每个 IA 类没有可区分的硬件示例。可以实现具有适当传感器的相同移动机器人架构以充当任何 IA 类。您可以确定智能代理类别的方式来自它处理感知的方式。根据《人工智能：一种现代方法》的第 2 章，我将尝试对每个类进行简明的解释：

一个简单的反射代理仅根据当前的环境情况采取行动；它将当前的感知映射为适当的行动，而忽略了感知的历史。映射过程可以是简单的基于表的或任何基于规则的匹配算法。此类的一个示例是机器人真空吸尘器，它在无限循环中进行深思熟虑，每个感知都包含当前位置的状态 [干净] 或 [脏]，因此它决定是 [吸] 还是 [继续移动] .

基于模型的反射代理需要内存来存储感知历史；它使用感知历史来帮助揭示环境当前不可观察的方面。这个 IA 类的一个例子是自导向移动视觉，其中有必要检查感知历史以充分了解世界是如何演变的。

基于目标的反射代理有一个目标，并且有实现该目标的策略。采取一切行动来实现这一目标。更准确地说，它从一组可能的动作中选择一个可以提高目标进度的动作（不一定是最好的动作）。此 IA 类的一个示例是任何具有初始位置并希望到达目的地的搜索机器人。

基于效用的反射代理类似于基于目标的代理，但它衡量的是一个动作会使它产生的“快乐程度”，而不是基于目标的二元反馈['快乐'，'不快乐']。这种代理提供了最好的解决方案。一个例子是路线推荐系统，它解决了到达目的地的“最佳”路线。

学习代理是能够从经验中学习的代理。它具有自动获取信息并集成到系统中的能力。任何设计和预期在不确定环境中成功的代理都被认为是学习代理。