非垃圾邮件”。
基于模型的反射代理
基于模型的反射代理稍微复杂一些，因为它们会利用外部世界的当前状态及其内部模型来决定最佳行动。因此，它们基本上是通过维护内部环境来部分地观察外部环境。
对外部环境的这种部分观察，使它们能够更新对之前分析过的世界的理解。因此，这些智能体在以下环境中非常有用：
– 没有提供完整信息。
– 需要考虑某种形式的历史。
基于模型的反射代理的一个例子是虚拟助手。实际上，虚拟助手会维护用户偏好、上下文和过往交互的模型，以提供更准确的响应。例如，如果用户问“天气怎么样？”，助手会利用当前查询（感知）及其内部模型（例如，用户的位置和时间）来提供准确的响应。
基于目标的代理
基于目标的代理使用他们所拥有的世界模型来考虑他们的行为的未来后果，以实现特定的目标。
这些类型的代理非常适合复杂的规划和决策任务，在这些任务中实现特定的结果是您的首要任务。
基于目标的反射代理的一个例子是电影推荐系统。Netflix、YouTube 和其他类似平台都拥有推荐系统，旨在通过推荐用户可能喜欢的内容来最大化用户满意度。该系统会评估用户的偏好、过往行为和可用内容，然后选择符合目标的推荐，以保持用户的参与度。
基于效用的代理
这些智能体更加先进。它们的目标不仅仅是实现目标：它们会最大化满意度或幸福感，也就是所谓的效用。它们会评估不同状态下的潜在效用，并选择能够最大化效用参数的行动。
基于效用的代理在需要在不同标准和变量之间进行优化的场景中非常有用。例如，它们在金融分析和个性化推荐系统中表现出色，因为最佳结果取决于最大化某些指标。
基于效用的代理的一个例子是股票交易机器人。人工智能交易系统会分析市场数据，以决定何时买入、卖出或持有股票。它们通过最大化利润，同时最小化风险和交易成本来实现这一目标。
学习代理
学习型代理会随着时间的推移不断提升自身性能，并适应新的环境。它们可以根据过去的经验和反馈调整行为，从环境中学习，从而做出更明智的决策。所以，它们从一套基本知识开始，并根据经验不断改进。
这些代理在条件不断变化的动态环境中至关重要。例如，它们被用于自适应系统，例如个性化学习平台、市场趋势分析工具，以及不断适应新威胁的安全系统。
学习代理的例子包括具有自适应学习功能的自动驾驶汽车。事实上，自动驾驶汽车通过分析现实世界的驾驶数据来学习提高驾驶性能。汽车会从自身的驾驶经验（例如，应对不同的天气状况和交通模式）以及车队中其他车辆收集的数据中进行学习。代理会使用监督学习（例如，使用带标签的驾驶数据进行训练）和强化学习（例如，通过模拟或现实世界的反馈学习最佳驾驶策略）。
15个AI代理示例
正如您已经看到的，人工智能代理有多种形式，从简单的基于规则的系统到高级的基于学习的模型。
您可以使用各种工具和框架来构建它们，例如用于创建基于语言的复杂代理的LangChain 、用于多代理协作的AutoGen ，以及用于集成 AI 的可定制、无代码/低代码自动化的n8n。每种工具都有其独特的优势，具体取决于您需要的是精细控制、快速原型设计还是可扩展的工作流程。
在本节中，我们将重点介绍n8n AI 代理示例，因为它们为开发者提供了灵活性，使他们能够设计和自动化智能工作流，而无需受限于特定框架。n8n 拥有源代码开放的特性和强大的集成能力，可以轻松地将 AI 模型与实际流程连接起来，非常适合构建实用且可立即投入生产的 AI 代理。
基本 AI 代理聊天
此工作流程使用OpenAI的语言模型和SerpAPI来创建响应式对话代理。它具有手动聊天触发器和内存缓冲功能，可确保无缝交互。
我们为什么喜欢它
这是您可以使用 n8n 中的 AI 代理创建的最基本的 AI 聊天机器人，因此它有助于您对我们的产品和流程建立信心。不过，请注意，您可以创建更复杂的聊天机器人，例如“使用 Google Docs 和 Telegram 集成，具有长期记忆和笔记存储功能的 AI 代理聊天机器人”。
基于视觉的AI代理抓取工具
如果您习惯从网络上抓取数据，我们知道管理 CSS 选择器、Xpath 以及任何相关内容可能会很麻烦。这时，这个工作流程就派上用场了！
这种代理工作流程可轻松提取数据，无需担心 DOM（文档对象模型）的结构，从而避免了抓取网站时常见的麻烦。
此工作流程通过以下方式实现数据抓取的自动化：接收聊天输入触发流程，使用ScrapeBee API从Google Sheet抓取 URL，然后使用基于Google Gemini 的AI 代理处理数据。它会提取抓取的内容并将其整理成结构化格式，然后将其存储回 Google Sheets 中，以便于访问和进一步使用。
我们为什么喜欢它
n8n 提供了多种 AI 驱动的抓取工作流程，但我们特别喜欢的是它使用了ScrapeBee。它提供了强大的功能，可以截取整页截图并检索 HTML 数据进行回退提取，让您摆脱 CSS 选择器和 XPath 的束缚。
用于查询可视化的 SQL 代理
当您只需要快速绘制图表来理解数据时，SQL 查询可能会很麻烦。此工作流程通过使用OpenAI和QuickChart将数据可视化添加到原生 SQL 代理，简化了这一流程。
AI 代理使用 OpenAI 驱动的信息提取器提取信息，查询Postgres数据库并维护查询历史记录。然后，它使用文本分类器分析数据，如果需要绘制图表，工作流程将通过 OpenAI API 触发 QuickChart。
我们为什么喜欢它
此工作流程允许您仅在 AI 代理理解需要时才根据 SQL 查询绘制图表。因此，基本上，您只需设置验收参数，然后让自动化为您工作，仅在需要时绘制图表。这非常节省时间！
网页抓取AI代理
是的，又一个抓取工作流程！在 n8n，我们知道抓取是一个广阔的领域，其中有很多细微之处需要理解和解决。这个工作流程与上一个工作流程不同，因为它使用了 ReAct AI 代理（它可以推理和行动），并像“传统”抓取工具一样提取 HTML 正文。
它使用ReAct AI Agent节点获取网络上的页面，将查询字符串转换为 JSON，并通过HTTP 请求节点检索内容。
我们为什么喜欢它
此工作流程采用了任何工程师都会使用的典型抓取流程。因此，虽然您需要管理 HTML 正文、标签以及任何相关内容，但如果您从未使用过 n8n 抓取网页数据，这可以作为您的起点。
那么，为什么不现在就尝试一下呢？
AI数据分析师代理
这个 AI 代理示例将电子表格数据转换为交互式的、由 AI 驱动的知识库，通过将数据存储在NocoDB中，用户可以通过自然语言查询、可搜索性和比较分析获得深刻的见解。
我们为什么喜欢它
说实话：每个人都会把至少一个电子表格当成数据库来用！这个工作流程对于大型电子表格尤其有用。数据分析师最大的痛点在于合并不同的电子表格，或者分析非常大的电子表格来获取洞见。这个工作流程只需点击几下鼠标，就能避免所有此类流程带来的麻烦。
AI代理与SQL Lite对话
如果不用编写查询语句，而是用自然语言提示就能从数据库中获取答案，那该有多棒啊！这简直太棒了，不是吗？！嗯，这个工作流程就是这样做的！在这个工作流程中，代理可以理解自然语言查询，并与教程中的 SQLite 数据库交互，从而提供准确的答案。
我们为什么喜欢它
我们喜欢使用教程数据库：这是增强 n8n 使用信心的好方法。但是，如果您想让此工作流程适用于您的场景，则必须根据您的需求进行定制。在这种情况下，如果您的场景比较复杂，您可以从我们先进的代理数据库工作流程中受益，例如“仅从架构生成 SQL 查询 – AI 驱动”工作流程。
AI电子邮件摘要代理
此工作流程利用人工智能实现电子邮件管理自动化。它会在一天中可自定义的时间从您的Gmail帐户获取电子邮件，总结要点和操作，并发送两次简明更新：早上一次，晚上一次。告别通知干扰，不再需要花费大量时间阅读无数封电子邮件！
我们为什么喜欢它
我们来好好聊聊为什么我们喜欢代理邮件汇总器吧！对于所有仍然通过电子邮件管理沟通的公司来说，这都是完美的解决方案！另外，如果您不想通过电子邮件发送汇总邮件，您可以使用Slack节点或Teams节点，具体取决于您公司使用的聊天解决方案。
AI会议总结代理
我们又一次意外发现了！您是否经常参加视频会议，需要做笔记？这个工作流程正好适合您！它可以实时自动转录，确保关键讨论和决策被准确记录，并方便日后查阅，从而提高沟通效率和清晰度。
在这个工作流程中，记录数据通过Supabase节点进行结构化，保存到Postgres数据库中，并通过 OpenAI 进行汇总。
我们为什么喜欢它
此工作流程结合了 Recall.ai、OpenAI 和 Supabase，可实现实时转录、AI 洞察和结构化数据存储，比专用工具更加灵活。它提供完全的自定义和控制功能，让您能够根据业务需求定制操作、数据处理和存储。
人工智能客户支持代理
如果您是支持工程师，您一定深有体会被客户工单淹没的滋味！这个工作流程帮您搞定。它利用人工智能自动处理电子邮件支持，根据您存储在 Google Drive 中的知识库，提供智能的、情境感知的回复，并创建回复草稿，供客户审核后发送。告别被客户工单淹没的烦恼！
我们为什么喜欢它
这个工作流程真的可以彻底革新您的支持服务！如果您的支持工程师被客户的工单淹没，那么雇佣新员工可能并非良策：您可以尝试使用这个工作流程来自动化他们的回复！
请注意，此工作流程依赖于Google Drive中的知识。如果您的知识库位于其他地方（例如，Jira、GitBook、GitHub 或其他任何地方），您可以使用 HTTP 请求节点设置存储知识的 URL，使用 Schedule Trigger 节点不时触发，将结果存储到您想要的任何数据库中，并使用 OpenAI 聊天节点验证是否发生了任何更改。
公司文件的AI代理
大型公司通常拥有大量的文档，这常常使在海量文档库中寻找答案的员工感到沮丧。此工作流程非常实用，因为它实现了一个 RAG 聊天机器人，可以根据存储在 Google Drive 中的公司文档回答员工的问题。
我们为什么喜欢它
有时，无论有没有结构化策略，文档库都会随着时间的推移而不断增长。这种由人工智能驱动的工作流程可以为您节省大量在大型文档库中搜索答案的时间，尤其是在您没有所有权，而您的同事只是在其中更新和添加新文档，而您却感觉失去了对公司知识的控制的情况下。
现在尝试此工作流程来加快您对文档库的提问速度：
AI 代理利用 MITRE ATT&CK 自动丰富 SIEM 警报
2025年，网络安全问题已成为所有公司的核心问题。安全团队会收到大量缺乏可操作上下文的原始SIEM警报，而手动调查每一条警报非常耗时。此工作流程通过以下方式解决了这个问题：
- 使用MITRE ATT&CK TTP（策略、技术和程序）自动丰富 SIEM（安全信息和事件管理）警报。
- 根据已知的攻击技术对警报进行标记和分类。
- 提供补救步骤来指导响应团队。
- 利用相关威胁情报增强 Zendesk 中的安全票证。
我们为什么喜欢它
如今，安全至关重要，而此工作流程的实际附加价值在于它集成了 MITRE ATT&CK TTP。这意味着即使您没有专门的安全团队，也能为公司带来益处。请注意，在本例中，警报来自Zendesk 工单，但您可以修改此设置，从其他来源获取警报，例如聊天机器人或任何适合您需求的来源。
AI代理与GitHub的API文档进行聊天
GitHub 无疑是 IT 专业人士最常用的 Git 系统之一。然而，使用它的 API 有时会比较棘手，这时这个工作流程就能派上用场了。这个工作流程创建了一个聊天机器人，让你可以用自然语言与GitHub API 文档进行聊天，从而节省你的研究时间，尤其是在你需要使用它但时间紧迫的情况下。
我们为什么喜欢它
您可能认为如今每个法学硕士 (LLM) 都能解答您的所有问题，因此您可能会直接向 ChatGPT 或任何法学硕士 (LLM) 寻求有关如何使用 GitHub API 的答案。然而，法学硕士 (LLM) 很少接受再培训，可能会错过更新。相反，此工作流程可确保您获得更新的响应，因为它会通过 HTTP 请求节点传递文档的 URL，从而确保法学硕士 (LLM) 基于更新的数据进行推理。
AI 代理用于微调 OpenAI 模型
LLM 最重要的特性之一是它可以根据特定提示进行微调。其理念很简单：你得到一个已经训练好的模型，然后对其进行微调。这个工作流程正是如此：它根据你存储在 Google Drive 中的文档对 OpenAI 模型进行微调，使其能够根据这些特定知识提供定制化的答案。
我们为什么喜欢它
此工作流程简单易懂，只需几分钟即可微调模型，并根据您自己的文档获得定制的响应。但是，请注意，由于您将文件直接加载到OpeAI 平台，因此这可能会引发安全问题，尤其是对于“敏感”文档。如果您想避免这种情况，可以尝试根据您的特定需求调整此工作流程：它使用Ollama运行Mistral NeMo作为自托管 LLM，以解决您的安全问题。
Telegram 机器人的 AI 代理
如果您想要一个使用新发布的 LLM DeepSeek的Telegram聊天机器人，那么这个工作流程绝对适合您。该工作流程还通过Google Docs集成了长期记忆功能，以便为用户提供个性化和情境感知的响应。
我们为什么喜欢它
在所有使用 n8n 自动化的聊天机器人中，这款机器人功能最为完善，因为它能够管理用户验证、短期和长期记忆以及错误管理。它还使用了最近发布的DeepSeek 节点，展现了 n8n 如何走在最新技术创新的前沿。
AI代理与Airtable聊天并分析数据
如果您在 Airtable 中苦苦寻觅数据时迷失了方向，那么好消息是：这种困境早已一去不复返！此工作流程创建了一个集成Airtable数据集的 AI 驱动对话代理，对于希望通过聊天界面增强数据交互的用户尤其实用。通过与 Airtable 数据集进行对话式交互，您可以快速检索重要信息，同时最大限度地减少复杂查询的需求。
我们为什么喜欢它
在Airtable中检索数据时，导航可能非常棘手，而此工作流程确实能帮您解决！请注意，内存直接通过 OpenAI API 管理：与我们迄今为止见过的其他方法不同。另请注意，工作流程的第一步需要您手动插入与要提取的数据相关的不同实例和模式。这通常不易管理，因为属性并非总是先验已知的。为了解决这个问题，您可以尝试引入 Dynamic Prompts AI 工作流程的 解决方案。
