AI 智能体和 AI 助手

您的经纪人不一样。他们日以继夜地利用自己的专业知识最大限度地增加您的机会和收入。他们可以根据您的提示采取行动（可能是您愿意代言的产品），但他们不需要提示即可继续完成工作。事实上，您的好莱坞经纪人可能会以您不知道的方式提供支持。

AI 助手与 AI 智能体之间的主要区别十分相似。AI 助手属于被动工具，它们可根据您的请求执行任务。AI 智能体则为主动工具，它们可自主工作，并自行决定通过任意方式实现特定目标。

助理和经纪人共同培养优秀的表演者，使他们成为明星或让他们保持明星地位。同样，AI 助手和 AI 智能体可以通过执行简单和复杂的任务，让员工个人和企业变得更好。

AI 助手是一种智能应用程序，它能理解自然语言命令并使用会话式 AI 界面来为用户完成任务。许多现代虚拟助理（例如 Amazon 的 Alexa 和 Apple 的 Siri）都依赖这些能力来增强用户交互。¹

第一批 AI 助手主要依赖基于规则的指令、预编程的回应以及预定义的任务。如今，AI 助手几乎完全基于机器学习 (ML) 或基础模型。

AI 助手是使用一种基础模型（例如，IBM® Granite、Meta 的 Llama 模型或 OpenAI 的模型）构建的。大型语言模型 (LLM) 是基础模型的一个子集，它们专用于与文本相关的任务。此类模型可帮助助手理解人类提交的查询，并提供相关信息、建议或后续步骤行动，从而帮助组织简化信息访问、自动执行重复任务并简化复杂的工作流程。在业务中，AI 助手还协助进行数据分析，让用户能够高效地获取洞察。

• 会话式 AI：基于 LLM 的 AI 助手可以使用自然语言处理 (NLP)，通过聊天机器人界面与用户交流。AI 聊天机器人示例包括 Microsoft Copilot、ChatGPT 和 IBM watsonx Assistant。这些助手与 API 集成，实现功能扩展。
  
  
• 提示：AI 助手需有一个明确定义的问题或查询才能开始工作。AI 助手需要用户的持续输入。
  
  
• 建议：AI 助手可以根据它所能获取的数据建议信息或行动。用户应检查输出的准确性。
  
  
• 微调：用户可以通过微调，让 AI 模型适应更具体的任务，从而无需重新训练模型。通过微调，他们可以为模型提供标注示例，使其适合目标任务。通过提示微调，从业人员可以为模型提供特定于任务的上下文。

AI 助手有一定的局限性：

• 它们需要明确的提示才能采取行动。虽然 AI 助手可以使用工具来执行任务，但它们的能力仅限于其所配备和训练的预定义功能。例如，AI 助手可以使用电子表格生成一个用于比较“x 与 y”的表格，但如果没有特定的提示，它就无法独立做出创建这一比较的决定。
  
  
• 它们不一定具有持久记忆。AI 助手可以根据用户需求进行定制，但它们本身并不会保留用户过往互动的信息。为助手提供支持的 AI 模型不会根据使用情况不断学习或演变；相反，仅在开发人员发布更新版本时才会进行改进。不过，一些 AI 助手可以在会话中参考之前的对话，方法是在上下文窗口中存储相关详细信息，或使用称为“记忆”的功能来调用选定的信息并改进未来的响应。

引用 Elvis Presley 的话说便是：“请少谈话，多行动。”现在，我们来聊聊 AI 智能体。

AI 智能体是指一个系统或程序，它能够通过设计自己的工作流程和利用可用工具，自主代表用户或另一个系统完成任务。

AI 智能体比 AI 助手更自主、更互联、更复杂，并且可以涵盖 NLP 之外的广泛功能。这包括决策、解决问题、与外部环境交互和执行操作。

虽然 AI 助手需要用户为其执行每个操作提供提示，但在初始启动提示之后，AI 智能体即可独立执行操作。它们可以评估分配的目标，将任务分解为子任务并制定自己的工作流来实现特定目标。

这些智能体部署在各种企业应用程序中，从软件设计和 IT 自动化到代码生成工具和对话助手。使用 LLM 的高级 NLP，AI 智能体可以逐步理解用户输入的信息、制定其行动策略并确定何时调用外部工具。

• 更大的自主权：在发出初始提示后，AI 智能体可以继续工作，无需进一步输入信息，从而减少了每个阶段对人工干预的需求。与建议操作供用户批准的助手不同，AI 智能体利用多组件自主性，通过使用外部数据集和工具来独立推理、决策和解决问题。他们能够摆脱纯聊天的框架，实现主动决策和学习，最终通过自行处理复杂的工作流程来节省员工的时间。较新的模型正在改进推理能力以支持这一点。²
  
  
• 连接性： AI 智能体将各种功能整合到一个工作流中，从而消除了因系统断连而产生的瓶颈。它们可以通过与外部应用程序、数据源和其他 AI 模型无缝集成来提高生产力，同时减少流程中不同组件之间的摩擦。
  
  
• 决策和行动：仅凭调用工具的能力并不能使 LLM 成为智能体。AI 智能体还可以自主行动并决定何时应用哪种工具。以基础模型为基础，AI 智能体不仅限于聊天，还会根据特定目标自行完成任务，并超越基础模型获取更多信息和功能。它们能分析问题，将其分解为子任务并自主规划后续步骤。这使其能够有效处理复杂、模棱两可的问题。一些智能体，例如 Anthropic 的 Claude 甚至能演示计算机的使用，而 LLM 只能点击、键入和操作计算机来完成任务。³
  
  
• 持久记忆和自适应学习：与 AI 助手相比，AI 智能体的学习能力更强。它们可以存储之前的操作、对话和体验，并随着时间的推移不断自我改进。凭借持久记忆， AI 智能体可以回忆过去的互动以改善未来的响应，而自适应学习则使其能够根据反馈和结果来调整自己的行为。由于它们与外部应用程序和工具集成，因此它们可以根据实时数据采取行动，而非仅仅依赖于初始的训练数据。在反复的交互过程中，它们会变得更加高效、更能感知情境、更符合用户需求。
  
  
• 任务链：AI 智能体不会孤立地完成任务，它们会将复杂的工作流分解成更小、更易于管理的步骤。AI 智能体可以识别任务之间的依赖关系，这有助于确保每一步都能顺畅连贯地进入下一步。这种能力有助于跨多步骤流程实现结构化执行，并使自动化更具动态性。
  
  
• 团队合作：AI 智能体通常专注于特定任务—有的可能擅长事实核查，有的则可能更擅长研究。这些智能体可以相互协作，并组成团队共同应对复杂的挑战。IBM 目前支持用 LangChain 编写的 AI 智能体，并且即将推出 LlamaIndex 集成版本。IBM 的框架不需要大量开发人员，而是允许用户在低代码或无代码环境中编写和编辑 AI 智能体。

AI 智能体和 AI 助手具备多种优势，从优化工作流到增强体验，不一而足。

互补的 AI 解决方案：AI 智能体专注于自主执行特定或复杂的任务，而 AI 助手则擅长理解用户并与用户自然地交互。它们共同构建了更强大、更直观的 AI 解决方案。

优化工作流和提高生产力：AI 工具和生成式 AI 可简化流程、自动执行日常任务并协助人类解决问题，从而提高整体效率。

增强用户体验：AI 助手可提供交互式支持，适应用户需求并从反馈和对话历史记录中学习，以提供更加个性化的交互。

自主操作和可扩展性：AI 智能体可以独立操作，同时管理多个任务，并可以扩展以处理复杂的流程，而无需人工直接干预。

改善任务管理和协作：AI 智能体可以解读用户需求并将任务分配给 AI 助手。助手可以使用智能体生成的数据来创建更直观的输出。这些能力有助于优化协作。

提高集成潜力：随着 AI 模型的发展，它们可以更好地集成对话和自主组件，实现无缝任务交接并在更短的时间内提供更高质量的响应。

AI 助手通过聊天、语音和电子邮件等方式提供实时、真实的支持，从而改善客户体验。它们能够处理常见的客户咨询，指导用户使用自助服务选项，并在需要时上报复杂的问题。它们使用 NLP 实现个性化交互、推荐产品，并帮助客户快速完成交易。它们可随时提供服务，进而提高客户满意度并降低成本。

AI 智能体通过实时适应用户行为，进一步提升客户体验和客户支持。与按脚本回复的 AI 助手不同，AI 智能体可以学习并改进互动，无论是模拟求职面试还是自主处理复杂的支持问题。它们可以跨网站、应用程序和 IoT 设备协作，以打造流畅且高度个性化的用户体验。

AI 助手通过处理余额查询、欺诈警报和贷款申请，提供安全、实时的银行业务支持。它们还能通过分析消费习惯并提供个性化的预算建议来帮助客户管理财务。

AI 智能体通过实时监控交易、检测可疑活动并在威胁升级之前加以阻止，来主动预防欺诈。与仅发送欺诈警报的助手不同，AI 智能体会调整安全协议、完善风险模型并协同欺诈检测系统，防范新出现的威胁。在交易和投资领域，AI 智能体无需人工干预，即可分析市场趋势、执行交易和调整组合。

AI 助手通过生成职位描述、分类整理简历和起草个性化消息来帮助组织简化招聘流程。除招聘外，它们还通过指导新员工了解政策、福利和培训材料来协助办理入职。

AI 智能体通过管理和优化人才招聘、员工敬业度和员工队伍规划，进一步推动人力资源自动化。它们使用之前的数据筛选职位候选人，安排面试并完善招聘战略。在绩效管理方面，AI 智能体可以分析员工反馈、检测趋势并推荐培训计划。此外，它们还可以自动完成入职流程、福利管理和合规跟踪，帮助人力资源运营实现数据驱动，从而变得更高效。

AI 助手有助于改善患者体验并简化管理任务，在人力资源 (HR) 流程自动化中发挥着关键作用。它们能实时回答患者的问题，协助患者安排预约、缴费和处方续药，并提供自助式病历访问服务。AI 助手通过总结患者病史和标记紧急病例来帮助医生。此外，AI 助手还能整理文档，保持格式一致，以便于访问。

AI 智能体支持复杂环境中的医疗决策。在急诊室，多智能体系统可对患者进行分类，并根据传感器的实时数据调整接诊的优先顺序。AI 智能体还可以优化药品供应管理，预测短缺情况并根据患者的反馈调整治疗方案。

AI 驱动的技术存在风险和局限性，需要加以考虑。LLM 很脆弱，这表示即使是最微小的提示变化也会导致结构无效、有效载荷不正确或产生幻觉。这意味着，如果底层基础模型出现幻觉或崩溃，AI 智能体和 AI 助手可能会失败。

尤其是对 AI 智能体来说，它目前还处于早期阶段。如果它们在制定全面计划时遇到困难或未能反思自己的发现，AI 智能体便会陷入无限的反馈循环之中。由于 AI 智能体会考虑外部环境和工具，因此它们必须处理这些工具的变化。随着时间的推移，这些变化可能会导致智能体的设置中断。另一方面，AI 助手在大多数情况下均可可靠地进行使用，因为它们无需借助外部工具。

对于更艰巨的任务，AI 智能体需要大量训练，而且可能仍需要很长时间才能完成。此外，通常还很昂贵。

眼下的基础模型尚不够智能，因而无法可靠地充当代理，但模型推理方面的进步则会改善此情况。因此，我们仍处于了解和见证 AI 智能体具体功能的早期阶段。展望 AI 的未来，AI 科技的自助应用可能会得到扩展。但在此发展阶段，通常仍需人工干预来提供指导或完成重定向。