AI 正在变身！“AI Agents”退场，“Agentic AI”登场，背后发生了什么？ - 文章 - 开发者社区

我们正处于一段发展阶梯上，从最初的大型语言模型（LLM），到具有人类般数字交互能力的 AI 智能体（AI Agents）。但……在商业落地层面，焦点正在从 AI 智能体转向 Agentic AI。

让我们用简单的语言来分解一下，探索AI Agents与Agentic AI的区别、现实应用以及它们的未来。

什么是AI Agent和Agentic AI？

什么是AI Agent？

AI Agents通常是为了执行特定任务而构建的。它们的设计目的是帮助你完成某些工作——比如回答问题、整理日程表，甚至管理你的电子邮件收件箱。AI Agents非常擅长自动化简单、重复的任务，但它们没有像Agentic AI那样的自主性或决策能力。可以把它们看作是虚拟助手，它们会按你的指令行事，而不会自己进行思考 。

picture.image

什么是Agentic AI？

从本质上讲，Agentic AI是一种强调自主性的AI类型。它有点像一个虚拟助手，可以进行思考、推理并适应变化的环境，而无需持续的指导。

Agentic AI的工作可以分为四个关键阶段 ：

1.感知：它从周围的世界收集数据。2.推理：它处理这些数据，以理解发生了什么。3.行动：它根据自己的理解决定做什么。4.学习：随着时间的推移，它通过反馈和经验不断改进和适应。

picture.image

AI Agent和Agentic AI的区别？

尽管AI Agents和Agentic AI都由人工智能驱动，但它们的运作方式截然不同。

在现实世界中是如何应用的？

AI Agents的应用

客户支持 ：AI Agents最常见的应用之一是在客户服务领域。聊天机器人可以回答问题、解决问题，并引导客户完成流程——所有这些都无需人工干预。 Zendesk的AI驱动聊天机器人[1] 帮助企业快速高效地响应客户查询，作为AI Agent，它处理常见问题，并将人类客服释放出来，以应对更复杂的任务。
个人助理 ：如果你使用像Siri或Google Assistant这样的语音助手，那么你可能每天都在与AI Agent互动。它们可以帮助你设置提醒、查看天气或播放你喜欢的音乐——这些任务有用但不需要太多决策。这些AI Agents依赖预定义的命令，擅长处理简单、重复性的任务。
电子邮件管理 ：AI Agents也非常适合管理你的收件箱。它们可以对邮件进行分类、标记重要邮件，甚至提供智能回复来节省你的时间。 Google的Gmail智能写作功能 就是AI Agent应用的一个优秀例子，它根据上下文建议短语，帮助用户更快地回复邮件。
生产力工具 ：像 GitHub Copilot[2] 这样的工具是AI Agents，能够通过建议代码和帮助调试来帮助软件开发人员。它们就像是你身边的第二双眼睛，随时为你提供帮助。通过实时提供代码建议，这个AI Agent提升了开发者的生产力，使他们能够专注于工作的更具创意的方面。

Agentic AI的应用

自动驾驶汽车 ：Agentic AI最令人兴奋的应用之一是在自动驾驶汽车中。这些AI系统感知周围环境、做出驾驶决策，并从每一次出行中学习。随着时间的推移，它们变得越来越擅长导航并应对路上的新挑战。 特斯拉的全自动驾驶系统 就是一个Agentic AI的例子，它持续从驾驶环境中学习，并调整其行为以提高安全性和效率。
供应链管理 ：Agentic AI还在帮助公司优化供应链。通过自主管理库存、预测需求并实时调整配送路线，AI可以确保运营更加顺畅和高效。 亚马逊的仓库机器人 就是一个例子——这些机器人能够在复杂环境中导航，适应不同的条件，并自主地在仓库中移动货物。
网络安全 ：在网络安全领域，Agentic AI可以通过分析网络活动来检测威胁和漏洞，并自动响应潜在的安全漏洞。 Darktrace是一家AI网络安全公司[3] ，使用Agentic AI实时检测、响应并从潜在的网络威胁中学习。
医疗保健 ：AI在医疗保健领域也扮演着重要角色。Agentic AI可以协助诊断、治疗建议和病患护理管理。它通过分析医疗数据、识别模式，帮助医生做出更为明智的决策。 IBM的Watson Health 利用AI分析大量的医疗数据，从新信息中学习，并提供有助于医生和医疗专业人员的见解。

为什么目前我们（暂时）不再聚焦于 AI Agents？

像 Salesforce 和 Service 这样的公司曾大力转向 AI 智能体技术，然而，现实是：AI 智能体的技术成熟度还远未达到实际生产应用所需的准确性水平 。

如果撇开市场营销的炒作，以及各种优秀的原型和演示，你会发现这些 AI 智能体的准确率并不适合用于生产环境 。

例如，Claude AI Agent 计算接口（ACI） 的表现仅为人类表现的 14% 。

下面这张来自 TheAgentFactory 的图表显示了当前 AI 智能体在成本、步骤数和成功率 方面所处的位置。请注意，它们的成功率大约只有 20% 。

这些数据展现了当前现实的严峻状况。

picture.image

随着 OpenAI 最近发布了 Operator 功能，其在计算机操作和网页浏览使用方面的准确率 达到了 30% 到 50% 。但即使如此，仍然低于人类 70% 以上的能力水平 。

picture.image

此外，还有一些有趣的研究指出，具备网页浏览功能的 AI 智能体极易受到恶意弹窗攻击

AI 智能体要实现类似人类的任务执行方式，主要有两个途径：

1.通过网页浏览器（如 WebVoyager、OpenAI Operator 等）；2.通过操作系统的完整图形界面（GUI）（如 Anthropic 的方案）。

这些方法本质上是将 图形用户界面（GUI）当作 API 来供 AI 智能体调用。

早期的尝试是使用每个应用独立提供的 API 接口，但这在实际中并不可行 ，因为为每个系统开发并维护 API 的成本过高。而且，许多商业应用根本就没有开放 API 。

推理与问题解决

现代 AI 模型正越来越多地将推理能力 作为核心特性进行整合，使它们能够通过将复杂问题拆解为可管理的子问题 ，来应对更加复杂的任务与挑战。

picture.image

推理机制的变革：从外部指令到内部结构。这一转变的核心是创新的任务分解策略 ：通过将问题拆解成更小的子问题，使模型能够系统性地逐一处理各个部分 。

现代模型将“推理”视为一种内部过程 ，从而模拟人类的思维方式，提升模型提供答案的准确性 与细腻程度 。

拆解策略的优势包括通过分而治之的方法，提高整体处理速度与质量；让用户更清楚模型是如何得出结论的；帮助用户更好地理解 AI 的思路与决策逻辑。

在早期，用户需要在提示词中显式加入推理特征 ，告诉模型如何进行逻辑分析与任务拆解 ，并通过 Few-Shot 示例引导其仿效。

如今，这种推理能力正在被内置于模型结构 中，用户无需再反复提示 模型“如何思考”，AI 已能自行判断并拆解复杂任务。

结语

世界正以前所未有的速度前进，几乎每天都有新技术问世，每一种都声称能颠覆产业、改变未来。但创新的真正衡量标准 ，不是是否掌握了最新技术，而是是否能将这些技术转化为可见的、实际的价值 。

无论是改善客户体验、优化内部运营，还是应对社会问题，关键问题始终是：我们如何利用技术，去实现真正有意义的解决方案？

当企业以价值为导向思考问题 ，就能够更好地适应变化，在科技进步的浪潮中，始终保持相关性和竞争力 。

References

[1] Zendesk的AI驱动聊天机器人: https://www.zendesk.co.jp/service/ai/#georedirect
[2] GitHub Copilot: https://github.com/features/copilot
[3] Addepto是一家领先的生成性AI开发公司: https://addepto.com/services/generative-ai-development-company/