什么是代理人工智能？与AI Agent有什么区别和联系？一篇文章说得很清楚

其实什么是代理人工智能？与AI Agent有什么区别和联系？一篇文章说得很清楚的问题并不复杂，但是又很多的朋友都不太了解，因此呢，今天小编就来为大家分享什么是代理人工智能？与AI Agent有什么区别和联系？一篇文章说得很清楚的一些知识，希望可以帮助到大家，下面我们一起来看看这个问题的分析吧！

你还在讨论AI Agent吗？是时候从Agentic Workflow开始关注Agentic AI了

从AI Agent审美疲劳到Agentic AI引热议，Agentic Workflow着实火爆

什么是代理人工智能？与AI Agent有什么区别和联系？一篇文章说得很清楚

紧扣大模型时代商业脉搏：战略层针对Agentic AI，战术层针对AI Agent

当国内还在谈论AI Agent时，国外科技圈的趋势已经发生了变化。他们不再谈论AI Agent如何，而是转身开始交流Agentic AI。

虽然Agentic AI的概念可以追溯到20世纪90年代IBM的深蓝下棋系统出现时，但真正让其重新进入公众视野的是大型语言模型的实际应用。尤其是AI Agent和Autonomous Agent的具体应用，让Autonomous AI再次被热议，而包括AI Agent在内的工作流则直接让Agentic AI成为了AI领域更热门的话题。

这个过程和改变还是要感谢OpenAI。 2023年6月，OpenAI应用研究总监Lilian Weng撰写了文章《LLM Powered Autonomous Agents》，定义了目前许多开发者使用的AI Agent的主流技术框架。

文章地址：https://lilianweng.github.io/posts/2023-06-23-agent

2023年12月，OpenAI发布了《Practices for Governing Agentic AI Systems》白皮书，介绍了Agenticness、Agentic AI Systems和Agents之间的区别，并正式定义了Agentic AI Systems。从此，Agentic AI正式进入技术人的视野。

白皮书地址：https://openai.com/index/practices-for-governing-agentic-ai-systems/

在不久前的2024雪花峰会开发者日上，他又发表了题为《How Al Agentic workflows could drive more Al progress than even the next generation of foundation models》的演讲，进一步揭开了Agentic AI的神秘面纱，并表示这可能是一个比下一代基础模型更有潜力的AI发展方向。

。。地址：https://www.youtube.com/watch?v=q1XFm21I-VQ

两次演讲让Agentic AI真正成为技术人热衷讨论的话题。

AI Agent 和Agentic AI 看起来非常相似，以至于看起来“AI Agent”这两个词被互换了，大多数人甚至无法区分。但如果你仔细观察，你会发现Agent和Agentic略有不同，只是词性、名词和形容词的不同。作为人工智能的一个概念或者技术术语，两者的含义区别还是非常明显的。

什么是代理人工智能？

在《Practices for Governing Agentic AI Systems》白皮书中，OpenAI认为（Agentic AI systems）代理人工智能系统的特点是能够采取行动，在很长一段时间内持续有助于实现目标，而无需提前明确指定其行为。

白皮书将系统智能程度（Agenticness，也可译为主动\代理\活动）定义为系统在有限的直接监督下，能够在复杂环境中自适应地实现复杂目标的程度，并将这种智能定义为细分为四个组成部分：目标复杂性、环境复杂性、适应性和独立执行。

人工智能将代理人工智能系统定义为能够感知、推理并以不同复杂程度行动的系统，以将人类思维扩展到我们当前的经验之外。这个定义更加强调感知、推理和行动三种能力。

基于以上对Agentic AI Systems的两个定义，结合业界对Agentic AI的各种看法，不难总结出Agentic AI概念的深刻含义。

代理人工智能（智能人工智能\代理人工智能\主动人工智能），也称为自主人工智能，是指一种旨在理解目标、导航复杂环境并以最少的人为干预执行任务的系统。能够通过自然语言输入独立主动地完成端到端任务。通常被设计为更具自主性和适应性，不仅能够处理数据，还能够做出决策、从交互中学习并采取主动步骤来实现复杂的目标。

代理人工智能可以设定目标、从交互中学习并自主做出决策，从而改变业务运营和客户交互。功能与人类工人非常相似，可以掌握微妙的环境，设定和追求目标，通过任务进行推理，并根据不断变化的条件调整自己的行动。

例如，虽然传统人工智能可能有助于创建客户支持脚本，甚至根据客户输入生成个性化响应，但Agentic AI 更进一步。它可以自主处理客户的询问，从头到尾解决问题，甚至根据客户的答复进行跟进。 Agentic AI可以模仿人类通常用来实现目标的推理、执行和路线修正机制，体现出更成熟的技术运行机制和管理方法。

事实上，Agentic AI 背后的想法是赋予机器代理权，这意味着它们可以设定目标、计划并采取行动来实现这些目标。代理人工智能可以预测需求、建议行动并做出与既定目标一致的决策，其功能更像是合作伙伴而不仅仅是工具。因此，它。。了人工智能的根本性转变，旨在以最少的人为干预自主理解和管理复杂的工作流程。

Agentic AI的创新和特点

这里，为了体现Agentic AI的创新和特点，需要将其与传统AI进行比较。

传统人工智能也称为狭义人工智能，主要基于特定算法并设定规则。这些系统旨在执行明确定义的任务，例如对数据进行排序、识别照片中的面孔、翻译语言、执行预定义的流程或基于数据库回答常见问题解答。传统人工智能的范围仅限于其编程，缺乏偏离其给定指令或独立学习新经验的能力。

传统人工智能擅长狭窄的任务，需要在明确的指令下运行。它在规则明确的结构化环境中蓬勃发展，并在流程严格划分的场景中有效运行，但受到其范围有限、依赖人类指导以及难以适应不可预见的变化的限制。

此外，传统人工智能主要是为了自动化特定的重复性任务，在有限的范围内提高速度和效率，但在处理需要整体理解和战略判断的复杂工作流程方面存在不足。

Agentic AI 通过利用大型语言模型(LLM)、可扩展计算能力和海量数据集等先进技术，提供了一种更加动态和灵活的方法。它结合了强化学习(RL) 和决策理论，从交互中学习并随着时间的推移进行优化。不仅能够对情况做出反应，而且能够积极参与决策过程。

可以说，Agentic AI 是为自主而生的，旨在驾驭复杂的现实场景，并能够根据情况的发展调整策略。这标志着人工智能从作为需要人类输入的工具或专业系统，转变为能够独立行动并与现实世界互动的协作伙伴。

代理人工智能的功能更像人类工作者，掌握自然语言提供的复杂上下文和指令，开始设定目标，通过子任务进行推理，并根据不断变化的条件调整决策和行动。

因此，Agentic AI的关键创新主要体现在以下几点：

大型语言模型(LLM)：这些模型能够理解详细的人类语言，使人类交互更加自然，并使Agentic AI 能够理解细致入微的人类语音和文本。

可扩展的计算能力：增强的计算能力使Agentic AI 能够管理复杂的任务并训练复杂的模型。

大规模数据集：通过分析大量数据，Agentic AI 可以随着时间的推移学习并提高其性能，使其能够更有效地处理动态环境。丰富的数据集还使其能够理解和解释复杂的背景和目标。

互联性：Agentic AI擅长与其他系统和信息源连接和交互，可以无缝集成到现有工作流程中，增强其解决复杂问题和做出复杂决策的能力。

Agentic AI的主要特点也可以概括为：

自主性：代理人工智能的运行具有高度的独立性。凭借明确的目标和对周围环境不断发展的了解，这些系统能够自主做出决策并启动行动，最大限度地减少对人类直接监督的依赖。

适应性：与前辈不同，Agentic AI 系统并不僵化或脆弱。它们旨在学习、进化和适应。他们通过分析模式、根据变化调整策略以及通过模拟和内省完善决策过程，展示了无与伦比的灵活性。

主动性：Agentic AI不仅能响应外部刺激，还能主动与环境交互，寻找实现目标的机会，在潜在问题完全显现之前对其进行预测，并独立设计解决方案。

语言理解：凭借解释自然语言的高级能力，这些系统可以精确地遵循复杂的指令。

工作流程优化：代理人工智能在子任务和应用程序之间高效转换，确保流程以最佳方式执行以达到预期结果。

现在，CrewAI、Langraph 和Autogen 等开创性框架正在为Agentic AI 的发展铺平道路。开发人员可以在这些平台上设计和部署人工智能代理团队，每个代理都具有独特的技能、知识库和通信接口。通过协调协作，这些代理团队可以自主导航和执行复杂的工作流程，适应动态条件和不断变化的需求。

延伸阅读：AI Agent构建智能未来，全面盘点全球80+AI Agent建设平台

这些进步使Agentic AI 不再只是简单地遵循指令来设定独立目标、制定战略和适应，而是提供一种实现复杂目标的动态方法。

Agentic AI 和AI Agent 的区别

虽然AI Agent这个词与Agentic AI类似，基本上就是“AI落后”和“AI优先”的区别，但两个概念之间仍然存在很大差异。

关于Agent和Agentic这两个词，Andrew Ng教授在文章中提到：与其以二元的方式选择一个系统是否是Agent，不如将系统视为具有不同级别的Agent特征。与名词“代理”不同，形容词“代理”使我们能够思考这些类型的系统，并将它们全部带入这个不断发展的领域。

原文：我认为，与其必须以二元方式选择某个东西是否是代理，不如将系统视为不同程度的代理会更有用。与名词“代理”不同，形容词“代理”使我们能够思考此类系统，并将所有这些系统纳入这一不断发展的运动中。

原文链接：https://www.deeplearning.ai/the-batch/welcoming-diverse-approaches-keeps-machine-learning-strong

换句话说，名词“Agent”仅用于表示一个产品或项目是否是AI代理以及是否具有智能特征，而形容词“Agentic”则表示该AI产品或项目的代理特征有多强是，是否更强大。主动性、自主性和适应性。前者还在探索Agent产品或项目的相关特性，后者则在探索产品的智能化。显然后者更有意义。

从AI Agent到Agentic AI，尽管目前讨论的内容仍然是AI Agent相关的技术、产品或解决方案，但立足点却完全不同。这是一个重大的认知变化。如果说AI Agent还属于产品思维，那么Agentic AI已经上升到战略思维。 Agentic AI进一步。。了一类AI技术、产品、解决方案、生态乃至战略的整体集合，也必然会像GenAI这样的术语一样被更多组织纳入其战略报告中。

从定义和概念上来说，AI Agent是一种能够感知环境、做出决策和执行行动的智能实体。它们通常基于机器学习和人工智能技术，具有自主性和自适应性，能够在特定任务或领域自主学习和改进。其核心功能可概括为三步循环：感知、规划和行动。

Agentic AI是一种具有较高自主性的AI系统。他们可以积极思考、计划和执行任务，而不是仅仅依赖预设的指令。它强调系统可以具有不同程度的“活动”（代理特征），而不仅限于被动执行指令。

两者的主要区别主要在于以下几点：

AI Agent更注重智能实体的基本功能和自主性，而Agentic AI则在更高层面上强调系统的自主决策和解决问题的能力。

AI Agent可以看作是实现Agentic AI的技术手段或组件，Agentic AI是AI Agent在特定工作流程和目标导向下的体现。

Agentic AI的概念更广泛，涵盖了从传统AI系统到高度自治的Agent的一系列发展阶段。 AI Agent通常是指具有一定感知、决策和行动能力的智能实体。

关于两者的区别我们已经说了很多了。但在探索Agentic AI时，你会发现更多的内容还是与AI Agent相关，或者说是“Agent+工作流”。 Ng Enda教授还提到，Agentic AI的实现关键在于“Agentic Workflow”，通过循环迭代逐步优化结果，更接近人类解决问题的思维模式。

因此，如果说Agentic AI着眼于战略层面，指向组织技术发展目标，那么AI Agent则是战术层面实现这一目标的主要手段。

既然涉及到Agentic Workflow的概念，这里就讲一下。

什么是代理工作流程？

综合各方观点和意见后，可以对Agentic Workflow做出如下解释。

代理工作流可以翻译为代理工作流\代理工作流\主动工作流。核心是Agent系统，多个AI Agent利用自然语言处理（NLP）和大语言模型（LLM）协作完成任务。这些代理能够自主感知、推理和采取行动来追求特定目标，形成强大的集体智慧，可以打破孤岛，集成不同的数据源，并提供无缝的端到端自动化。

作为一个复杂的系统和迭代过程，Agentic Workflow 旨在提高业务流程的效率和有效性。它使用AI Agent与业务设置无缝集成，Agentic Workflow中部署的AI Agent可以协作并高精度地执行复杂的任务。

从开发角度来看，Agentic Workflow是指一种迭代式、交互式的AI开发方法，使用大型语言模型和AI Agent来执行任务，其中AI Agent能够参与到更加动态和自我反思的过程中。这是一种更加迭代和多步骤的方法。

从自动化的角度来看，代理工作流。。了传统自动化方法的重大转变。传统的自动化方法通常依赖于严格的预定义脚本或人机交互流程。通过利用多个专业人工智能代理协同工作的能力，Agentic系统可以动态导航并适应企业工作流程的复杂性，因此有望为各行各业带来自动化。生产力和创新被提升到新的水平。

简而言之，Agentic Workflow 是一个复杂的迭代和多步骤过程，用于交互和指导大型语言模型更准确地完成复杂任务。在此过程中，单个任务被划分为多个更易于管理的较小任务，从而在整个任务完成过程中留下改进的空间。

此外，Agentic Workflow还涉及部署多个AI Agent来执行特定的角色和任务。这些代理具有特定的个性和属性，使他们能够高精度地协作并执行定义的任务。

Agentic Workflow 的另一个主要亮点是使用先进的提示工程技术和框架。这个过程包括思维链、规划和自我反思等技术，使AI Agent 能够：

将复杂的任务分解为可管理的任务；

确定任务的顺序；

遇到困难时调整任务计划；

自我反思自己的成果并找出需要改进的地方；

快速工程和多代理方法使人工智能代理能够自主规划、协作、确定和执行完成任务所需的步骤。

这种传统的零样本方法采用LLM，在撰写文章的过程中没有留下迭代、反馈和改进的空间，大大降低了输出的准确性和质量。

不过，Agentic Workflow不需要给出写文章的提示。它只需要提出目标要求，就可以将任务分解为更小的任务。一般来说，任务分解步骤有以下几个：

创建带有标题和副标题的博客大纲；

分析、修改和完善大纲；

撰写博客初稿；

校对和编辑博客以确保高内容质量

在Agentic Workflow工作模式下，LLM被指示分步完成较大的任务，每个步骤的输出作为下一个任务的输入。

这意味着Agentic Workflow作为一种迭代和协作模型，将与LLM的交互转变为一系列可管理和可改进的步骤，从而允许在整个任务完成过程中不断改进和调整。

Agentic Workflow的主要特点和三大支柱

通过以上的分析和案例，我们可以总结出Agentic Workflow的主要特点如下：

目标驱动：工作流程中的代理由明确的目标驱动，并共同努力以实现预期结果。

适应性：系统可以动态适应不断变化的环境，从过去的经验中学习并随着时间的推移优化其性能。

交互：代理之间以及与人类用户之间的通信和协作，以收集信息、提供更新并做出决策。

与传统工作流程自动化相比，代理工作流程具有多种优势。它们可以处理需要上下文感知决策的更复杂的多步骤流程，并且可以适应新情况，而无需进行大量重新编程。此外，自然语言处理的使用允许人类和系统之间更直观的交互，从而减少对专业技术知识的需求。

在Agentic Workflow中，AI Agent是一个自主驱动的动态问题解决器，用于处理复杂且不断变化的任务，从而提高工作效率。

人工智能代理、即时工程技术和生。。工智能网络（GAIN）是代理工作流的三大支柱。他们在Agentic Workflow中的作用简单介绍如下：

AI Agent：Agentic Workflow 的核心是AI Agent，本质上是大型语言模型(LLM) 的复杂实例。

即时工程技术和框架：Agentic Workflow 的一个关键方面是使用先进的即时工程技术和框架。

生成式人工智能网络（GAIN）：生成式人工智能网络（GAIN）的部署显着增强了代理工作流程，体现了多智能体协作的原则。

有关三大支柱的详细信息，请参阅下面的思维导图。

点击放大图片

除了三大支柱之外，Agentic Workflow的核心组成部分还包括AI增强、伦理考量、人工智能交互和自适应学习。各分析如下。

另外，有关Agentic Workflow的常见工作流程和可重用LLM配置文件组件的信息，可以参考论文：A Survey on LLM-Based Agents: Common Workflows and Reusable LLM-Profiled Components。

论文地址：https://arxiv.org/abs/2406.05804

各种任务的业务流程从传统流程向代理工作流程的转变标志着我们将能够通过人工智能实现卓越结果的转变。实验证明，即使是不太先进的法学硕士在参与这些复杂的、多层的工作流程时也能产生显着的结果。对于这一点，在下面对Agentic Workflow的四种设计模式的介绍中你会有更深的印象。

还有一点，Agentic Workflow也给了国内大语言模型和各种开源大语言模型更多的使用空间，这在目前的国际环境下还是非常重要的。

当然，我们也应该认识到，在目前的技术前提下，这些增强的工作流程需要用户有足够的耐心。由于Agentic Workflow固有的迭代和协作过程也比较耗时，通常需要几分钟甚至几小时才能完成某项任务。任务执行时间过长也是Agentic Workflow遇到的主要问题之一，也是被抱怨的经验不足的重要因素。

但相比于它所能提供的远超传统方法的深度分析、创造力和解决问题的能力，人们在很多应用场景中仍然愿意尝试，这也预示着巨大的市场潜力。

Agentic Workflow的四种主流设计模式

在介绍Agentic Workflow之前，我们先考虑一个问题：为什么需要AI Agent/Agentic Workflow？

目前，在使用ChatGPT、文心一言、Kimi等大型语言模型时，大多数人还是直接用简单的语句来提问（部分原因是他们不会写出结构化的提示词），比如：帮我写一篇文章关于Agentic AI 的文章。这种提问方式在技术领域称为零样本提示。

零样本提示是指LLM模型无需针对特定任务进行特殊训练，仅依靠提示词（prompt）和预训练中获得的广泛语言知识来执行任务的能力。它可以很好地测试大型语言模型的能力。该方法灵活性高，适用范围广，并且不需要为每个特定任务准备专门的训练数据。但由于缺乏针对特定任务的训练，其生成质量无法得到保证。

具体到用户与大语言模型的交互，如果用户要求ChatGPT写一篇关于XX的论文，ChatGPT会一次性回复。在这个过程中，它只会执行“生成”的任务。

这个过程与现实世界中完成工作任务的过程不同。例如，写论文时，你通常会起草初稿，然后评估、分析、修改、迭代第二个和第三个版本，直到你满意为止。当我们处理工作和学习等任务时，就是这种情况。我们将其分解为一步步的流程，按流程操作，保证工作完成的质量。

换句话说，如果我们想让大语言模型更好地完成我们分配给它的工作，最好使用类似于人类部分执行的流程步骤。

人工智能代理就是来完成这项工作的。它可以通过自然语言理解用户输入的零样本提示词的意图，将用户给定的需求目标任务规划分解为多个流程步骤，将简单的提示词转换为更精细的组织提示词，以及各种工具插件可以调用网络、代码等ins来进一步执行并完成分解后的各个子任务。

显然，这种工作方式无限接近人类。

零样本提示模式和AI Agent模式的任务执行效果非常明显。 Ng Enda教授团队分别在“零镜头提示”模式和AI Agent模式下使用GPT-3.5和GPT-4，得出了几个结论：

1. 在零样本模式下，模型仅依靠其预先训练的知识来执行任务，而无需特定的任务示例。在这种情况下，竞争的是模型的通用基础能力，因此预计GPT-4 表现良好。

2.添加到Agentic Workflow中的AI Agent在任务执行中的性能都有显着提升，无论基础模型是GPT-3.5还是GPT-4。

3.即使基础模型是GPT-3.5，添加Agentic Workflow将其设计为AI Agent后，在零样本模式下性能也超过了GPT-4。

Ng Enda教授还总结并介绍了四种常见的设计模式，即反馈（Reflection）、工具使用（Tool Use）、规划（Planning）和多智能体协作（Multi-agent Collaboration）。

Reflection设计模式是AI模型通过自我反思和迭代改进来提高任务执行能力的方法。在这个模型中，模型不仅生成初始解，而且通过多次反馈和修改不断优化其输出。

Tool Use设计模式是AI模型通过调用外部工具或库来增强任务执行能力的方法。在该模型中，模型不再仅仅依靠自身的知识和能力，而是利用各种外部资源来完成任务，从而提高效率和准确性。

规划设计模式是一种通过提前规划和组织任务步骤来提高效率和准确性的方法。在该模型中，模型将复杂的任务分解为