1.4 预备知识：数学与编程基础

1.4 预备知识：数学与编程基础

本节摘要：造智能体需要两把工具——数学和编程。本节把线性代数、概率统计、微积分、离散数学分别「安放」到智能体的感知、决策、学习等环节，再用 Python 把数据类型、运算符、控制流、函数、类逐一过一遍，最后用「感知—决策—行动」的智能体类骨架演示这些基础怎么组合起来。读完本节，你能说出每块数学知识在智能体里管什么，也能用类组织一个最小智能体。

阅读收获

阅读完本节，你应当能够：

1. 说出线性代数、概率统计、微积分、离散数学在智能体中的对应角色
2. 用向量表示状态、用矩阵表示线性变换，并理解特征值在降维中的作用
3. 用贝叶斯定理做一次后验概率计算，说明它在感知不确定性中的意义
4. 解释梯度在优化中的作用，并写出梯度下降的最小更新循环
5. 用 Python 的类组织一个含感知、决策、行动三方法的智能体骨架

问题与直觉

很多人被「AI 需要高深数学」劝退。但换个角度想：你把一张图片送进智能体，它内部存的其实是一个大矩阵；你让智能体在不确定环境里做选择，它在算概率；你训练一个模型让它变聪明，过程是反复求梯度、沿梯度下山。数学不是「为了考试」，它就是智能体内部实实在在的数据结构和运算。

同样，编程基础不是为了「会写代码」，而是为了能把上面的抽象概念变成能跑的实体。一个智能体就是一组类和方法的组合：感知方法读环境、决策方法做计算、行动方法改世界。本节的目标不是把数学和编程各讲一遍——那需要好几本书——而是建立「概念 ↔ 工具」的对应关系，让后续章节出现向量、概率、梯度、类时，你心里有底。

核心原理

线性代数：数据表示与变换的语言

智能体里的数据几乎都以向量或矩阵形式存在：状态（机器人的位置速度）是向量，神经网络参数是矩阵，图像本质是像素矩阵。四个核心概念：

• 向量与矩阵：向量是有序数字列表（用 NumPy 的 array 表示），矩阵是数字的矩形阵列。张量是矩阵推广到更高维度，深度学习里到处是它。
• 向量运算：加减（对应元素相加减）、标量乘、点积（衡量两个向量相似度，结果是一个标量）。
• 矩阵运算：矩阵乘法用于线性变换的组合；神经网络每一层都可以看成「一次线性变换 + 非线性激活」。
• 特征值与特征向量：特征向量在变换后方向不变、只缩放，缩放比例即特征值。在降维算法（如 PCA）中起关键作用——把高维数据投影到主要变化方向上，去掉冗余。

直观例子：缩放变换 [[2,0],[0,0.5]] 乘向量 [1,1]，x 方向放大 2 倍、y 方向缩小一半，得到 [2, 0.5]。这就是「用矩阵描述环境的几何操作」。

概率统计：不确定性建模与推理

智能体在不确定环境里工作，概率论就是处理不确定性的数学框架。核心概念：

• 概率与随机变量：概率是事件发生可能性的数值。随机变量分离散（骰子点数）与连续（身高、温度）。概率分布描述取各值的概率：离散的有伯努利、二项、泊松；连续的有均匀、正态、指数。
• 条件概率与贝叶斯定理：条件概率 P(A|B) 是已知 B 后 A 的概率；贝叶斯定理把先验概率、似然性连成后验概率：P(A|B) = P(B|A)·P(A) / P(B)。它在感知中处理噪声、在决策中更新信念、在语言模型里预测下一个词，是智能体的「认知更新公式」。

SOURCE 给了一个极好的例子——疾病检测：假设患病先验概率 P(病)=0.01，检测灵敏度 P(阳性|病)=0.95，假阳性率 P(阳性|无病)=0.05。用全概率公式算出 P(阳性)，再用贝叶斯定理算后验 P(病|阳性)：

P_Disease = 0.01
P_Pos_Given_Disease = 0.95
P_Pos_Given_NoDisease = 0.05
P_Positive = P_Pos_Given_Disease * P_Disease + P_Pos_Given_NoDisease * (1 - P_Disease)
P_Disease_Given_Positive = (P_Pos_Given_Disease * P_Disease) / P_Positive
print(P_Disease_Given_Positive)  # 约为 0.161，远低于直觉
​

结果只有约 16%——即使检测阳性，真正患病的概率也不高，因为先验患病率太低、假阳性率不低。这个例子说明：智能体做判断必须把先验和证据一起算，不能只看单一信号。这对理解贝叶斯网络、卡尔曼滤波这类感知与决策工具是前置知识。

• 期望与方差：期望是随机变量的平均取值，方差衡量分散程度。
• 统计推断：用样本推断总体，包括参数估计、假设检验——机器学习模型评估就依赖它。

微积分：优化与学习的引擎

智能体「变聪明」的过程本质是优化：最小化损失函数、最大化累积奖励。微积分就是做优化的引擎。

• 导数：函数在某点的变化率，几何意义是切线斜率。
• 梯度：多元函数所有偏导数组成的向量，指向函数值增长最快的方向。梯度的反方向是下降最快的方向——这就是梯度下降法的依据。
• 梯度下降：沿梯度反方向迭代更新参数，逼近最小值。SOURCE 给出最小循环：

x = 10.0
learning_rate = 0.1
for _ in range(50):
    grad = 2 * x - 4          # 目标函数 x^2-4x+5 的导数
    x = x - learning_rate * grad
​

学习率 learning_rate 决定每步迈多大：太大震荡甚至发散，太小收敛慢。这个「步长权衡」贯穿所有训练类算法，第 6 章强化学习进阶里会再次遇到。反向传播、策略梯度，本质上都是「链式法则算梯度」的应用。

离散数学：知识表示与逻辑的基础

对基于符号的智能体（专家系统、规划器、知识图谱），离散数学是地基：集合论为知识表示打底，图论用于表示关系、网络、状态空间（路径规划、知识图谱都用它），逻辑学（命题逻辑、谓词逻辑）支撑逻辑推理，组合数学用于算法分析与概率计算。深度学习主导的今天，离散数学显得「低调」，但一旦进入混合型或符号型系统，它立刻变成不可缺的工具。

编程基础：把概念变成代码

SOURCE 原文的编程部分覆盖了完整的基础集：数据类型（整型/浮点/字符串/布尔）、复合结构（列表/元组/字典/集合）、运算符（算术/比较/逻辑/赋值/成员/身份）、控制流（if-elif-else、for、while）、函数（定义/调用/参数/返回值）、类与对象。这里不逐条展开——它们都是 Python 基础，重点强调两点：

第一，列表和字典是智能体最常用的两个结构。列表存序列数据（时间序列、传感器读数、动作序列）；字典存结构化数据（配置、状态描述、知识表示）。SOURCE 里的 agent_state 字典把位置、电量、完成任务数、充电状态装在一起，正是智能体状态的典型表示。

第二，类是组织智能体的自然单位。感知、决策、行动天然是三个方法。把环境的属性和行为也放进一个类，就构成「智能体 + 环境」的结对。面向对象（OOP）的继承、多态能进一步支撑复杂架构——比如不同决策策略继承同一基类。

从数据类型到智能体的三层拼装

如果把编程基础看成一个三层结构，理解会清晰很多。底层是基本数据类型与运算符——整数存计数、浮点存概率权重、布尔做条件判断、字符串存自然语言；运算符里算术运算符做计算、比较运算符产出布尔、逻辑运算符组合条件、成员运算符（in、not in）检查元素是否在序列里——后者在智能体里尤其常用，比如检查某个意图关键词是否在用户输入里。中间层是复合结构与控制流——列表存传感器读数序列（sensor_readings = [25.5, 26.0, 25.8]），字典存配置与状态（agent_config = {"model_name": "Transformer", "learning_rate": 0.001}），if-elif-else 把环境状态分派到不同行为分支，for 循环遍历任务列表，while 循环维持智能体主循环。上层是函数与类——函数把「数据预处理」「特征提取」「行为控制」封装成可复用单元；类把智能体的属性和方法绑在一起。

SOURCE 里有个例子：agent_config 字典把 model_name 设为 "Transformer"、learning_rate 设为 0.001——这在真实项目里对应「用配置文件而不是硬编码管理智能体参数」。第 4 章讲部署时，这个习惯会演化成独立的配置文件。现在先记住这个模式：字典是天然的「键值配置容器」，比散落的变量好维护得多。

同样值得注意的还有函数参数与返回值的设计。SOURCE 的 greet_user(username="Guest") 演示了默认参数——不给值就用默认值，这在智能体 API 设计里很常见（比如决策函数默认用规则策略，可传入策略对象覆盖）。process_tasks(task_list) 演示了把任务列表交给函数批量处理——智能体每帧循环处理多个子任务时正是这个写法。函数把「一次逻辑」变成「可复用调用」，类再把这些调用组织成「一个实体」，三层拼装就完成了。

工程实践要点

智能体骨架：四段式最小实现

把编程基础组合起来，SOURCE 原文给了一个 SimpleAgent 骨架，核心结构如下：

import time

class SimpleAgent:
    def __init__(self, name):
        self.name = name
        self.environment_data = None
        self.current_task = None

    def perceive_environment(self):
        # 模拟从传感器取数，装进字典
        self.environment_data = {
            "temperature": 28,
            "object_detected": "apple",
            "agent_location": "Room A"
        }
        time.sleep(1)

    def decide_action(self):
        temp = self.environment_data.get("temperature")
        obj = self.environment_data.get("object_detected")
        if temp > 30:
            self.current_task = "cooling_down"
        elif obj == "apple":
            self.current_task = "collect_apple"
        else:
            self.current_task = "idle"
        time.sleep(1)

    def execute_action(self):
        if self.current_task == "cooling_down":
            print("Activating cooling system.")
        elif self.current_task == "collect_apple":
            print("Moving to collect apple.")
        else:
            print("Standing by.")
        time.sleep(1)

    def run_agent(self):
        while True:
            self.perceive_environment()
            self.decide_action()
            self.execute_action()
            time.sleep(2)
​

这个骨架把「数据类型（字典）、控制流（if-elif-else）、函数（方法）、类」全用上了，而且 run_agent 的无限循环就是 1.1 节讲的「感知—决策—行动」闭环。注意它的决策用的是规则而非学习——它是反射式智能体，但换成任何决策算法，骨架不变，只换 decide_action 的实现。

数学与编程的选型清单

工程上的现实建议：不必等数学学完再写代码。先会「用向量存状态、用贝叶斯做一次更新、用梯度下降训一个小模型」这三件事，就足以支撑本书绝大部分内容。遇到具体算法再回查对应的数学细节，比一次性补完高效得多。

⚠️ 常见坑：把 NumPy 数组和 Python 列表混用导致维度错误。向量运算（点积、矩阵乘法）必须用数组，列表只做普通容器；写成 np.array 而不是 [1,2,3] 能少踩一半坑。
💡 关键直觉：数学和编程的关系是「地图」和「路」——线性代数画地图（状态在哪、怎么变换），概率论标路况（哪条路不确定），微积分告诉你怎样走最近（沿梯度下山），编程负责真正开车（把算法变成循环和调用）。

进一步的学习路径

SOURCE 列出了编程基础之后的进阶方向：深入面向对象（继承、多态）、算法与数据结构（搜索、图算法、树、队列——路径规划和任务调度直接用到）、Python 高级特性（生成器、装饰器、上下文管理器、并发），以及 AI 库（TensorFlow、PyTorch、scikit-learn、NLTK、spaCy）。这些不是本节要讲完的内容，而是通往后续章节的路标——本书第 4 章会直接用到 scikit-learn、spaCy 等库。

本节速览

• 线性代数：状态用向量、变换用矩阵，特征值驱动降维
• 概率统计：贝叶斯定理把先验与证据合成后验，是智能体的认知更新公式
• 微积分：梯度反方向下降最快，训练就是反复「下山」
• 离散数学：集合、图、逻辑支撑符号型智能体的知识表示
• 编程：类组织智能体，字典装状态，列表存序列，if-else 做决策
• 骨架：感知→决策→行动三方法 + 主循环 = 最小智能体
• 选型：先掌握「向量、贝叶斯、梯度」三件事，够撑起后续全部内容

预备知识齐了。下一章进入智能体五大核心能力——从感知与输入开始。