什么是智能体工作流？

智能体工作流是 AI 驱动的过程，在这个过程中，自主的 AI 智能体 在极少的人工干预下做出决策、采取行动并协调任务。这些工作流利用智能智能体的核心组件（例如推理、规划和工具使用）高效执行复杂任务。机器人流程自动化 (RPA) 等传统自动化遵循预定义规则和设计模式。这种方法可以满足遵循标准结构的重复性任务的需要。智能体工作流是动态的，能适应实时数据和意外状况，因而更具灵活性。AI 智能体工作流以多步骤、迭代的方式处理复杂问题，使 AI 智能体能够分解业务流程、动态适应并随时间推移完善其行动。

通过使生成式 AI 处理复杂的工作流，组织可以从提高运营效率、可扩展性和明智的决策中受益。随着我们继续看到机器学习和自然语言处理 (NLP) 技术的不断进步，AI 技术在寻求自动化和优化流程的行业中变得越来越普遍，同时减少了对人工监督的依赖。不断发展的AI 模型不仅影响软件开发，还会影响医疗保健、金融和人力资源等行业。

设想一家公司有一个基于规则自动化系统的 IT 支持聊天机器人。当员工报告问题时（例如，"我的 wifi 连不上了" ），聊天机器人会按照预设的静态决策树流程提供预先定义的回复。如果问题没有得到解决，聊天机器人会简单地将问题升级给人工支持。这种方法对于处理基本且定义明确的问题是有效的，但在处理需要适应性的复杂、多步骤故障排除时则显得力不从心。

采用智能体工作流后，IT 助手会将故障排除视为一个多步骤、迭代的过程。如果员工报告无线网络问题，智能体会遵循一个动态的逐步流程来分解工作流：

1. 理解问题：AI 智能体会从员工那里收集详细信息，并提出澄清式问题，例如，“是否有其他设备连接到网络？”或者“这个问题是在最近一次更新之后出现的吗？”

2. 执行诊断步骤：基于用户的回复，AI 会选择并运行不同的问题解决步骤。它可能会 ping 通路由器、检查网络日志，或建议特定的设置更改，并将这些信息检索并总结给用户。

3. 自适应工具使用：如果 AI 检测到服务器端问题，它可以调用内部监控工具 API 来检查是否存在中断问题。如果问题特定于某个设备，它可以检索驱动程序更新建议或运行脚本来重置网络设置。

4. 基于结果进行迭代：如果某项操作不能解决问题，AI 会动态调整其方法。它可能会交叉检查相关问题、重新尝试诊断或建议不同的解决方案，而不是立即升级。

5. 最终确定和学习：如果问题得到解决，AI 会记录解决方案以供将来使用，从而随着时间推移提高故障排除效率。如果未解决，它将通过详细报告上报问题，同时通过总结尝试的修复来节省 IT 人员的时间。

智能体工作流的核心组件包括：

• AI 智能体 - 在人工智能 (AI) 领域，如果一个工作流不包含 AI 智能体，那么它就不具备智能体特性。AI 智能体指的是一个系统或程序，它能够通过设计自己的工作流并利用可用工具，自主地代表用户或其他系统执行任务。

• 大型语言模型（LLM） - AI 智能体的核心是大型语言模型。LLM 对于处理和生成自然语言至关重要。温度等 LLM 参数的调整也会导致输出质量变化。

• 工具 - 为了让 LLM 获取超出模型训练所用数据之外的信息，我们必须提供工具。常用工具的示例包括外部数据集、网络搜索和应用程序编程接口 (API)。我们可以使用这些工具，使 AI 智能体能够适应超出常规任务之外的特定用例。

• 反馈机制 – 反馈机制，例如人在回路 (HITL) 或其他智能体，对于促进 AI 智能体的决策过程和指导智能体输出都很有价值。

• 提示工程- 智能体工作流的性能在很大程度上取决于所提供提示的质量。提示工程有助于生成式 AI 模型更好地理解和响应从简单到技术性极强的各种查询。常见的提示工程技术包括链式推理 (CoT)、单次提示、零提示和自我反思。

• 多智能体协作 - 多智能体系统 (MAS) 内的通信和分布式问题解决是复杂用例的关键。可以为 MAS 中的每个智能体指定一组工具、算法和一个“专业”领域，以便智能体不会全部重新学习相同的信息。相反，智能体会将其所学信息与 MAS 中的其他智能体共享。

• 集成 - 为了简化现有流程，智能体工作流需要与现有基础架构集成。这种协同作用取决于智能体式工作流的要求和目标。数据集成，即将数据整合到中央数据库以供智能体访问的过程，通常是第一步。其他形式的集成包括智能体框架，例如 LangChain、LangGraph、Crewai 和 IBM 的 BeeAI。这些智能体编排框架可以充当提供商，以实现更大的规模和更高性能。整合特定上下文工具也是实现相关输出的关键。
  

AI 领域领导者 Andrew Ng 的一段个人轶事突出说明了智能体工作流的适应性。Andrew 回忆了他在构建 AI 智能体时的演示，在众多 AI 工具中，有一个工具网络搜索 API 出现故障了。AI 系统能够通过使用可用的维基百科搜索工具来快速处理依赖关系故障。该系统完成了任务，并能适应不断变化的环境。减少对人工监督的需求可能会让我们花更少精力处理琐碎、重复的任务，将更多时间用于需要人类智慧的复杂工作上。

Andrew 还解释说，智能体工作流不仅对任务执行有意义，而且对训练下一代 LLM 也意义非凡。在传统的非智能体工作流中，使用一个 LLM 的输出来训练另一个 LLM 并未被证实能够产生有效的结果。然而，使用能够生成高质量数据的智能体工作流可以带来有效的训练。