在人工智能中，智能代理（IA）指的是一個自治實體，該實體在通過傳感器和隨之而來的執行器進行觀察的環境中，將其活動指向實現目標。聰明的xxx也可以學習或使用知識來實現其目標。它們可能非常簡單或非常復雜。反射機（例如恒溫器）被視為智能代理的示例。

通常將智能代理示意性地描述為類似于計算機程序的抽象功能系統。Russell＆Norvig（2003）等研究人員認為目標導向的行為是智力的本質。規范主體可以用從經濟學借來的術語“?理性主體?”?來標記。在這種理性行動范式中，人工智能擁有其環境的內部“模型”。該模型封裝了代理商對世界的所有信念。該代理還具有封裝所有AI目標的“目標功能”。這樣的代理旨在創建和執行任何計劃，一旦完成，將使目標功能的期望值最大化。增強型學習代理可以具有“獎勵功能”，該獎勵功能允許程序員塑造AI的期望行為，而進化算法的行為則由“適應性函數”塑造。智能代理的抽象描述有時也稱為抽象智能代理（AIA），以區別于它們在計算機，生物系統或組織等現實世界中的實現。一些自主智能代理旨在在沒有人工干預的情況下運行。

人工智能中的智能主體與經濟學中的主體密切相關，并且在認知科學、倫理學、實踐理性哲學以及許多跨學科的社會認知 建模和計算機社會模擬中研究了智能主體范式的版本。

智能代理也與軟件代理（代表用戶執行任務的自主計算機程序）密切相關。在計算機科學中，智能代理是具有一定智能的軟件代理，例如，用于操作員協助或數據挖掘的自主程序（有時稱為bot）也稱為“智能代理”。

根據Nikola Kasabov（1998）的觀點，IA系統應具有以下特征：

• 逐步適應新的問題解決規則
• 在線和實時適應
• 能夠根據行為，錯誤和成功進行自我分析。
• 通過與環境的互動來學習和改進（實施例）
• 從大量數據中快速學習
• 具有基于內存的示例存儲和檢索功能
• 有參數代表短期和長期記憶、年齡、遺忘等。

Padgham＆Winikoff（2005）同意，智能代理位于環境中，并且（及時但不一定實時）響應環境變化。但是，智能代理還必須以靈活而強大的方式主動追求目標。可選的愿望包括：主體是理性的，并且該主體能夠進行信念-愿望-意圖分析。20世紀的一些定義將代理描述為幫助用戶或代表用戶行事的程序。有影響力的AIMA（2009年）將主體定義為“可以被視為通過傳感器感知其環境并通過執行器對環境進行作用的任何事物”，并將智能描述為根據某些合理的理性標準成功采取行動的能力。

“智能代理”也經常被用作模糊的營銷術語，有時也稱為“?虛擬個人助理?”。

可以為某些代理分配一個明確的“目標功能”。如果一個代理始終采取能夠成功地xxx化其編程目標功能的動作，則該代理將被視為更聰明。“目標功能”封裝了驅動代理采取行動的所有目標。對于理性主體，該功能還封裝了在實現相互沖突的目標之間可以接受的折衷方案。（例如，某些代理尋求xxx化或最小化“ 效用函數 ”、“目標函數”或“ 損失函數 ”。）理論上無可爭議的?AIXI設計是xxx的智能代理。這種范式；但是，在現實世界中，AI受時間和硬件資源的限制，科學家們競爭開發出可以在使用現實世界的硬件進行基準測試時逐漸獲得更高分數的算法。

某些傳統上不被認為是代理的系統（例如知識表示系統）有時會被歸入范式，將其框架化為具有盡可能準確地回答問題的目標的代理；這里，“動作”的概念被擴展為包括給出問題答案的“動作”。作為附加擴展，模仿驅動系統可以被構造為基于AI成功完成期望行為的接近程度來優化“目標功能”的代理。在生成對抗網絡中在2010年代，“編碼器”/“生成器”組件試圖模仿和簡化人類的文字合成。生成器正試圖xxx化一種封裝它可以欺騙敵對“預測器”/“區分器”組件的程度的功能。

雖然GOFAI系統通常接受明確的目標函數，但該范例也可以應用于神經網絡和進化計算。強化學習可以生成智能代理，這些代理似乎以旨在xxx化“獎勵功能”的方式起作用。有時，機器學習程序員不是使用獎勵功能直接等于期望的基準評估功能，而是使用獎勵塑形最初為機器的學習進度提供獎勵。Yann LeCun在2018年指出，“人們提出的大多數學習算法本質上都包括最小化某些目標函數。”AlphaZero國際象棋具有簡單的目標功能；每場勝利計為+1分，每場損失計為-1分。自動駕駛汽車的目標功能必須更加復雜。進化計算可以進化智能代理，這些智能代理似乎以xxx化“適應功能”的方式起作用，該“適應功能”影響每個代理被允許離開的后代數量。

代理功能是一個抽象概念，因為它可以合并決策的各種原理，例如計算單個選項的效用，推論邏輯規則、模糊邏輯等。

該程序中介，相反，每一個可能的知覺映射到動作。

我們使用“感知”一詞來指代代理商在任何給定時刻的感知輸入。在以下附圖中，代理是可以被視為通過傳感器感知其環境并通過執行器在該環境上作用的任何事物。

Weiss（2013）定義了四類代理商：

• 基于邏輯的代理–通過邏輯推論來決定執行什么動作；
• 反應性主體–通過某種形式的決策來實現從情況到行動的直接映射；
• 信念-愿望-意圖主體–決策取決于代表主體的信念，愿望和意圖的數據結構的操縱；
• 分層體系結構–通過各種軟件層實現決策，其中每個層或多或少都明確地在不同的抽象級別上對環境進行推理。

通常，可以通過將主體分為傳感器和執行器來構造代理，以使其與復雜的感知系統一起運行，該感知系統將對世界的描述作為控制器的輸入并向執行器輸出命令。但是，通常需要控制器層的層次結構來平衡低級任務所需的即時反應和復雜，高級目標的緩慢推理。

為了主動執行其功能，當今的智能代理通常以分層結構的形式收集，其中包含許多“子代理”。智能子代理處理并執行較低級別的功能。綜合起來，智能代理和子代理會創建一個完整的系統，該系統可以通過顯示智能形式的行為和響應來完成困難的任務或目標。

智能代理被用作自動化的在線助手，它們在其中可以感知客戶的需求，以執行個性化的客戶服務。這樣的代理基本上可以由對話系統，化身以及為用戶提供特定專業知識的專家系統組成。它們也可以用于優化在線人群的協調。