将两篇研究论文链接到真实 AI 应用
Source: Dev.to
基于LLM的深度搜索代理调查
通过加权 A* 与启发式奖励进行自适应路径规划
当我第一次阅读这两篇论文时，我立刻想到它们与我们在人工智能课程中学习的概念——尤其是搜索算法和智能代理——有多么紧密的关联。课堂上我们通常会使用小型图示来学习 BFS、DFS、Best‑First Search 和 A* 等算法。起初，这些问题可能显得非常学术化。然而，在阅读这些论文的过程中，我意识到这些相同的思想正在被积极扩展并用于现代 AI 系统，尤其是当它们与大型语言模型（LLM）结合时。
两篇论文都在探讨智能搜索与规划的思路，但侧重点不同：
- Paper 1 关注 LLM‑based 代理如何执行深度搜索。
- Paper 2 提出使用加权 A* 与启发式奖励来改进经典路径规划算法。
Paper 1 – A Survey of LLM‑based Deep Search Agents
本文的目标是回顾并分析大型语言模型（LLM）如何充当推理代理，在可能的解空间上执行深度搜索。传统的搜索算法系统地遍历状态空间，而基于 LLM 的代理则引入了对搜索过程本身进行推理的能力。
这些代理并不是盲目展开节点，而是可以：
- 规划多步解决方案
- 评估中间结果
- 决定哪个搜索分支更有前景
这与我们在 AI 课程中学习的代理模型密切相关。我们学习了：
- 简单反射代理
- 基于模型的代理
- 基于目标的代理
- 基于效用的代理
基于 LLM 的深度搜索代理类似于 基于目标的 和 基于效用的 代理，因为它们会评估可能的行动并选择那些更接近目标的行动。
复杂推理任务的示例工作流：
- 将问题拆分为更小的步骤。
- 生成候选解。
- 评估哪个分支最有前景。
- 在该方向继续搜索。
这类似于最佳优先搜索，但指导来自语言层面的推理，而不是纯粹的数学启发式。
Source: …
论文 2 – 通过加权 A* 与启发式奖励的自适应路径规划
第二篇论文聚焦于改进路径规划算法，特别是 A* 搜索算法。
标准 A*
- (g(n)) – 从起始节点到当前节点的代价
- (h(n)) – 从节点到目标的启发式估计
评估函数为：
[ f(n) = g(n) + h(n) ]
加权 A*
论文建议使用权重 (w) 来强化启发式信息的影响：
[ f(n) = g(n) + w \times h(n) ]
增大 (w) 会使算法更“贪婪”，倾向于选择看起来更接近目标的节点。
启发式奖励
除了静态启发式函数，作者还引入了 启发式奖励，使算法能够根据环境动态调整其引导。这种适应性在以下情况下尤为有用：
- 搜索空间非常大
- 条件随时间变化
- 需要快速决策
实际示例 – 自动送货机器人
真实世界中，这些理念的应用体现在智能城市或仓库中的自动送货机器人。
使用经典 A*
| 方面 | 描述 |
|---|---|
| 路径选择 | 找到最短的几何路径。 |
| 启发式 | 通常是到目标的欧氏距离。 |
| 局限性 | 忽略移动工人、临时障碍、高流量区域以及电池限制等动态因素。 |
使用加权 A* 与自适应奖励
| 路径 | 距离 | 障碍风险 | 启发式奖励 | 结果 |
|---|---|---|---|---|
| A | 短 | 高 | 低 | 避免 |
| B | 中等 | 低 | 高 | 选择 |
| C | 长 | 中等 | 中等 | 备用 |
即使路径 A 是最短的，算法也可能选择路径 B，因为它更安全并且能实现更快的整体送货。
收益
- 更快的送货
- 降低拥堵
- 提升能源效率
合并两篇论文
最有趣的洞见在于这两种方法相互补充：
- 基于 LLM 的深度搜索代理 提供高层次的推理和战略规划。
- 加权 A* 提供高效的低层次路径优化。
未来的智能系统可以按以下方式运行：
- LLM 代理决定 做什么（例如，选择哪条送货路线或优先处理哪个任务）。
- 加权 A* 计算 如何做（执行该决策的最优路径）。
潜在的应用包括：
- 自动驾驶车辆
- 机器人仓库
- 智能物流系统
- 灾害响应机器人
手动阅读与 Notebook LM 探索的洞见
在手动阅读论文时，我注意到两者都强调 混合 AI 系统 的重要性。传统算法并未被现代 AI 模型取代；相反，它们被 增强 了。
- Notebook LM 帮助突出了关键洞见：
- 大语言模型可以通过推理引导搜索过程。
- 自适应启发式方法提升搜索效率。
将符号搜索技术与 LLM 驱动的推理相结合，似乎是构建更强大、更适应性的 AI 代理的有前景的方向。
使用神经模型的 Lic 搜索算法
使用神经模型的 Lic 搜索算法是一个不断增长的研究方向。
NotebookLM 还帮助总结了论文的复杂章节，使人们更容易了解这些算法如何在真实环境中扩展。
个人反思
阅读这些论文帮助我将 AI 课程中的概念与真实的研究进展联系起来。我们在编程作业中练习的 A* 等算法仍然是现代 AI 系统的基础。
不同之处在于，研究人员现在将这些算法与大语言模型和自适应启发式方法结合，使其更加智能和灵活。
这表明学习经典算法仍然极其有价值，因为它们构成了高级 AI 系统的基石。
Mention: @raqeeb_26