什么是 agentic AI？

AI 技术发生了一次重大飞跃：从辅助到代劳。Agentic AI 的设计初衷是实现自主规划、自主执行与自主适应，能依据所处环境做出独立决策，在设定范围内自主处理工作任务，因此它不再是一个被动角色，而是真正坐上了驾驶位。这种主动、目标导向的问题解决能力蕴含着巨大潜能，有望在各种领域里为人们解决复杂的挑战。阅读本文，了解您想知道的一切信息。

什么是 agentic AI？

agentic AI 本质上是一种 AI 系统，它能够自主地基于历史情况和对当前需求的评估结果来制定决策，尽可能减少人为监督的需要。一个 agentic AI 系统可以审查一项目标的当前实现进度和状态，然后制定适当决策，例如增设新步骤或寻求人类/其他 AI 系统的帮助。

与常见于非生成式 AI 服务的传统 AI 不同，agentic AI 不局限于人为审查和监督下的某一输入/输出模型。它具有足够的自主性，可以为实现特定目标而自主采取复杂步骤，仅在必要时才需要人类介入。

我们可以将 agentic AI 想象成一名经理而不是一名技术人员。专用 AI agent 旨在基于外部输入执行被设定的工作，就像一名熟练的技术人员执行被分配的任务一样。agentic AI 则可以自主决策，按需使用多种 AI 技术（包括生成式 AI），就像一名经理判断由哪些技术人员来完成一个项目一样。在这个类比中，agentic AI 这名经理可以与同事协作，收集现场服务技术人员的反馈意见，优化工作流，征询更多信息，并在需要时部署更多资源。

关键要点

• agentic AI 指的是能够自主决策如何实现目标，并基于这些决策采取行动的 AI 系统。
• agentic AI 系统可以与 AI agent 和人类合作来设定工作目标并予以实现。
• agentic AI 系统通常使用多种工具（包括 AI 模型、专用 AI agent 和精心编排的 AI 服务）来实现战略性目标。
• agentic AI 系统相比传统 AI 可以执行更复杂、更独立的操作，但其对资源的需求也显著大于传统 AI。

agentic AI 详解

agentic AI 代表着 AI 发展史上的第三次浪潮。回望过去，现代 AI 的第一次爆发带来了一系列前沿技术，包括推荐引擎和自动化文本填充，能够帮助用户分析大型数据集来识别统计关联，计算可能结果。第二次爆发得益于新算法以及更强大的计算能力和更高的数据可用性，它使 AI 能够生成创造性内容，包括文本、图像和音乐。

以 agentic AI 为代表的第三次 AI 浪潮则专注于将各种 AI 元素和能力整合在“选择之伞”之下。请注意，AI agent 与 agentic AI 系统之间存在重大区别。AI agent 能够访问预测性、生成式和其他 AI 功能，agent 的角色被设定为实现特定目标，其运行不依赖用户提示（例如针对生成式内容的提示）。而 agentic AI 能分析实现一项目标的各种路径，判断并选择可完成工作任务的理想方法。此外，AI agent 还会考虑过往工作的执行记录来优化工作结果。

由于能够处理和合成大量数据，有些 AI agent 可胜任人力不逮的研究工作。通过在无提示情况下做出选择，它们能够揭示更多信息和吸纳反馈意见，在用户的工作、兴趣/爱好和个人活动上发挥合作伙伴作用。

agentic AI 系统则更进一步，能够将各种 AI agent 以及其他系统/工具融合成为一个更紧密的整体。例如，AI agent 可以处理客户投诉。随后，agentic AI 系统会利用这些数据来帮助产品设计师和营销主管基于客户行为模式优化自身工作。

至此，对于企业而言，问题已不在于 agentic AI 能做什么，而在于从何处入手。对此，既支持轻松集成和自定义，又具有可扩展性的预构建 agentic AI 平台堪称一个理想选择。

agentic AI 的工作原理

agentic AI 系统旨在用于管理和运行各种 AI 元素，实现特定项目目标。不同的项目在目标上可能略有不同，但 agentic AI 系统大体上都遵循以下步骤：

1. 建立目标和参数：接收由人类用户输入的项目目标和项目约束条件。
2. 项目任务和步骤：使用适当的 LLM（或许是系统预构建的一个基础模型）处理项目信息，基于项目参数和约束条件来创建一个可实现项目目标的任务“链”。
3. 自主决策：基于所确立的工作任务，agentic AI 系统判断如何实现目标，然后自主或（必要时）在人为干预下执行。
4. 反馈和修正：AI agent 收集来自并行任务的数据，在需要时调整工作流。这包括从削减步骤（以优化工作流）到增设新步骤（以进一步收集数据）的所有可能措施。agentic AI 系统真正引人注目的一点正是它能够基于实时数据制定决策和做出调整。
5. 系统性改进：在实现目标的过程中，AI agent 会将所记录的结果和操作输入一个系统性反馈循环 — 这在 AI 领域常被称为“数据飞轮”。这一反馈循环将逐渐提高 AI agent 的准确性和效率，拓展 AI agent 的边界。

为保证 agentic AI 系统按设计运行，IT 团队常常会提供较低水平的自动化功能或 AI agent，并为 AI agent 提供适当的数据。随后，企业可集成一个满足自身功能、可定制性、可扩展性和性能要求的商用 agentic AI 系统，基于具体项目目标进行优化并运行。

agentic AI 与传统 AI 有何区别？

传统 AI 是指非生成式 AI 系统，自然也是非 agentic AI 系统。这类 AI 系统基于规则和逻辑运行，通过吸纳和处理数据来输出更多数据。我们以欺诈检测为例说明。在这种情况下，在经过适当训练后，传统 AI 系统会聚焦金融公司的客户记录，从中识别各种类型的异常值，包括购买类型、地理位置、购买数量和时间。这是一种输入（交易数据）/输出（欺诈状态判定）模式，虽然涉及决策操作，但 AI 系统归根到底是在接受相应训练后执行预定义的工作。

agentic AI 系统则更具自主性，它会聚焦一个目标，判断可实现目标的理想方式。agentic AI 系统可以独立收集所需信息来判断如何实现目标，甚至是寻求其他工具的帮助。我们仍以上述欺诈检测为例。agentic AI 系统可以提出问题，发掘可提供更丰富上下文且有助于输出更出色结果的信息。换言之，传统 AI 欺诈检测模型只能发现购买价格和购买类别异常，agentic AI 系统可以与其他系统协作，收集关于客户的更多详细信息。

例如，agentic AI 系统通过查询天气信息，有可能基于大量的灾情报告洞悉客户所在地区面临巨大的突发风暴，还有可能发现五金杂货店突然涌入大量客户，“意识”到他们在采购应急物资。对于这类无关欺诈的异常行为，AI agent 可以在报告欺诈风险时发送情境化通知，以供人工最终审核。而 agentic AI 系统具有决策能力，监督者可以基于更丰富的信息做出更准确的最终判断，而无需劳心劳力地收集信息。

agentic AI 与生成式 AI 有何区别？

agentic AI 和生成式 AI 都十分强大，但二者各有特定且独特的用途。其中，agentic AI 侧重于决策和行动，生成式 AI 侧重于内容生成。过去几年里，GenAI 在能力和功能上取得了显著发展，输出的准确性和质量也大有进步，但在本质上仍然是一个数据输入/数据输出工作流。

换句话说，GenAI 仍然依赖提示。

例如，当使用大语言模型研究一份技术报告时，研究人员需要通过各种提示词来获得详细输出，还可能需要基于 GenAI 输出来提出后续问题，或者调整查询上下文来为 GenAI 提供全新的研究方法或视角。随后，研究人员需要综合这些信息，筛选出适合纳入报告的内容。

agentic AI 在理论上可以简化以上大部分流程。研究人员无需提出一系列问题并判断信息缺口所在，只需向 agentic AI 系统明确一个目标 — 目标越具体、越详细越好。在该目标框架内，agentic AI 系统随后可与某一 LLM 进行交互，获取生成式输出结果。明确了预期目标后，agentic AI 系统便可利用 LLM 所提供的信息持续优化，直至输出结果达到满意标准。此外，agentic AI 系统还可与其他外部数据源和 AI 模型进行交互，针对原始研究开辟一条新路径，在向用户最终交付前优化输出结果。

类比到真实世界，GenAI 就像是您拿着一个工具包自己维修一个漏水的水槽；AI agent 则像是您雇请一个水管工来修理水槽，同时探究水槽为何漏水；agentic AI 系统更像是一个总承包商，它会指挥水管工工作，同时与电工和模具检验员合作调查水槽的损坏问题。

agentic AI 真实用例

agentic AI 适用于企业和个人等广泛用途，能够在各种场景下加快工作速度和解决问题。以下是 agentic AI 为人们日常生活提供便利的几个真实用例。

• 医疗档案：可穿戴设备、血检、体检等都会输出患者数据，汇集在一起后，这些数据可能显现出一种代表新疾病的模式。然而，这个过程不仅需要更广泛的经验知识，还需要访问和评估各种来源的数据。对此，agentic AI 可以快速处理特定患者的所有传入数据，洞悉其中潜藏的问题迹象。此外，AI agent 还能根据需要，自主地抓取更多数据、识别数据模式并为医师生成报告。
• 保险索赔：保险索赔流程牵涉多方，常常需要处理多方数据。对此，agentic AI 系统可以从所提交的表单和详细信息中识别重要、高度相关的数据（以供交叉引用和验证信息），加快流程速度。同时，它还能管理工作流流程，在利益相关者未处理相关操作请求时发出提示。
• 供应链管理：从预测到库存管理，agentic AI 可以从多个方面优化供应链管理。运输和路线管理便是其中一个例子。在该场景下，标准物流数据通常来自运输跟踪系统。而 agentic AI 调用的 AI agent 可以与其他系统对接，开展路线优化分析。它可以综合天气和交通（甚至政治局势稳定性和国家假期等因素）来生成调整措施，优化配送路线。
• 交通管理：管理机构可以将 agentic AI 集成到交通控制系统来汇集各种各样的传入数据。例如，来自摄像头和传感器的实时交通数据、天气和施工数据、基于历史模式的预测性分析数据均可由一个负责监管的 agentic AI 进行处理和分析，然后通过调整交通信号灯时间，减少交通拥堵和优化驾驶员体验。

agentic AI 的优势

agentic AI 不仅意味着更高水平的自动化，而且还意味着流程优化。这将赋予企业和用户许多重大优势，尤其是当实施了出色、可靠的工作负载和数据管理，部署了特定于应用的 AI agent 系统时。

以下是 agentic AI 可赋予企业的一些常见优势。

• 永续运行：相比非 agentic AI，agentic AI 的独特之处是它以实现目标为导向，不依赖用户输入就能完成工作任务。这种自主决策能力意味着它能够永续运行，履行处理数据、收集研究信息、响应客户请求/问题以及其他职能。
• 更低成本：agentic AI 系统具有快速、准确、永续运行的特点，这意味着更高的成本效率。它可以通过不同方式为不同行业节约成本，但总体而言，企业能够更快速运行更大规模的分析，进而制定明智决策来优化流程或更快速实现里程碑目标。
• 更高效率：当使用 agentic AI 系统履行业务职能（例如进行财务事务分类、记录总账条目信息、提供客户支持）时，agentic AI 系统可以自主决策是否需要收集更多信息、运行非直接相关分析或执行其他任务。它能够快速收集信息，并行运行各种流程，尽可能减少人为干预的需要。
• 新视角：agentic AI 能够自主决策，以适当方法实现工作目标。它可能指示 AI agent 执行非直接相关任务和收集额外数据，而这有助于激发传统视野以外的新洞察。

agentic AI 面临的挑战

随着 AI 开始向更类人的互动这一目标迈进，一系列技术问题和挑战浮出水面，比如执行必要的处理工作，再比如构建信任、控制与（面向企业价值观和目标的）协调机制。同时，随着 agentic AI 在设立目标、制定行动计划、与人互动方面的自主性越来越高，越来越多的组织开始思考如何在避免扼杀 agentic AI 的创新和问题解决潜力的前提下，制定针对 agentic AI 的监视和干预方法。

以下是要关注的 4 个具体问题。

• 准确性：agentic AI 系统一般能在人工基础上进一步提升准确性。然而，“坏”数据不可避免会导致“坏”结果，例如失实的信息和非人所愿的行动。对此，就像对待新入职的员工一样，企业可能希望监视新部署的 agentic AI 系统，直至其能够持续、稳定地正确行事。反过来，新部署的 agentic AI 系统也需要像新入职员工一样，以出色表现来赢取企业信任。考虑到这一点，企业可先为 agentic AI 系统分配低风险且可轻松纠错的任务。
• 数据和工作负载管理：从某种意义上讲，所有 AI 系统归根到底都是企业数据、计算和网络工作负载以及资源管理的延伸。为此，在将 agentic AI 融入企业之前，IT 团队需衡量企业的本地和云端基础设施、数据库以及其他资源是否足够高效，是否得到了充分优化。
• 数据隐私：agentic AI 的自主性意味着它有可能在工作时请求访问外部系统和外部数据。当 AI agent 高速处理大规模数据时，agentic AI 系统触及敏感信息的可能性将会相应增加。对此，企业须妥善解决隐私保护和监管合规性问题，有效管理 agentic AI 系统的可访问信息和已访问信息，降低 agentic AI 系统运行时的敏感数据相关风险。
• 透明度：AI agent 是 agentic AI 的基础，应具备适当的决策与结论解释能力。此外，相关方应能够访问 AI agent 的逻辑和评估方法等关键要素，以便审查、确认并在必要时予以纠正。

如何开始使用 agentic AI？

实施 agentic AI 的 8 个步骤

agentic AI 项目通常因企业而异，具体参数取决于企业的可用资源、团队目标和其他变量。不过，大多数团队可按照以下基本步骤来轻松启动 agentic AI 项目。

1. 定义目标

agentic AI 系统具有自主性和目标设定能力，能够在尽可能少的人为干预下制定计划并执行多步骤任务，实现目标和取得所需结果。这一点不同于通常被用于准确输出特定结果（如按用户请求生成图像和按用户偏好生成视频）的非 agentic AI 系统和任务导向型 AI 系统。因此，只有定义了预期目标，各团队才能基于可用资源构建适用的 agentic AI 系统。此外，目标还有助于选择适当的预构建系统来作为行动起点。

2. 构建具有稳健性和可靠性的架构

这要求面向 agentic AI 系统的整个生命周期（从训练和实施到激活）设置适当的性能基线和指标。对此，企业应重点关注安全性、合规性和质量审查，收集尽可能多的意见和洞察来解决这些问题。另外，即使 agentic AI 项目达到（甚至超越）预定 KPI，企业也应持续监视和改进，以满足潜在的新需求。企业还应考虑潜在的故障点，制定相应的应急计划。

3. 构建安全层

由于 agentic AI 具有一定的决策自主性，企业须设置安全层来确保 agentic AI 项目安全、可靠地运行。这些举措包括部署技术“护栏”来防止误用；部署安全和数据隐私层来保护数据，确保安全地与其他系统交互；以及为项目工作流制定人为监督措施。

4. 界定范围和自主性

agentic AI 项目通过参数来防止 AI 决策超出设定范围或自主性边界。例如，决策阈值（可触发人为干预）、约束条件（约束特定操作和决策）、限制条件（对访问特定类型的信息施加限制）以及反馈循环（以持续优化）等参数。

5. 可解释性和透明度

由于 agentic AI 是自主行动的，因此其输出结果和行动应具有可解释性，以便各团队审查时清晰洞察其决策原因和方式。此外，这种可解释性还有助于在它未成功实现预期目标时优化模型和排除故障。

6. 以隐私保护、安全性和合规性为核心设置清晰、明确的控制机制

如果企业已制定了一定的规则来满足隐私保护、安全性和合规性要求，请考虑既有指南是否适用于 agentic AI 等新型系统。agentic AI 系统每一次制定决策、连接其他系统、处理输入和生成结果，都意味着存在潜在风险，因此建立控制机制至关重要。

7. 持续监控、评估和改进

与任何新技术一样，agentic AI 系统也应受到监控。需重点关注的领域包括系统性能（可用性和完成任务的速度）以及输出结果与行动的准确性。此外，行为监控也十分重要。通过持续记录 agentic AI 系统的决策和行动，企业可以识别异常行为模式或变化，发现数据偏差或模型退化问题。针对 agentic AI 系统的监控深度和频率取决于其关键性和其失效对企业影响的严重性。

8. 鼓励协作和多学科输入

广泛、多元的视角有助于各团队捕获其他方法下可能被忽视的宝贵洞察和训练机会。通过从多角度分析模型，各团队可以获得一个更完善、更优化的 agentic AI 系统，减少盲区和潜在风险。

以上关于监控、分析和透明度的细节性工作有助于清晰界定 agentic AI 系统中 AI agent 与人工团队的职责，确保无缝协作。

agentic AI 的未来

如今，众多架构师们正努力提升 agentic AI 系统的稳健性和可靠性，使其能够在复杂、动态的环境中有效、安全地运行。总体而言，agentic AI 技术正处于快速发展中，针对模块化设计、云技术优势、高级学习机制及其他领域的持续研究，有望继续贡献前沿成果，为我们构建更独立、自主的 agentic AI 系统。

我们应关注以下 4 个方面。

• 准确性：随着 Agentic AI 系统的不断完善，各团队将探索新方法，通过学习过程（从成功和失败中吸取反馈，以此优化策略和决策）提升系统准确性。值得关注的技术包括强化学习，以及更出色的筛选和验证技术。
• 集成：如今，agentic AI 正逐步集成到各种企业系统和企业应用中。未来几年，agentic AI 有望走向成熟，将具有更出色的适应性和可自定义性，将能够更轻松走进更多职能部门。
• 能源效率：能耗是 AI 技术不得不解决的一个严峻挑战。而 agentic AI 本身具备更复杂的流程和自主研究能力，预计将比以往的 AI 使用场景消耗更多能源。因此，能否降低模型能耗可能严重关系着能否取得长期 agentic AI 成功。
• 自主性：目前，agentic AI 系统普遍都在人类监督下运行 — 但这并非强制性要求。之所以如此，是因为它尚未在完全自主性上赢得人们信任。因此，未来 agentic AI 的一大发展方向是在自主性、功能性和可控性之间达到适当平衡。

使用 OCI Generative AI Agents 开启 agentic AI 之旅

企业可以借助 Oracle Cloud Infrastructure (OCI) Generative AI Agents 轻松、快速地引入 agentic AI。得益于 OCI 强大的处理能力和可扩展性，Oracle 的 agentic AI 平台能够将 LLM 和检索增强生成功能应用于企业数据，通过自然语言界面引导企业捕获 agentic AI 自主生成的强大洞察。此外，Oracle 还面向 agentic AI 系统提供丰富的自动化工具，例如 Oracle Integration，以此帮助企业简化服务（包括机器人流程自动化、具有统一可观测性的机器人、有效的人为监督）编排。

agentic AI 常见问题解答

RPA 与 agentic AI 有什么区别？

RPA 是指机器人流程自动化，它侧重于处理具体工作而不是制定决策。例如，RPA 在自动化执行更新数据格式和跨应用转移数据等重复性工作上表现出色。而 agentic AI 系统则通过协作来设置、优化和实现用户目标。在此类场景下，当 agentic AI 系统使用的一个 AI agent 判断需要访问某一特定格式的数据集时，它可使用 RPA 在更新数据集格式之前创建一个数据集副本。

最常用的生成式 AI 是什么？

截至目前，ChatGPT 仍是知名度最高的生成式 AI 工具。除此之外，其他领域的热门 GenAI 工具还包括 Midjourney（用于创建图像）和 Sora（用于生成视频）。

什么是 agentic AI 框架？

从宏观角度来看，agentic AI 框架指的是用于开发 agentic AI 系统的软件和系统。agentic 框架通常基于既有组件构建而成，是执行优化工作和构建项目导向型特性（以实现项目目标和功能）的基础。agentic AI 框架通常包含多个基础模块，涵盖语言理解、工具集成、资源管理、情绪分析、向量搜索和数据预处理等功能。