人工智能代理已成为生成式 AI 的最新演进形态它通过实现自动化功能来体现商业价值。2022 年末随着 OpenAI 的 ChatGPT 问世生成式人工智能生成式 AI突然闯入科技领域企业迅速接纳了它在自动化任务方面的潜力例如答复客户咨询、处理售后工单以及生成内容。一大批竞品聊天机器人紧随 ChatGPT 之后出现。但它们往往是静态工具不会从用户交互或应用集成中学习。只有其底层的大语言模型LLM可以被训练。人工智能代理应运而生。通过利用机器学习、自然语言处理NLP等技术人工智能代理可以独立运行甚至与其他智能体协作完成复杂任务。麦肯锡公司在一份报告中解释道“可以把它们看作能够完成复杂工作流的虚拟同事。这项技术有望带来新一轮生产力与创新浪潮。”据报告统计93% 的 IT 领导者计划在两年内引入自主 AI 智能体 —— 近半数已经部署。与聊天机器人一样人工智能代理早在 20 世纪 60 年代就已存在。然而直到人工智能、机器学习、深度学习以及 Transformer 模型如 GPT‑3 和 ChatGPT取得进展它们才具备适应任务并从数据中学习的能力。这极大地拓展了其应用场景。人工智能代理系统通常以基于 Transformer 的大语言模型为核心并通过推理、记忆、强化学习和工具集成进行增强。大语言模型对语言的理解使其能够解读指令并生成回应。简单来说人工智能代理是大语言模型与传统软件应用的结合体能够独立行动以完成任务。它们可以自主运行、做出决策、制定计划并采取行动以实现特定目标无需持续的人工监督。安永技术咨询团队负责人萨姆塔・卡普尔表示“这是一种交付商业价值的方式我认为重点应该放在思考你将如何颠覆业务流程。”例如如果员工申请休假人工智能代理可以自动将请假日期录入人力资源系统并确保所有其他系统知晓该员工将在指定时间离岗。卡普尔说如果员工改变主意并输入新日期智能体可以自主在人力资源系统中重新安排所有事项。只需一组简单指令人工智能代理就会开始执行。人工智能代理还可以自主编写软件代码并将基础代码提供给开发人员开发人员可检查其准确性并在必要时修改。但也存在能够执行代码审查的智能体。最棒的是这一切都可以在几秒内完成而非数小时或数天。AI 辅助代码生成工具在软件工程中日益普及并且有些出乎意料的是它们已成为大多数尝试生成式 AI 工具的企业唾手可得的突破口。采用率正在飞速增长因为即便它们只为新应用提供基础代码自动化工具也能省去原本用于手动编写和更新代码的大量时间。根据高德纳研究公司的数据到 2027 年预计 70% 的专业开发人员将使用 AI 驱动的编码工具而 2023 年 9 月这一比例还不到 10%。高德纳称三年内80% 的企业将把 AI 增强测试工具集成到其软件工程工具链中。除编码之外人工智能代理还被设计为感知周围环境、基于信息做出决策、采取行动并有时会随着时间学习和适应从而自主完成任务。强化学习是人工智能代理在执行任务时不断提升复杂度的关键。卡普尔说“如果你在玩游戏要么赢要么输。如果输了你会回头分析原因然后换种方式重新开始。对于人工智能代理你会为它设定一组非常明确的关键绩效指标因此它会知道自己是否达标。然后它会回溯并自我强化以不同方式完成任务。”。”感知 — 思考 — 行动流程与代理类型古鲁拉詹表示人工智能代理遵循循环的感知 — 思考 — 行动流程步骤如下感知系统从环境或用户处获取输入。推理与规划智能体的核心 “大脑”通常是强大的大语言模型对任务进行推理生成并评估可能的行动。决策强化学习策略通常辅以人类反馈和过往交互记忆帮助选择最优行动。执行执行选定行动可能通过 API 集成调用内部 / 外部工具。反馈循环评估结果并用于优化未来决策形成持续学习过程。根据任务复杂度可以使用多种类型的人工智能代理包括反应式代理仅基于预设规则对环境做出响应。不存储历史或从经验中学习。作为最基础的智能体它们用于客服机器人或可自动调节的智能家居设备。慎思式代理使用内部模型和推理做出有依据的长期决策。应用于自动驾驶车辆、供应链管理和医疗决策系统等领域。混合式代理结合上述两种方法实现更高效的决策。例如机器人可以对即时障碍做出反应同时规划通往目标的路径。混合 AI 用于业务任务自动化反应式智能体处理常规操作如回复邮件慎思式智能体则长期规划并优化工作流以提升效率。简而言之混合式代理在决策中同时整合即时反应与深思熟虑的规划。古鲁拉詹说“传统人工智能—— 或预测性人工智能—— 通常旨在解决特定的问题例如预测存储系统中的硬盘故障。人工智能代理更具动态性它能够适应、推理和制定策略。”例如想象一下代理管理数据存储系统监控仪表盘、识别瓶颈、预测故障并主动采取措施预防错误确保满足系统服务等级协议。古鲁拉詹表示以 NetApp 为例其基于目标如最大化正常运行时间或最小化能耗建立奖励模型结合人类偏好、实时数据和指令使 AI 能够优化行为并随时间提升性能。思维链提示模仿人类思维或 ReAct 提示等推理技术有助于拆解任务并规划行动。记忆模块存储上下文和中间结果用于需要连续性的任务。结合人类反馈的强化学习微调系统输出使其与人类价值观保持一致。此外工具集成使 AI 能够执行文本生成之外的复杂任务如网络搜索和 API 交互。API 集成的日益普及与人工智能代理结合的 API 集成目前是最顶尖的应用场景。在人工智能代理中通过 API 集成提供的工具让智能体能够与现实世界交互。当任务需要外部信息时智能体生成 API 调用、格式化参数、进行身份验证并处理响应以完成任务或采取进一步行动。古鲁拉詹说“当智能体需要执行需要外部信息的任务时例如搜索数据库、发送邮件、运行另一个机器学习模型它会基于对任务和 API 文档的理解生成 API 调用。”他解释道执行 API 调用涉及使用正确参数格式化内容并进行身份验证随后 API 返回数据或执行操作智能体处理响应并完成任务或在需要时采取后续行动。古鲁拉詹表示展望未来人工智能代理仍需改进例如解决 API 可发现性与适配性挑战以及处理标准化和文档缺乏等问题。变更管理也使智能体难以选择正确的 API。而 API 安全与身份验证至关重要需要稳健的协议和访问控制来保护敏感数据。实施服务级凭证可以提供更细粒度的控制例如将智能体限制为只读权限或特定操作。目前有关智能体的新兴研究包括多目标优化专注于使用基于目标的编程解决冲突的任务目标。此外可以创建系统级启发式规则作为反映核心原则、约束或安全措施的通用规则。启发式规则可通过以下方式融入智能体框架1过滤目标如删除需要受限数据的目标2修改目标确保安全优先于效率3集成强化学习。展望未来智能体需要能够自主创建自己的 API 来完成任务因为目前大多数智能体依赖预先存在的 API。古鲁拉詹说“这将是迈向通用人工智能AGI的关键一步。”本文转载自 雪兽软件更多精彩推荐请访问 雪兽软件官网
人工智能代理如何工作？
发布时间：2026/7/5 12:33:31
人工智能代理已成为生成式 AI 的最新演进形态它通过实现自动化功能来体现商业价值。2022 年末随着 OpenAI 的 ChatGPT 问世生成式人工智能生成式 AI突然闯入科技领域企业迅速接纳了它在自动化任务方面的潜力例如答复客户咨询、处理售后工单以及生成内容。一大批竞品聊天机器人紧随 ChatGPT 之后出现。但它们往往是静态工具不会从用户交互或应用集成中学习。只有其底层的大语言模型LLM可以被训练。人工智能代理应运而生。通过利用机器学习、自然语言处理NLP等技术人工智能代理可以独立运行甚至与其他智能体协作完成复杂任务。麦肯锡公司在一份报告中解释道“可以把它们看作能够完成复杂工作流的虚拟同事。这项技术有望带来新一轮生产力与创新浪潮。”据报告统计93% 的 IT 领导者计划在两年内引入自主 AI 智能体 —— 近半数已经部署。与聊天机器人一样人工智能代理早在 20 世纪 60 年代就已存在。然而直到人工智能、机器学习、深度学习以及 Transformer 模型如 GPT‑3 和 ChatGPT取得进展它们才具备适应任务并从数据中学习的能力。这极大地拓展了其应用场景。人工智能代理系统通常以基于 Transformer 的大语言模型为核心并通过推理、记忆、强化学习和工具集成进行增强。大语言模型对语言的理解使其能够解读指令并生成回应。简单来说人工智能代理是大语言模型与传统软件应用的结合体能够独立行动以完成任务。它们可以自主运行、做出决策、制定计划并采取行动以实现特定目标无需持续的人工监督。安永技术咨询团队负责人萨姆塔・卡普尔表示“这是一种交付商业价值的方式我认为重点应该放在思考你将如何颠覆业务流程。”例如如果员工申请休假人工智能代理可以自动将请假日期录入人力资源系统并确保所有其他系统知晓该员工将在指定时间离岗。卡普尔说如果员工改变主意并输入新日期智能体可以自主在人力资源系统中重新安排所有事项。只需一组简单指令人工智能代理就会开始执行。人工智能代理还可以自主编写软件代码并将基础代码提供给开发人员开发人员可检查其准确性并在必要时修改。但也存在能够执行代码审查的智能体。最棒的是这一切都可以在几秒内完成而非数小时或数天。AI 辅助代码生成工具在软件工程中日益普及并且有些出乎意料的是它们已成为大多数尝试生成式 AI 工具的企业唾手可得的突破口。采用率正在飞速增长因为即便它们只为新应用提供基础代码自动化工具也能省去原本用于手动编写和更新代码的大量时间。根据高德纳研究公司的数据到 2027 年预计 70% 的专业开发人员将使用 AI 驱动的编码工具而 2023 年 9 月这一比例还不到 10%。高德纳称三年内80% 的企业将把 AI 增强测试工具集成到其软件工程工具链中。除编码之外人工智能代理还被设计为感知周围环境、基于信息做出决策、采取行动并有时会随着时间学习和适应从而自主完成任务。强化学习是人工智能代理在执行任务时不断提升复杂度的关键。卡普尔说“如果你在玩游戏要么赢要么输。如果输了你会回头分析原因然后换种方式重新开始。对于人工智能代理你会为它设定一组非常明确的关键绩效指标因此它会知道自己是否达标。然后它会回溯并自我强化以不同方式完成任务。”。”感知 — 思考 — 行动流程与代理类型古鲁拉詹表示人工智能代理遵循循环的感知 — 思考 — 行动流程步骤如下感知系统从环境或用户处获取输入。推理与规划智能体的核心 “大脑”通常是强大的大语言模型对任务进行推理生成并评估可能的行动。决策强化学习策略通常辅以人类反馈和过往交互记忆帮助选择最优行动。执行执行选定行动可能通过 API 集成调用内部 / 外部工具。反馈循环评估结果并用于优化未来决策形成持续学习过程。根据任务复杂度可以使用多种类型的人工智能代理包括反应式代理仅基于预设规则对环境做出响应。不存储历史或从经验中学习。作为最基础的智能体它们用于客服机器人或可自动调节的智能家居设备。慎思式代理使用内部模型和推理做出有依据的长期决策。应用于自动驾驶车辆、供应链管理和医疗决策系统等领域。混合式代理结合上述两种方法实现更高效的决策。例如机器人可以对即时障碍做出反应同时规划通往目标的路径。混合 AI 用于业务任务自动化反应式智能体处理常规操作如回复邮件慎思式智能体则长期规划并优化工作流以提升效率。简而言之混合式代理在决策中同时整合即时反应与深思熟虑的规划。古鲁拉詹说“传统人工智能—— 或预测性人工智能—— 通常旨在解决特定的问题例如预测存储系统中的硬盘故障。人工智能代理更具动态性它能够适应、推理和制定策略。”例如想象一下代理管理数据存储系统监控仪表盘、识别瓶颈、预测故障并主动采取措施预防错误确保满足系统服务等级协议。古鲁拉詹表示以 NetApp 为例其基于目标如最大化正常运行时间或最小化能耗建立奖励模型结合人类偏好、实时数据和指令使 AI 能够优化行为并随时间提升性能。思维链提示模仿人类思维或 ReAct 提示等推理技术有助于拆解任务并规划行动。记忆模块存储上下文和中间结果用于需要连续性的任务。结合人类反馈的强化学习微调系统输出使其与人类价值观保持一致。此外工具集成使 AI 能够执行文本生成之外的复杂任务如网络搜索和 API 交互。API 集成的日益普及与人工智能代理结合的 API 集成目前是最顶尖的应用场景。在人工智能代理中通过 API 集成提供的工具让智能体能够与现实世界交互。当任务需要外部信息时智能体生成 API 调用、格式化参数、进行身份验证并处理响应以完成任务或采取进一步行动。古鲁拉詹说“当智能体需要执行需要外部信息的任务时例如搜索数据库、发送邮件、运行另一个机器学习模型它会基于对任务和 API 文档的理解生成 API 调用。”他解释道执行 API 调用涉及使用正确参数格式化内容并进行身份验证随后 API 返回数据或执行操作智能体处理响应并完成任务或在需要时采取后续行动。古鲁拉詹表示展望未来人工智能代理仍需改进例如解决 API 可发现性与适配性挑战以及处理标准化和文档缺乏等问题。变更管理也使智能体难以选择正确的 API。而 API 安全与身份验证至关重要需要稳健的协议和访问控制来保护敏感数据。实施服务级凭证可以提供更细粒度的控制例如将智能体限制为只读权限或特定操作。目前有关智能体的新兴研究包括多目标优化专注于使用基于目标的编程解决冲突的任务目标。此外可以创建系统级启发式规则作为反映核心原则、约束或安全措施的通用规则。启发式规则可通过以下方式融入智能体框架1过滤目标如删除需要受限数据的目标2修改目标确保安全优先于效率3集成强化学习。展望未来智能体需要能够自主创建自己的 API 来完成任务因为目前大多数智能体依赖预先存在的 API。古鲁拉詹说“这将是迈向通用人工智能AGI的关键一步。”本文转载自 雪兽软件更多精彩推荐请访问 雪兽软件官网
