基于目标的代理旨在实现特定的目标而不是对环境做出反应。他们考虑当前的状态和期望目标，评估潜在的行动以确定最佳前进道路。
基于目标的代理依靠决策和计划来实现其目标。这些 人工智能决策工具 根据环境和目标评估可能的行动，考虑成本、回报和风险。
规划包括创建步骤路线图、将目标分解为更小的子目标以及根据需要调整计划。这些流程共同使代理商能够主动应对挑战并保持实现长期目标的轨道。
关键组件
目标：定义期望的结果或状态
搜索和规划算法：评估可能的动作和序列以实现目标
状态表示：评估可能的未来状态是否会使代理更接近或远离目标
行动：代理人为实现目标而采取的步骤
示例：仓库机器人是基于目标的代理的一个很好的例子。其目标是高效地检索和运输 比利时电报号码 仓库内的物品。它们利用规划算法，穿越过道、避开障碍物并优化路线，以快速准确地完成任务。
优点
有效实现特定目标
使用搜索算法处理复杂任务
与其他AI 技术集成以实现高级功能
4. 基于效用的代理
基于效用的代理通过考虑目标和结果的可取性，使决策更进一步。他们评估选项并选择能够最大化效用函数的行动，以衡量结果的可取性。
这些代理擅长平衡短期和长期结果。他们的计划是比较可能的行动，并选择效用最大的行动，这使得它们能够灵活地完成需要优化和适应性的任务。
预期效用假设是一种简单的方法，用于解释基于效用的代理如何在不确定的情况下做出决策。它指出代理应该选择最大化预期效用的行动，同时考虑正确尝试的概率和结果的可取性。这种方法使得基于效用的代理在需要权衡的复杂情况下特别有效。
关键组件
效用函数：衡量代理对不同结果的满意度的数学函数。
偏好：代理人的优先事项和权衡
决策算法：最大化效用的行动
示例：基于效用的代理用于基于人工智能的金融咨询系统，例如机器人顾问。分析您的财务目标、风险承受能力和当前市场趋势，以推荐风险最小的最佳投资策略。
优点
在不确定的环境中保持灵活
能够同时管理多个目标
适应不断变化的优先事项和条件
5.学习代理
学习代理通过从环境、经验和互动中学习，随着时间的推移适应并提高其性能。他们从最少的知识开始，随着收集更多数据而改进他们的行为。
这些人工智能代理使用反馈来改进他们的模型和预测，从而使他们能够做出更明智的决策，并随着时间的推移更有效地规划。
机器学习是这些智能代理的核心，使它们能够识别模式、做出预测并改进其行为。监督学习、无监督学习和强化学习等技术使这些代理能够有效地适应新的挑战和环境。
关键组件
学习要素：专注于根据新数据提高代理绩效
**性能元素：使用代理的当前知识执行任务
关键：评估代理的行为并提供反馈
问题生成器：建议采取探索性行动来提高学习效果
示例：通过用户交互而改进的AI聊天机器人是一个学习代理。它的响应最初可能有限，但它会从用户输入中学习，随着时间的推移提供更准确、更有用的答案。