什么是 Agentic AI (代理型AI)？

与在预定义约束内运行并需要人工干预的传统 AI 模型不同，Agentic AI（代理型AI）展示出自主性、目标驱动行为和适应性。“智能体式”一词是指这些模型的智能体，或者说，它们独立和有目的地行动的能力。

与其前身生成式系统相比，智能体式系统有许多优势，因为生成式系统受到训练模型的数据集所含信息的限制。

智能体系统最重要的进步是它们可以在没有持续人工监督的情况下自主执行任务。智能体系统可以维持长期目标，管理多步问题解决任务并在一段时间内跟踪进度。

智能体系统提供了 LLM 的灵活性，它可以根据细致入微的、依赖于上下文的理解生成响应或行动，同时还具有传统编程的结构化、确定性和可靠性特征。这种方法可以让智能体以更像人类的方式“思考”和“行动”。

LLM 本身不能直接与外部工具或数据库交互，也不能设置系统来实时监控和收集数据，但智能体可以。智能体可以搜索网络、调用应用程序编程接口 (API) 和查询数据库，然后利用这些信息做出决策并采取行动。

智能体可以专门执行特定任务。有些智能体很简单，可以可靠地执行单个重复任务。其他的则可以利用感知和记忆来解决更复杂的问题。 智能体架构 可能包含一个由 LLM 驱动的“引导者”模型，该模型负责监督任务和决策，并监管其他更简单的智能体。此类架构非常适合顺序工作流，但容易受到瓶颈的影响。其他架构更加水平，智能体以去中心化的方式平等协调地工作，但这种架构可能比垂直架构慢。不同的 AI 应用程序需要不同的架构。

智能体可以从他们的体验中学习，吸收反馈并调整他们的行为。有了正确的防护措施，智能体系统就能不断改进。多智能体系统具有可扩展性，因此可处理范围广泛的计划。

由于智能体系统由 LLM 提供支持，因此用户可以使用自然语言提示与其互动。这意味着整个软件界面（想想所选 SaaS 平台中涉及的许多选项卡、下拉菜单、图表、滑块、弹出窗口和其他用户界面元素）可以用简单的语言或语音命令取代。理论上，任何软件用户体验现在都可以简化为与智能体“交谈”，智能体可以获取所需的信息并根据该信息采取行动。当考虑到员工学习和掌握新界面和工具所需的时间时，这种生产力优势怎么强调都不为过。

智能体式 AI 工具可以采用多种形式，不同的 框架 适合不同的问题，但以下是智能体式系统执行其运作所采取的一般步骤。

Agentic AI (代理型AI) 首先通过传感器、API、数据库或用户交互从其环境中收集数据。此步骤可确保系统拥有最新的信息以进行分析和采取行动。

收集数据后，AI 就会对其进行处理，以提取有意义的洞察分析。它使用 自然语言处理  (NLP)、计算机视觉或其他 AI 功能，解释用户查询、检测模式并理解更广泛的上下文。这种能力有助于 AI 根据情况确定采取什么行动。

AI 根据预定义的目标或用户输入来设定目的。然后，它制定战略来实现这些目标，通常是使用 决策树、 强化学习 或其他规划算法。

AI 评估多种可能的行动，并根据效率、准确性和预测结果等因素选择最佳行动。它可能会使用概率模型、效用函数或基于 机器学习的推理来确定最佳行动方案。

选择操作后，AI 通过与外部系统（API、数据、机器人）交互或向用户提供响应来执行该操作。

执行操作后，AI 会对结果进行评估，收集反馈以改进未来的决策。通过强化学习或 自监督学习，AI 会随着时间的推移完善其战略，使其在未来更有效地处理类似的任务。

AI 编排是系统和智能体的协调和管理。编排平台可 自动化  AI 工作流，跟踪任务完成进度，管理资源使用，监控数据流和内存，并处理故障事件。凭借合适的架构，理论上数十个、数百个甚至数千个智能体能够协同高效工作。

Agentic AI (代理型AI) 解决方案可以部署在任何现实世界行业生态的几乎任何 AI 用例中。智能体可以集成到复杂的工作流中，以自主执行业务流程。

• 人工智能驱动的交易机器人可以分析实时股票价格和经济指标，进行预测性分析并执行交易。
   

• 在自动驾驶汽车中，GPS 和传感器数据等实时数据源可改善导航和安全性。
   

• 在医疗保健领域，智能体可以监控患者数据，根据新的测试结果调整治疗建议，并通过聊天机器人向临床医生提供实时反馈。
   

• 在网络安全方面，智能体可以持续监控网络流量、系统日志和用户行为，以发现可能表明恶意软件漏洞、网络钓鱼攻击或未经授权的访问尝试的异常情况。
   

• AI 可以通过流程自动化和优化来简化供应链管理，实现自主向供应商下订单或调整生产计划以保持最佳库存水平。

Agentic AI（代理型AI）系统对企业来说具有巨大的潜力。它们的自主性是其主要优势，但如果智能体系统“出了岔子”，这种自主性也会带来严重后果。一般性的 AI 风险是存在的，而在智能体系统中这可能会被放大。

许多Agentic AI (代理型AI) 系统使用强化学习，其中涉及最大化奖励函数。如果奖励系统设计不当，AI 可能会利用漏洞以非预期的方式获得“高分”。

请看几个例子：

• 负责最大限度提高社交媒体参与度的智能体，优先考虑耸人听闻或误导性的内容，无意中传播错误信息。
   

• 仓库机器人针对速度进行优化，为了更快移动而损坏产品。
   

• 旨在实现利润最大化的金融交易 AI 从事高风险或不道德的交易行为，从而引发市场不稳定。
   

• 旨在减少有害言论的内容审核 AI 过度审查合法的讨论。

一些 Agentic AI (代理型AI) 系统可能会自我强化，从而使行为朝着意想不到的方向升级。当 AI 针对某个特定指标进行过于激进的优化而没有采取任何安全措施时，就会出现此问题。而且，由于智能体系统通常由多个协同工作的自主智能体组成，因此存在失败的可能性。流量拥堵、瓶颈、资源冲突，所有这些错误都有可能引发连锁反应。重要的是，模型要有可衡量的明确目标，有适当的反馈回路，这样模型才能朝着更接近组织意图的方向转变。

智能体式 AI  以 生成式 AI  技术为基础，利用 大语言模型  (LLM) 在动态环境中运行。生成式模型侧重于根据学习到的模式 创建 内容，而智能体式 AI 则通过将生成式输出应用于特定目标来扩展这种能力。一个 生成式 AI  模型，例如 OpenAI 的  ChatGPT ，可能会生成文本、图像或代码，但智能体式 AI 系统可以使用生成的内容通过调用外部工具自主完成复杂的任务。例如，智能体不仅可以根据您的工作日程告诉您攀登珠穆朗玛峰的最佳时间，还可以为您预订机票和酒店。

衡量智能体式举措的 投资回报率 需要一个框架，将总开发与实施成本与效率提升和收入增长等收益进行比较。这可能很棘手，因为收益往往是间接的、抽象的，且可能不会在短期内实现。 

这取决于 智能体的类型，但修复卡住的 AI 智能体通常涉及终止停滞的进程、清除智能体的记忆或上下文，并优化提示指令以帮助智能体避免陷入逻辑循环。

该过程需要识别特别适合自动化的特定重复性工作流，建立安全的 API 连接，并使用  AI 智能体框架 启动试点项目。由  IBM Verify  等平台提供的唯一智能体身份有助于最大限度地降低集成带来的安全风险。 

智能体式 AI 的完全透明性很难实现，因为模型的工作方式本身很复杂，但在企业环境中，某种程度的透明性通常被视为安全有效部署的一项架构要求。一场聚焦于智能体运维与负责任 AI 的  IBM 技术峰会探讨了 AI 智能体带来的运营、风险与治理挑战。