什么是智能体 AI？
代理型 AI 是为 AI 智能体提供支持的自主智能。该解决方案集合了先进的 AI 方法和算法，允许智能体感知上下文，推理目标，规划分步行动，并利用 AI 工具和集成跨应用程序和系统执行工作。借助这些功能，智能体可以在非结构化环境中有效运行，处理复杂问题，并支持多变的多步骤工作流。
摘要
智能体 AI 是一个先进的人工智能系统，它能够让 AI 智能体跨数字系统自主推理、规划、合作并采取协调行动，以实现既定目标
生成式 AI (GenAI)、大型语言模型 (LLM)、自然语言处理 (NLP)、深度学习和机器学习 (ML) 方面的 AI 进步 使这一切成为可能
其具有变革性，可促进企业采用新的运营模式和全新的工作模式
它很有价值，已经为许多不同业务流程、用例和行业的主要采用者带来了显着的投资回报率和竞争优势。分析师预测，随着技术的广泛采用，它将在全球释放数万亿美元的经济价值。
这需要全新的技术、方法和功能。实现执行和可扩展性的关键功能包括编排框架和工具、上下文记忆、动态工具集成以及利用自然语言处理（NLP）的界面。要确保监管、可观察性和安全性，需要安全推理机制、控件即代码、人机回圈、控制平面等。
什么是智能体 AI？
智能体 AI 为自主智能体提供了规划、高质量决策的能力，并在朝着目标努力的过程中进行调整。智能代理可以理解上下文，将任务分解为多个步骤，通过工具和系统采取行动，并根据经验进行改进，而不是对单个提示做出反应。这使得数字工作者能够承担人们通常会执行的更复杂、基于判断的工作，包括支持团队、扩展容量以及在整个企业范围内加快成果转化。
智能体 AI 系统具备以下能力：
了解目标并根据上下文和可用数据做出决策
将复杂的任务分解为可管理的分步计划
使用工具、应用程序和外部系统完成工作
记住相关信息和正在进行的场景
在需要时与人员或其他智能体协作
从结果中学习，随着时间的推移，逐渐提高绩效
将这些功能结合在一起，即可使智能体能够在复杂的工作流中独立运行，处理变化，适应新信息，并跨系统协调工作，以使长时间运行的流程朝着正确的结果方向发展，而无需持续的人工干预。
代理型 AI 的工作原理
代理型 AI 系统是感知、规划、行动和学习的持续循环。
感知
AI 驱动型智能体从文档、应用程序、数据源、API、传感器或其他系统中收集信息。系统会解释此信息以了解当前上下文。
推理和计划
智能体会根据感知到的内容评估各种选项，并确定实现目标所需的步骤。这些计划可能涉及选择最佳操作序列，或确定要使用的正确工具或系统。
执行操作
智能体通过应用程序、API、机器人或其他智能体执行任务。这些操作可能包括更新记录、生成内容、检索信息、启动工作流步骤或跨多个系统协调活动。
思考与学习
每次执行后，智能体会评估结果。它使用反馈以及短期或长期记忆来优化方法，改善未来决策，并保持较长工作流的连续性。
此循环会不断重复，从而使智能体能够应对复杂的工作流，管理不断变化的条件，并在实际企业环境中有效运营。
什么是智能体自动化和编排，它们在扩展智能体 AI 方面起什么作用？
代理 AI 让智能代理能够在复杂的工作流中进行推理、规划和行动。但是，为了使这些功能可靠运行，智能体需要一个能够执行决策并协调行动的基础。该基础建立在两项相关功能的基础上：智能体自动化和编排。
智能体自动化
智能体自动化是一个执行层，可将智能体的决策转化为实际工作。它将 AI 智能体、机器人、集成和人员结合在一起，跨系统自动执行多步骤任务。智能体会解读上下文并确定下一步行动。机器人跨屏幕、API 和应用程序执行一致的高保真操作。在需要监督的情况下，人工通过人机回圈控制措施提供指示、批准和专业判断。智能体自动化的一个决定性特征是它能够在不同的企业系统（传统系统和现代系统、结构化系统和非结构化系统）中运行。
编排
编排是指智能体自动化中的协调功能，用于管理智能体、机器人和人员的协同工作。它定义了整个工作流中的角色、权限、排序和移交规则。它可确保操作可观察，决策可审核，并且行为符合企业策略和监管要求。
通过编排，组织可以管理多智能体协作、长时间运行的流程、跨系统交互以及需要人工监督的点，确保自主活动安全、可预测且符合业务目标。
自动化和编排如何协同工作
编排是智能体自动化的核心部分，两者共同协作，让智能体 AI 能够在整个企业有效运行。
智能体自动化使用户能够通过机器人、集成和 AI 驱动的操作跨系统执行工作。
Orchestration可以协调这些操作，确保它们以正确的顺序发生，具有正确的权限以及安全合规操作所需的可见性和防护机制。
它们共同提供了 AI 智能体的结构和控制能力，使其能够大规模规划、行动并交付复杂的结果。
智能体 AI 在 AI 和自动化生态系统中的定位
代理 AI 在 AI 模型和技术、自动化工具以及协调和控制功能等更广泛的环境中运行。了解这一生态系统有助于弄清楚代理型 AI 的工作原理、它依赖的是什么以及它如何与其他企业技术交互。
AI 功能：认知构建块
生成式 AI (GenAI)
GenAI 可以生成文本、代码、摘要或其他内容。智能体 AI 可以将生成式输出作为更大型计划的一部分，但范围不仅限于生成，还包括决策和采取行动。
传统 AI、机器学习和深度学习
传统 AI、机器学习和深度学习模型支持分类、预测、模式识别和优化等任务。深度学习模型尤其擅长解释文本、图像和音频等非结构化数据。代理 AI 将这些功能整合到更广泛的工作流中，而这些工作流需要跨多个系统进行上下文敏感的规划、决策和行动。
推理模型
推理模型支持以结构化方式解决问题，以及多步骤思维。代理 AI 使用这些功能来评估选项，并确定适当的后续步骤。
自然语言界面
自然语言界面允许人们用日常用语表达目标，让 AI 变得触手可及。智能体 AI 可以解读这些输入，而决策过程是由其规划和控制逻辑驱动的。
运营实体和角色：执行工作的参与者
AI 智能体
AI 智能体应用智能体 AI（智能体）和嵌入式控制逻辑来感知上下文、做出决策并采取行动。控制逻辑可能包括明确的规则、约束和策略，用于塑造行为并提供可预测、可审核的决策路径。智能体可以单独工作，也可以与其他智能体、机器人和人员协同工作。
专用型智能体
专业智能体专为聚焦角色或领域特定任务而设计。它们应用目标逻辑或专业知识来处理工作流中的不同步骤，例如提取数据、验证输入、评估风险或协调移交。
深度智能体
深度智能体是一种新型的多步骤智能体系统，由目标驱动，能够规划、保留上下文、从错误中恢复以及协调子智能体。与浅层任务级智能体不同，深度智能体可处理长期任务，并能适应现实世界的复杂性，更像是自主的数字同事。
多智能体系统 (MAS)
多智能体系统涉及多个智能体，这些智能体共享上下文，并在工作流中协调任务。MAS 架构支持专业分工、分布式问题解决和恢复能力，允许智能体移交工作或并行操作。智能体 AI 通过可互操作的规划和通信功能为这些模式提供支持。
执行和自动化技术：用于采取行动的工具和资源
机器人流程自动化 (RPA)
RPA 使机器人能够快速大规模执行结构化、可重复的操作。智能体负责调用机器人执行可靠的用户界面交互或系统交互，以及确定性的结构化流程，同时执行需要推理或适应的步骤。
系统集成和 API 工具
智能体使用 API、连接器和系统操作等集成技术在企业应用内执行工作。借助这些功能，智能体可以跨平台检索数据、更新记录并完成任务。
预构建代理型 AI 解决方案
预构建的代理型 AI 解决方案可提供特定领域的现成功能，团队可以快速部署这些功能，以加快采用。这些智能体和工作流套餐可提供经过测试的逻辑、集成和防护机制，组织能够快速引入完整的智能体工作流，而无需从头开始创建每个组件。
协调与监管：实现规模化的企业内控措施
编排
智能体型编排控制了智能体、机器人和人类在不同工作流中协同工作的方式。它定义了协作模式、权限、排序和监督，以确保安全和协调地执行。它还通过管理共享上下文并使决策与企业策略保持一致来支持多智能体系统。
防护机制和策略控制
护栏和策略控制提供了指导智能体行为的企业规则。它们强制执行访问权限、安全检查、决策边界和升级条件，确保智能体在批准的策略内运行，以最少的人为干预，并随着流程的发展调整这些规则。
监控和监督
监控和监督功能通过分析仪表板、审核追踪和性能检查，实时了解智能代理的运营情况。这些功能可帮助团队验证系统行为，检测偏差或意外结果，并保持跨工作流可靠、合规的运行。
智能体 AI 与智能体自动化能带来哪些优势？
代理 AI 使系统能够解释上下文、做出决策并适应现实条件，从而扩大了可自动化的工作范围。这些功能与企业自动化相结合，可产生可衡量的影响。
提高效率和吞吐量
智能体可以管理多步骤任务，跨系统协调活动，并且仅在需要时让人员参与其中，从而减少手动工作并提高流程吞吐量。
更高的准确性和一致性
智能体运用结构化推理能力、已定义策略和实时信息（理想情况下为企业/专有数据）来做出可重复且结合上下文的决策。机器人提供精确的系统执行能力，从而减少变化并提高可靠性。
缩短周期时间
智能体自动化可减少等待状态，自动触发后续步骤，无需提示即可推进工作，从而加快工作流的速度。
改善客户和员工体验
智能代理可以从各种系统和来源快速收集数据，进行分析，并提出有针对性的合规建议，从而为人们提供支持。服务代表可以更快、更轻松地响应客户，同时与客户体验快速、响应迅速且可靠的交互。
内置监管和控制
许多智能体系统均包含“代码即控件”功能，从而可以将明确的规则和行为约束、决策和升级路径内置到智能体操作代码中，并内置审核与监控功能。
更好地利用技能人才
智能体可处理运营负载，让员工能够专注于复杂的决策、创新和客户互动。
当今影响最大的代理型 AI 用例有哪些？
在将结构化任务与跨系统决策、可变性和协调融合在一起的工作流中，智能体 AI 可带来最大价值。示例包括：
简化保险索赔和承保
智能体可收集数据、分析理赔、检查保单规则、准备通信信息，并将异常情况上报给理赔人。在承保过程中，智能代理会收集所需的数据并生成建议草稿。
优化物流和供应链运营
智能体分析运输、库存和需求信号；识别延误；协调重新路由；并通过机器人或 API 启动系统更新。
强化财务决策支持和风险管理
智能体从内部和外部来源收集数据、分析趋势、评估风险、识别异常情况，并为顾问准备见解或摘要草稿。
加强网络安全和事件响应
智能体监控跨系统活动，检测异常，发现潜在威胁，并起草事件摘要。它们可以触发后续步骤，协调升级，并支持更快、更一致的安全响应。
加快药物发现和医疗保健工作流
智能体审核文献、提取见解、整理输入、支持生成假设并协调预授权或案例转交等管理工作流。
改善客户支持和案例解决方案
智能体对请求进行分类、收集上下文、起草回复、跨系统协调行动，并将基于判断的步骤上报给人工处理。
加强测试和质量保证
智能体可生成测试用例、分析结果、确定根本原因、将结果与已知问题进行比较，并为工程团队准备摘要。
加速软件开发
智能体协助进行代码生成、审核、重构、依赖项分析及记录。他们协调多步骤任务，例如识别所需的更改、提议更新、验证输出以及准备拉取请求。
智能体 AI 经历了怎样的发展历程？
代理型 AI 建立在 AI 数年取得的进展基础上：
2017 年： Transformer 架构引入了一种更有效的方法来处理上下文，从而实现了大型语言模型的开发。
2018 年至 2021 年：研究人员在海量数据集上训练“变换器”，从而形成能够进行摘要、推理和对话的模型。
2022 年：由于对齐技术使模型更安全、实用性更强且更易于使用，对话式 AI 得到了显着改进。
现状：通过将语言理解与规划、记忆和工具使用相结合，AI 系统现在不仅可以生成响应，还可以追求目标和完成任务，从而为智能体 AI 和企业级自主能力铺平了道路。
智能体 AI 的背后隐藏着哪些科技力量？
代理型 AI 利用了人工智能的多个分支：
语言和操作模型
大型语言模型 (LLM) 可以处理和生成自然语言，从而使智能体能够解释指令、分析内容并与用户交互。小语言模型 (SLM) 为更简单的任务或设备端本地任务提供了轻量级高效的语言功能。大型操作模型 (LAM) 通过支持规划、工具使用和多步骤操作来扩展这些功能。这些模型类型共同为智能体提供了各种工作流所需的推理、解释和执行功能。
规划和决策模型
规划模型可帮助智能体对任务进行排序，设置中间步骤，并在可能的操作中进行选择。
强化学习
强化学习使智能体能够根据结果调整行为，并通过试用和反馈来优化操作。
内存系统
短期和长期记忆模型可帮助智能体长期维护上下文，并处理多步骤或长时间运行的工作流。
检索增强生成 (RAG)
RAG 将模型生成与从受信任的企业数据源中进行检索相结合，从而使智能代理能够以最新的、可验证的专有信息为决策和输出依据。智能代理可以使用 RAG 来减少幻觉，获取特定领域的知识，并根据最相关的最新内容采取行动。
工具使用模型
能够识别何时需要外部工具或系统的模型，可以让智能体使用 API、数据库、应用程序和机器人来完成任务。
这些功能相结合，可为定义代理型 AI 的感知、推理、规划、行动和学习周期提供支持。
采用代理型 AI 会面临哪些风险和挑战？
代理 AI 的灵活性和自主性为监管、安全性和可靠性引入了新的注意事项。组织必须确保这些系统在定义的边界内安全、透明地运行。
自主性与监管
平衡自主性与人工监督至关重要。明确的规则、策略和升级路径有助于确保智能体在定义的限制内运行。
透明度与可靠性
智能体生成的结果可能需要验证或解释。审核追踪、评估框架和持续监控可提高可追踪性并减少不确定性。
安全与隐私
智能体经常访问敏感数据。强大的身份控制、访问策略和监控对于防止未经授权的使用和维护数据完整性至关重要。
协调与对齐
随着多智能体系统的日益普遍，维护共享上下文并防止发散行为至关重要。编排框架有助于保持一致性。
模型和工具的完整性
智能体依赖于许多组件，包括模型、API 和第三方工具。定期测试、验证和来源追踪可以降低不正确或不安全行为的风险。
代理型 AI 的构建和管理方式
部署代理型 AI 需要在设计、编排、集成和监督等方面进行协调，以便智能代理能够在整个企业中一致、安全地运行。
智能体设计和构建
智能体的设计围绕着明确的目标、对正确数据的访问权限和明确的决策边界。嵌入式控制逻辑塑造行为并确保一致性。
编排和安全性
智能体通过管理协作、权限和防护机制的编排层与其他智能体、机器人和人员展开协作。每项操作均可追踪，每项决策均可审核。
集成
智能体使用 API、表单、机器人和应用连接到企业系统。通过集成，智能体无需中断即可在现有工作流中检索信息并采取行动。
观察、测试和验证
持续观察、测试和反馈为安全扩展提供支持。监控工具跟踪决策和结果，而验证框架在部署前确认预期行为。
实施代理型 AI：实用清单
部署代理型 AI 并不是要取代工作流，而是要重新设计工作流，以充分利用自主智能。此清单概述了一种实用方法。
选择以目标为导向的流程
选择一个对推理或上下文相关决策至关重要的流程；定义结果和成功标准。
建立监管和监管机制
在开始开发之前定义访问、监督和升级策略。
原型和测试
在窄工作流任务中对智能体进行试验，以观察它们如何制定计划、行动和学习。
编排与集成
通过编排将智能体连接至现有系统和工具。
扩展和改进
在监控性能、偏差和结果的同时逐步扩展，应用持续改进方法。
常见问题
问：简单来说什么是智能体 AI？
答：智能体 AI 是一种智能，能够让 AI 智能体理解上下文、做出决策，并采取行动实现目标。它使得 AI 的运行能力不仅限于单个提示，还可以自主执行多步骤工作。
问：代理型 AI 与生成式 AI 有什么不同？
答：生成式 AI 创建内容，而代理型 AI 使用推理、规划和行动功能来完成任务，实现既定目标。它们相辅相成，并且经常协同工作。
问：什么是 AI 智能体？
答：AI 智能体是一个软件参与者，它使用智能体 AI 和嵌入式控制逻辑在应用程序和系统中执行工作。智能体可以协调任务，使用工具以及与人类或其他智能体协作。
问：什么是智能体自动化？
答：智能体自动化是指通过 AI 智能体、机器人和人员来执行工作。它支持将决策制定与结构化系统操作相结合的端到端工作流。
问：什么是智能体型编排？
答：智能体型编排管理智能体、机器人和人员在工作流中的协作方式。它定义了角色、权限、排序和防护机制，以确保执行受控且合规。
问：智能体 AI 能否在现有企业系统中运行？
答：是。智能体和机器人可以通过用户界面、API、Data Service 和其他集成点进行运行，从而实现跨传统系统和新式系统的自动化。
问：哪些工作类型最适合使用智能体 AI？
答：将结构化任务与跨多个系统的决策点、可变性或协调混合在一起的流程受益最多。示例包括索赔处理、案例管理、承保和运营分析。
问：代理型 AI 系统是否需要人工监督？
答：是。即使是自主系统也会在定义的策略、约束和升级路径内运行。人工审核用于异常、批准和高判断力场景。
问：是否支持多智能体系统？
答：是。智能体 AI 支持多智能体模式，在这些模式中，智能体可以共享上下文、划分任务或通过协作完成复杂的工作流。
问：智能体如何与企业策略保持一致？
答：智能体遵循定义的控制逻辑、护栏和编排规则。审核追踪和监控可确保决策符合策略和监管要求。
问：采用代理型 AI 有哪些主要风险？
答：主要风险包括自主性不一致、数据访问问题、透明度挑战和集成漏洞。监管、编排和持续监控有助于缓解这些问题。
问：组织如何开始实施代理型 AI？
答：从面向目标的流程开始，建立护栏，构建小型原型，通过编排进行集成，在监控性能和行为的同时逐步扩展。
