导读：什么是代理人工智能（Agentic AI）？这些系统将如何提高我们的生产力，促进更明智的决策，并最终彻底改变全行业？

什么是代理人工智能？这些“自主式”系统如何彻底改变行业？复杂任务的人工智能自动化如何提高生产力并促进更明智的决策？为什么我们现在需要了解这项尖端技术或者新的AI基础设施？

2024 年 5 月以来，“Agentic AI“与”代理人工智能” 一词开始在互联网上频频出现，这标志着人工智能话语权的重大转变。 

这一概念将人工智能视为一个实体，即使仍不具备自主性，但至少具有决策能力，这一概念在学术界和工业界越来越多地出现了。 

这不仅反映了最近的技术进步，也揭示了我们对人工智能及其潜力的理解发生了新的转变。 

代理人工智能这一概念的提出，揭示了人机交互更有意思的问题，从而提出了关于人工智能的伦理影响与未来应用、以及它所带来的挑战与机遇等问题。

我们现在就来详细了解。

代理人工智能的定义

当我们谈论代理人工智能时，其实指的是一类目标实现自主操作的人工智能系统。这意味着，设计用于做出决策并与环境互动以实现特定的目标。为此，代理人工智能必须能够感知其环境，收集和处理数据，并执行操作以实现预定义目标。 

与需要人工监督并遵循预定义规则的传统人工智能系统不同，代理人工智能有望动态地调整与优化其性能。

RPA 4.0

代理人工智能可以帮我们实现复杂工作流的自动化、提高生产率并实现更高效的决策流程，从而为行业带来新视角。从现实场合中，AI 代理可以部署到客户服务、医疗健康和金融等领域，用来管理任务。它们的总体目标是承担以前对人类来说耗时且耗资源的任务。 

简而言之，这可能是机器人流程自动化的 4.0 版本。

“代理人工智能还有可能重新定义人类与人工智能在工作中的关系。数字同事不会取代员工，而是会增强人类的能力并处理日常的重复类工作，这样员工就可以专注于高判断力的职责”

——Margo Poda——Moveworks 高级内容营销经理

代理人工智能主要功能可以分为几个领域：

感知：AI 代理通过传感器或数据输入从其环境中收集数据。这些数据可以包括与代理任务相关的视觉、文本、音频或其他形式的输入。

决策：基于收集的数据，AI 代理使用决策算法来分析情况并确定最佳行动方案。这涉及评估不同的选项并预测潜在结果，以选择最佳行动方案。

行动：在确定最佳行动方案后，AI 代理将采取必要步骤来实现其目标。这可能涉及与用户交互、控制物理设备或触发软件系统内的特定流程。

学习和适应：代理人工智能不断从经验中学习，并随着时间的推移提高其性能。这一学习过程使它们能够更有效地处理新的和意想不到的情况，从而提高其整体能力。

代理人工智能与传统人工智能系统的区别

代理人工智能在许多关键方面与传统人工智能系统有所不同，主要是在自主性和适应性方面。

自主性意味着传统的人工智能系统可能需要监督或人工干预才能执行任务。它们根据预定义的规则和脚本运行，这限制了它们适应新情况的能力。另一方面，代理人工智能却能够自主运行、做出决策，并在没有持续人工监督的情况下采取行动。这种自主性使它们能够更有效地管理复杂而动态的环境。

至于适应性，这与传统人工智能模型通常缺乏随时间学习和适应的能力形成对比。它们是为特定任务而设计的，难以应对超出其训练数据范围的场景。另一方面，代理人工智能使用机器学习技术不断从新数据和经验中学习。这种适应能力使它们能够提高性能并管理更广泛的任务。

代理人工智能还被设计成以更复杂的方式与环境和其他系统进行交互。它们可以与其他代理人工智能或人类用户协作，共享信息并共同努力实现共同目标。 

这种程度的互动和协作通常超出了传统人工智能系统的能力。

最后，虽然传统 AI 系统遵循预定义的规则来做出决策，但 AI 代理使用高级算法来评估多种因素并预测结果。这种复杂的决策过程使 AI 代理能够更有效地管理细致入微、多方面的任务。

“目前，实现高性能自主代理的主要策略是使用多代理系统。在多代理系统中，多个自主代理以数字或机器人形式进行交互或协作以实现个人或集体目标。” 

— Microsoft Agent IA | Microsoft Learn

什么是代理人工智能？

代理人工智能（AI Agent）一共分为两大类：软件代理与嵌入式代理。

软件代理

这些代理在数字环境中运行，例如计算机或移动设备。它们通常用于虚拟助手、聊天机器人和自动客户服务系统等应用程序。软件代理通过界面与用户交互，并执行安排约会、回答问题、管理数据等任务。

嵌入式代理

这些代理嵌入物理之实体，例如机器人或自动驾驶汽车。嵌入式代理与物理世界交互并执行导航、对象操纵和环境感知等任务。示例包括制造业中的机器人助手、医疗保健机器人和自动驾驶汽车。

代理人工智能的基本原理和组成

代理人工智能的功能常规的例如感知和数据收集、决策过程、行动和反馈循环以及学习与适应。 

AI 代理使用各种传感器和输入设备收集有关其环境的数据。这些数据对于了解代理运行的环境和做出明智的决策至关重要。

另一个部分与决策过程有关。根据收集的数据，代理人工智能使用决策算法来评估不同的选择并预测潜在结果。这些算法可以是简单的基于规则的系统，也可以是复杂的机器学习模型。

最后，行动和反馈循环完成了基本基础。一旦做出决定，代理人工智能就会执行实现其目标所需的行动。然后，他们监控这些行动的结果，并使用反馈来改进其未来的决策过程。这种持续的反馈循环使代理人工智能能够随着时间的推移提高其性能。

代理人工智能是如何工作的？

代理人工智能中的机器学习

机器学习是代理人工智能运行的关键要素。从而使AI Agent能够从数据中学习、识别模式并做出预测。通过对大型数据集进行训练，代理人工智能可以培养处理各种任务和适应新情况的能力。在这种情况下，机器学习 (ML) 将表示为这些代理使用算法和统计模型分析和学习数据的过程。这使它们能够自主提高决策能力，从而增强其执行任务和有效适应新情况的能力。

训练 AI 代理需要为其提供大量数据，并使用机器学习算法来识别模式和相关性。训练过程共涉及几个阶段：

数据收集：从各种来源收集相关数据。

预处理：清理和组织数据以确保其质量。

模型训练：使用机器学习算法对数据进行模型训练。

评估：评估训练模型的性能并做出必要的调整。

部署：在代理人工智能中实现训练好的模型，以供现实世界使用。

数据多样性和质量的重要性

训练数据的质量和多样性对于 AI 代理的成功至关重要。高质量的数据可确保准确学习，而多样化的数据可帮助 AI 代理在不同场景中进行泛化。如果没有多样化的数据，AI 代理可能会在意外情况下出现偏差或表现不佳。

而另一个名词，人工智能“近亲繁殖”是指人工智能系统在包含越来越多人工智能生成内容的数据集上进行训练的情况。这可能会导致结果质量和多样性下降，因为代理人工智能从模拟人类输出的内容而不是真实的人类创造的内容中学习。随着时间的推移，这可能会导致“模型崩溃”，代理人工智能变得效率低下，更容易出错。

实际应用

代理人工智能正被应用于行业的各个领域，以自动化任务、提高效率和增强用户体验。一些值得开发者注意的例子包括：

客户服务和支持：聊天机器人等代理人工智能可处理客户查询、提供实时支持并在无需人工干预的情况下解决问题。这可缩短响应时间并提高客户满意度。

IT 和技术支持：AI 代理可自动执行重复的 IT 任务，例如解决技术问题、管理软件更新以及监控系统以发现潜在问题。

医疗保健和个性化医疗：AI 代理可帮助诊断医疗状况、推荐治疗方案并个性化患者护理。它们可以分析医疗记录、识别模式并向医疗保健专业人员提供信息。

金融和自动化交易：金融领域的代理人工智能管理投资组合，根据市场情况执行交易，并分析财务数据以提供投资建议。

制造和物流：AI 代理优化生产流程、管理供应链并改善库存管理。它们可以预测需求、安排维护并简化运营。

挑战与道德考量

“生成式人工智能在处理幻觉方面仍然存在挑战，例如，生成的内容具有误导性或虚假，但生成式人工智能却将其视为真实。目前，人类代理需要监控该技术并确保其正常运行。” 

— Muddu Sudhakar — Aisera 联合创始人兼首席执行官

代理人工智能需要访问大量数据才能有效运行。这可能会引发人们对数据机密性和安全性的担忧。因此，确保以负责任的方式收集、存储和使用数据非常重要，以保护敏感信息并维护用户信任。

此外，代理人工智能的自主性带来了道德困境，特别是在做出对个人或社会有影响的决策时。为了解决这个问题，重要的是确保人工智能决策过程的公平性、透明度和问责制，以避免偏见和不道德的结果。

事实上，代理人工智能可以继承其训练数据中存在的偏见，这可能导致不公平或歧视性的结果。减轻这些偏见需要仔细选择训练数据、持续监控以及实施检测和处理人工智能模型中偏见的技术。

开发代理 AI 应用程序的主流框架

当然，以下是用于开发代理 AI 应用程序的一些主要框架：

GoEX：Gorilla 执行引擎（Gorilla Execution Engine，GoEX）是由加州大学伯克利分校研究员 Shishir Patil 领导的新项目，帮助开发者创建更安全、更私密的 Agentic AI 应用程序。

https://techcommunity.microsoft.com/t5/ai-ai-platform-blog/goex-a-safer-way-to-build-autonomous-agentic-ai-applications/ba-p/4121796

AutoGen：由微软开发，AutoGen 提供了一个多代理对话框架作为高级抽象。它支持使用多个可以相互对话以解决任务的代理来开发 LLM 应用程序。

https://github.com/microsoft/autogen

CrewAI：这是一个建立在 LangChain 之上的开源框架，用于创建和管理协作 AI 代理。

https://www.course5i.com/blogs/agentic-ai-systems-for-robust-governance/

LangGraph：LangGraph 是另一个基于 LangChain 构建的开源框架。

https://www.course5i.com/blogs/agentic-ai-systems-for-robust-governance/

TaskWeaver：这是微软开发的开源框架。TaskWeaver 是一个代码优先的代理框架，旨在无缝规划和执行数据分析任务。它利用大型语言模型 (LLM) 来实现复杂的逻辑，并通过可定制的示例和插件整合特定领域的知识。

https://github.com/microsoft/TaskWeaver

这些框架旨在帮助开发人员构建更复杂、更自主的人工智能应用程序。它们提供了创建人工智能代理所需的工具，这些代理可以以更自然、更直观的方式相互交互并与人类交互。

结语

AI Agent代表了人工智能领域的一大进步，它提供了自主决策和执行复杂任务的能力。 

通过自动化工作流程和提高生产力，这些代理不仅可以与人类更好地沟通，还可以与其它不同的代理更好地沟通。 

通过采用这些技术并确保“道德”和透明的监督，我们可以期待人工智能和人类之间的和谐合作，最大限度地提高效益，同时最大限度地降低风险。

人类正在面对重塑的时刻！未来几年，我们将创造越来越强大的技术，这些技术将开辟新的途径，释放更大的人类潜力、生产力还有创造力！

作者：场长