代理式AI与代理式工作流程介绍

代理式AI与代理式工作流程介绍

随着人工智能（AI）的持续进步，一个新兴领域——代理式AI（Agentic AI）逐渐兴起。与传统AI不同，代理式AI旨在理解更复杂的情境并做出战略决策。本文将深入探讨代理式AI的世界，涵盖其关键组成部分和发展历程，并阐述其与传统AI的差异。我们还将讨论代理式AI在商业运营中的实施优势与风险，以及其未来的发展趋势。

什么是代理式AI？

代理式AI是一种专门设计来理解复杂工作流程并自主实现目标的AI系统，几乎无需人类干预。代理式AI的主要特征包括：

• 自主性：代理式AI拥有自己的目标、宗旨和动机，这些驱动其决策和行动。它能够在无需人类监督的情况下，自主选择最合适的步骤来达成目标。
• 适应性学习与推理：代理式AI能够从与环境的互动中收集信息，并从过去的经验中学习。这些代理可以运用推理和问题解决能力来更新知识、调整策略，并随时间提升其性能。
• 语言理解：代理式AI利用先进的自然语言处理（NLP）模型，如变压器（transformers）和大型语言模型，以深层语义理解和处理人类语言。
• 工作流程优化：代理式AI结合语言理解、推理、规划和决策能力，来优化工作和业务流程。这包括优化资源分配、简化沟通与协作，以及识别流程自动化机会。
• 多代理与系统对话：代理式AI能够与其他代理进行通信，构建复杂的工作流程。它还可以连接到其他系统或工具，如电子邮件、代码执行器或搜索引擎，来执行各种任务。

这些功能的整合使代理式AI成为提升生产力和改善决策过程的强大工具，并使其与传统AI有所区别。

代理式AI与传统AI的比较分析

代理式AI和传统AI在诸多方面存在显著差异。下表分析了两种类型AI的不同特征，并列出各自的例子。

代理式AI的构建要素

LangChain的创始人Harrison Chase指出，构建代理式AI的要素包括四个主要方面：规划、记忆、工具和行动。

图源：Harrison Chase

• 规划：代理会设计一个工作流程以达成目标。计划包括反思、自我检讨、思维链和子目标分解。为了让代理制定更好的计划，提示工程是代理助理生成更接近期望结果的基础。更多提示范例请参阅博客文章「如何在没有任何编程技能的情况下创建AI助手」。规划过程由记忆组件支持，以回顾计划或工作流程中的前一子任务。
• 记忆：代理具备记忆组件，用于存储先前的行动或子任务，这些可能在未来 的规划或行动中需要。记忆分为短期记忆和长期记忆，用于存储具有不同依赖性的数据或先前的任务结果。
• 工具：指一组工具，如日历、计算器、代码解释器，代理助理使用这些工具来执行特定任务。
• 行动：代理根据计划完成分配的任务并利用所配备的工具。

这四个方面循环运行，形成一个周期，直到完成给定的任务。流程从规划开始，配置工具，进行行动，然后记忆，最后回到规划，开始下一阶段的计划或另一 个任务。

举个例子，若需代理式AI计算（1+2）/3，代理将从规划阶段开始。首先计划计算1+2，装备计算器工具，并执行加法。生成结果后，将结果存储在短期记忆中以进行下一步。最后，回到规划阶段反思计划，并利用记忆中的结果进行除法，完成任务。若需执行更复杂的任务或工作流程，可建立多代理系统，由多个拥有不同工具或规划的代理式AI组成，来指定不同的子任务。

对话式AI的演进：从反应型到代理式AI

过去数十年，对话式AI领域经历了显著变化，从简单的基于规则的聊天机器人，到能进行决策和目标导向行为的先进代理式AI系统。演变过程中经历了几个关键阶段：

1. 反应型对话式AI

早期的对话式AI系统主要基于规则，对特定用户输入有预设回应。这些系统没有记忆，且任务单一。在自然、上下文对话方面能力有限，常难以理解复杂语言。

2. 具备上下文理解的对话式AI

随着自然语言处理（NLP）和机器学习的进展，AI经过大量数据训练后，能掌握更广泛的对话上下文和细微差别。通过整合语言模型、对话管理和知识库，对话式AI系统在理解上下文、保持连贯对话及根据对话流程调整其自然语言回应方面变得更加成熟。

3. 代理式AI

企业应用中，不仅需要回应用户，还需要能自主管理和执行复杂工作流程或任务的系统。这些系统需要具备主动性，能预测、规划并独立行动以达成目标。因此，开发出满足这些需求的代理式AI助理，这些助理具备自主设定目标、上下文感知的决策能力、强大的语言理解能力，以及与各种企业系统整合的能力。

什么是代理式工作流程？

代理式工作流程指的是连接多个代理式AI，形成更具迭代性或多步骤的框架，使代理能够自主执行更复杂的任务并做出决策。能够处理更复杂任务的代理式工作流程有以下几个关键要素：数据整合、决策点和反馈机制。欲了解更多细节，请参阅文章「AI代理的力量及如何构建AI代理」。

代理式流程

从单一代理式AI转向代理式工作流程，强调利用AI提供更佳结果，即使是较不先进的大型语言模型（LLM）在整合到这些复杂多层系统中时，也能产生令人印象深刻的成果。建立此类系统的主要步骤包括：

步骤一：识别工作流程和结构

在开始构建代理助理或工作流程之前，首先应识别代理式工作流程的结构或各个AI代理的角色，以便更清晰地了解工作流程的全貌。你可能需要考虑以下问题来了解代理式工作流程和代理式AI助理的结构：

• 工作流程将处理哪些任务或问题？
• 需要多少代理式AI来将复杂任务分解为更小的子任务？
• 各个代理的角色或目标是什么？
• 每个代理式AI的输入和输出是什么？
• 代理在工作流程中如何互动或连接？

回答上述问题后，你将能更清晰地了解工作流程的结构，进而进入下一步。

步骤二：指定和创建代理助理

了解所需代理的数量及其角色后，可以根据其职责开始构建代理。创建代理式AI时，需要考虑上述四个主要构建要素：

• 规划与行动：确定代理的输入和输出，并检查是否有中间步骤，如使用工具或代理需要进行的规划过程，以便设置代理的提示词。
• 记忆：确定需要检索多少过去的讯息，以及是否需要长期记忆。这可能取决于所使用的模型或框架。一些框架本身支持记忆系统，但有些需要自行设置记忆系统。
• 工具：根据代理的角色，确定代理可能需要的增强功能或扩展。例如，如果代理是销售线索的研究员，可能需要网络搜索工具和网络爬虫，以从其网页或LinkedIn收集线索信息。

在确定所有构建要素的需求后，即可使用选定的LLM模型设置代理。了解不同LLM模型的差异，请参阅博客文章「如何在没有任何编程技能的情况下创建AI助手」中的表格。

步骤三：利用代理式工作流程进行自动化

设置好所有代理后，即可构建代理式工作流程。根据第一步的考量，可以通过将一个代理的输出作为另一个代理的输入或其他方式来设置代理之间的连接。你可能需要优化代理的提示词或添加额外步骤来重新格式化输出，以适应另一个代理的输入提示。

设置好代理式工作流程后，应监控其性能并优化其结构，以提升系统的效率、准确性和创造力。

代理式AI与工作流程在现代应用中的应用

代理式助理如何帮助？

代理式AI能为企业带来巨大效益，包括通过连接多个系统和工具来提升效率，并自动化整个复杂的工作流程。它还能接管重复性繁琐的任务，节省员工时间，同时优化工作流程并增强决策过程。

代理式AI与代理式工作流程的应用案例

以下是一些代理式工作流程和助理的应用案例：

• 数据可视化：可设置多代理对话，每个代理执行一个子任务。从编码人员撰写从网站提取数据并绘制图表的程序，到评论员对代码提出修改意见，再到执行员检查代码是否无误。评论员和执行员的反馈将供编码人员重新编写代码，直到无错误为止。
• 检索增强生成（RAG）：代理能从不同数据来源（如网页或数据库如VectorDB）提取并整合数据，以基于模型训练数据集之外的新数据生成回应。
• 客户服务：代理可提供全天候的客户支持，处理询问、解决问题并指导客户完成各种流程。此外，代理能根据用户回应或偏好不断调整，以实现个性化并提升客户满意度。

潜在风险

尽管实施代理式助理能带来重大效益，组织也需注意以下潜在风险：

A. 道德与责任问题

代理式AI系统因其增强的自主性和决策能力，可能引发有关透明度、公平性和责任的道德问题。驱动AI决策能力的复杂算法对普通用户而言难以理解和预测。这种透明度的缺乏可能降低AI决策的可信度，并成为其采用和审计的障碍。因此，需要要求代理式AI系统提供决策解释，以理解AI推理背后的逻辑并增强可信度。企业还可设立AI伦理委员会，使用偏见检测工具，以进一步确保在使用代理式AI时的透明度、公平性和责任。

B. 安全性与漏洞风险

代理式AI系统将连接至企业网络和数据来源，若未妥善保护，可能引入新的网络安全漏洞。恶意行为者可能利用AI系统的弱点，导致数据泄露、系统中断，甚至操控AI的决策过程。全面的安全措施，包括强大的访问控制、加密和事件响应协议，是必不可少的。

C. 可扩展性与维护复杂性

随着系统在复杂性和规模上的增长，企业可能面临有效维护、更新和扩展这些系统的挑战。持续学习、模型优化和系统维护的需求可能需要大量资源并需专业知识。企业应投资于坚实的基础架构、流程和技术人员，以确保其代理式AI计划的长期可持续性和可扩展性。

代理式AI与代理式工作流程的未来趋势

代理式AI将在未来持续发展，以下是对其未来应用和发展的预测：

• 增加采用率：代理式AI的采用率将在广泛的企 业部门显著提升，因为组织认识到其在提高效率、决策能力和客户体验方面的潜在利益。
• 虚拟劳动力：代理式AI不会完全取代人类员工，而是越来越多以协作的混合模式部署，人类与AI代理共同工作，利用各自的优点。
• 个性化与上下文适应：代理式AI系统将变得更加个性化和适应性，根据个别用户的特定需求调整其互动、建议和决策能力。这可通过结合持续反馈和学习的机器学习技术实现。
• 安全措施：为确保代理式AI系统的安全和负责任使用，坚实的安全保障和控制机制至关重要，这可能包括资源限制、实施访问控制、嵌入验证检查，以及处理隐私、偏见和透明度等伦理考量，所有这些都有助于维护代理式AI的负责任和伦理部署。

结论

代理式AI的出现标志着企业AI革命的一个转型阶段。具备自主规划、推理、执行和适应能力的代理式AI有望在核心业务运营中带来效率和生产力的提升，开启新纪元。

在实施过程中，这也伴随着一系列潜在风险，组织必须准备应对，从道德和责任问题到安全漏洞。然而，随着我们实施各种伦理和安全措施，并进一步完善基础设施，这些风险可以得到有效管理，引导我们成功实施代理式AI。

通过拥抱这一转变，组织能够为长期成功定位自己，提升服务质量，优化运营，并在不断变化的商业环境中保持战略优势。

加入我们的API & AI创新者社区！

订阅OpenAPIHub电子通讯，获取独家API & AI洞察，直接发送到您的收件箱。