Agentic AI：其工作原理、优势，以及与传统 AI 的对比

定义 agentic AI 的一些关键方面包括：

• 自主性： 能够在无需持续人工干预的情况下运行。
• 目标导向行为： 基于预设或不断演化的目标来设定与追求任务。
• 适应性： 能够应对环境变化，并从以往交互中学习。
• 互操作性： 能够使用不同的数据源、工具与平台来增强决策能力。

为更好理解 agentic AI，可以把它想象成一辆自动驾驶汽车：随着条件变化，它会持续重新计算到达目的地的最优路线（速度或经济性）。这体现了决策的自主性、以抵达目的地为核心的目标导向行为、对道路状况变化的适应性，以及与道路、交通信号和实时路况数据等既有基础设施的互操作性。

Agentic AI 与传统 AI

传统 AI 与 agentic AI 的差别主要体现在自主性与适应性上。

传统 AI 基于预定义规则或训练数据来完成特定任务。这些模型会分析输入并给出输出，但不会超出其编程范围作出独立决策。典型示例包括推荐系统、聊天机器人和预测模型。

Agentic AI 超越了被动响应，能主动规划、实时适应并作出决策。它可与多个系统交互、使用外部工具，甚至细化自身目标。不再仅等待用户输入，它还能发起任务、从反馈中学习并自我-提升。

Agentic AI 如何运作？

Agentic AI 不是某一项单独技术，而是一种让 AI 系统具备比传统模型更强独立性的设计方法。具体实现因应用而异，但多数 agentic AI 系统都包含多个通过提示进行通信的 LLM，能够使用外部工具，并能读写文件。这些系统常以异步方式运行，更像分布式网络而非孤立模型。

多模型、多角色

在大多数情况下，agentic AI 系统并非单个 LLM 独立运行——而是一组模型彼此交互。常见做法是为不同模型分配明确角色。

例如，一个模型可充当任务管理者，将复杂问题拆解并分配给其他模型作为子任务。这些子模型完成指定工作后，将输出返回给任务管理者进行评估与整合。

这种模块化方法使 agentic AI 能处理单个模型难以独自应对的复杂工作流。任务可并行而非顺序执行，使系统响应更迅速。

外部工具与数据处理

要超越文本生成的能力，agentic AI 需要访问外部工具。这些工具可能是用于获取真实世界数据的 API、用于存储信息的数据库，或用于读写文档的文件系统。

一些框架（如LangChain 与LlamaIndex）让 LLM 更容易连接这些工具，使其能够查询数据库、获取搜索结果，甚至与软件应用交互。

异步处理与分布式架构

与按线性流程处理输入的传统 AI 应用不同，agentic AI 常以异步方式运行。多个模型可同时处理问题的不同部分，这让这些系统具有类似去中心化（如区块链）的特性。

例如，在一个由 AI 驱动的研究助理中，一个模型可能负责检索相关文档，另一个模型分析其内容，还有一个模型进行总结——这一切可并行发生。这种并行处理让 agentic AI 更高效，但也带来协调输出与保持一致性的挑战。

Agentic AI 的应用

我认为 agentic AI 将在广泛行业中发挥作用。初创公司已在构建专业化应用，尽管这一领域仍在成形，许多老牌企业也在快速采用这些系统。根据情境不同，agentic AI 既可以独立运行，也可以辅助人类专家。

医疗健康

在医疗领域，agentic AI 系统可以收集并监测患者数据、标记异常模式，并向医生建议可能的治疗方案。这并不会取代医护人员，但可减轻其工作负担并改进决策。由 AI 驱动的诊断与监测工具已在使用，随着 agentic 系统的进步，它们能承担更复杂的任务。

游戏

在游戏中，agentic AI 可用更自然的方式让非玩家角色（NPC）做出反应，取代脚本化行为。角色不再沿着可预测的对话树前进，而是能适应玩家的选择、发展自身目标，甚至从过往交互中学习。这将让游戏世界更具不可预期性与沉浸感。

金融

金融领域也在探索 agentic AI，尤其是用于实时交易。此类系统可以分析市场趋势、自动执行交易，或向人工交易员建议投资策略。尽管已有一定程度的自动化交易，agentic AI 能在无需持续人工干预的情况下处理更复杂的决策。

Agentic AI 的优势

我认为 agentic AI 的主要优势在于，它能将人类从重复性工作中解放出来，使其专注于更高层次的任务。这一趋势并非首次出现——计算器接管繁琐运算、计算机实现数据处理自动化，等等。

通过自动化重复性工作，agentic AI 为试验与探索腾出空间。当专业人士不必把大量时间花在行政性或低层次决策上时，他们就能更快迭代想法、测试新方法，并在各自领域突破边界。因此，新发现与创新涌现的速度可能会提升。

另一大优势在于 agentic AI 使专业知识的获取更为大众化。过去，深厚专长往往只对能负担顾问、咨询或内部专家的组织开放。随着提供研究、分析与决策支持的 AI 系统出现，更小的团队和个人也能以更高水平运作。这可能会降低那些历来由经验与资历把关的行业门槛。

Agentic AI 的挑战

尽管优势明显，agentic AI 也带来了需要审慎对待的重大挑战，涵盖伦理问题、社会经济冲击以及技术局限等方面。

伦理关切与监管

最大挑战之一是 AI 在做出影响人类生活的自主决策时所带来的伦理影响。若缺乏明确的法律与指南，就存在造成意外伤害的风险。在建立完善的法律框架并积累更多现实经验之前，将 agentic AI 限定在辅助性角色、而非允许其直接采取可能带来严重后果的行动，或许更为稳妥。

社会经济影响

Agentic AI 可能自动化常规任务，让劳动者投入更有意义的岗位。但这种转变也可能导致广泛的就业替代，带来经济与社会挑战。历史上，技术革命往往创造新的就业机会，但过渡期会伴随扰动。应对之道在于积极的政策与再培训举措。

技术挑战与 AI 透明性

AI 的“黑箱”特性已令人担忧，而随着 agentic AI 复杂度提升，理解其决策过程将愈发困难。缺乏透明性会削弱问责能力，尤其当 AI 驱动的决策产生现实后果时。

Agentic AI 的未来

当下的系统多在自动化预定义任务，未来的模型可能更进一步——实现自我改进、设定自身目标，成为更独立的问题解决者。

自主且自我改进的系统

目前，agentic AI 遵循人类设定的目标，但未来版本可能动态演化。不再仅仅执行任务，它们还能细化自身策略、从失败中学习，并根据条件变化调整目标。由此，AI 系统将更像真正的数字协作者，而不仅仅是工具。

更易用的开发工具

随着 AI 开发平台的进步，非技术用户也将获得更直观的方法来创建 AI 助手。无需编写复杂工作流，人们便可通过简单界面设计 AI 驱动的助手。这些助手可以管理电子邮件、自动化业务运营，甚至处理复杂的项目协调——而无需深厚技术背景。

作为个性化数字伙伴的 AI

agentic AI 的长期愿景不止于自动化，更在于个性化适配。AI 系统将更具个体化，学习用户偏好与工作风格，提供定制化支持。不再是“一刀切”的 AI，每个人都可能拥有一个理解其独特需求、并与之共同进化的系统。

结语

本文概述了 agentic AI 及其应用，也讨论了优势与挑战，并对未来作出温和展望。尽管仍处早期阶段，agentic AI 已逐步获得关注，越来越多从业者在这一领域开发更强大的应用。这是一个值得持续关注的方向，我也期待看到接下来的新进展！

如需进一步了解，推荐阅读这篇关于agentic RAG的博客。