关键要点：

代理 AI 是可以做出一定程度自主决策并适应来自多个来源的变化输入的系统，无需太多或任何人工监督。

代理 AI 系统与非代理 AI 系统的不同之处在于它能够做出独立决策并主动调整其方法以实现其目标。

代理系统存在于一系列自主性之上。了解不同级别的代理以决定如何管理使用情况非常重要，从非代理 AI 系统到完全自主和自治的系统。

实施 Agentic AI 需要合规性、道德保障和透明度。

Agentic AI 是技术巨头们最新推出的流行语。福布斯将其称为“改变业务和技术的下一个重大突破”。然而，当你让人们清楚地定义它时，事情很快就会变得模糊。

那么 Agentic AI 到底是什么，它与其他 AI 系统有何不同，它真的会改变世界吗？

什么是 Agentic AI？

代理 AI 是人工智能系统，能够以一定程度的自主性行事，这意味着它们能够根据输入数据做出决策以实现特定目标。他们被称为代理 AI，因为他们有 “能动性” 或自由来做出他们认为合适的决定。

代理系统可以适应不断变化的环境或输入，在有限甚至没有人工监督的情况下采取最佳行动方案。

示例：高度自主的 Agentic AI 如何在现实世界中发挥作用？

假设您在一家大型鞋类零售商工作，负责供应链工作。高度自主的 Agentic AI 可以根据实时销售数据和外部因素（如经济趋势、时尚趋势甚至季节）预测产品需求，从而独立管理您的公司库存。

然后，它将能够调整库存水平、向供应商下订单并优化运输路线，以确保及时交货，而无需人工干预。

代理 AI 系统存在于一个范围内，因此虽然这个例子是高度自治的，但其他对某些事物具有自主性或具有更严格限制的系统仍然是“代理 AI”系统。

代理 AI 与常规 AI：有什么区别？

代理系统动态和自主地调整其方法以实现其目标，而常规 AI 系统则不会，因为它们缺乏自主性。非代理 AI 系统包括非自主生成式 AI 和同样缺乏自主性的分析/预测模型。非代理 AI/ML 系统通常从数据本身学习参数规则，但没有任何级别的自主性。然而，Agentic AI 系统可以评估他们的环境，并就实现其目标的最佳下一步行动方案做出明智的决策，并具有一定程度的自主性。

考虑到我们上面为我们的鞋类零售商管理库存的示例，以下是常规 AI 和代理 AI 如何以不同的方式管理任务：

常规 AI：传统的 AI 系统可能会根据预定义的模型或历史数据生成需求预测或建议最佳库存水平，但它需要人工干预才能做出决策、下订单或调整策略。例如，可以设置一个常规 AI，以便在对特定鞋款的需求上升时 ping 供应链经理，但经理必须主动并根据该信息采取行动，订购更多此类鞋款以满足需求。

代理 AI：理论上，代理 AI 将能够独立自主地评估当前的库存状况，决定需要多少库存来满足需求，向供应商下订单，重新安排交货路线，甚至在必要时调整定价。

Agentic AI 系统的主要特点

代理 AI 系统具有自主性，可以适应或自发改变其方法以实现既定目标，并且具有上下文感知能力。

自治：一旦给定目标，独立操作的能力。

目标焦点与任务焦点：专注于实现特定结果或目标，而不是在不了解总体目标的情况下执行定义的任务。

适应性：如果情况自发发生变化，则能够调整策略或下一步行动以确保其达到目标。

许多最相关的 Agentic AI 用例都位于机器人和自主系统领域。例如，自动驾驶汽车包括一个 Agentic AI 系统，因为它能够获取环境数据并在需要时部署安全预防措施。尽管在“代理 AI”一词出现之前就已经在对自动驾驶汽车进行研究，但该系统仍将被归类为具有一定程度的代理。

然而，即使是这些系统也不是完全代理的，因为它们根据人类设定的规则或约束做出决策。

代理 AI 系统及其 7 个级别的代理

并非所有 Agentic AI 系统都是平等的。AI 中的能动性存在于一个光谱上，而不是以非黑即白的方式存在。因此，系统所具有的自主性水平可能会有很大差异。

AI 系统的自主性和适应性越强，潜在风险和治理挑战就越大。

以下是 AI 系统中不同级别的代理的细分：

AI 系统中的 7 个代理级别

代理级别 解释

1.

反应性（非代理） AI 响应特定的预定义触发器或命令。它仅在外部输入的提示下起作用，没有长期目标或独立决策。

2.

辅助（非代理） AI 提供建议或分析（例如，预测、优化建议），但需要人工干预才能做出最终决策并采取行动。

3.

半自主 AI 可以在定义的参数内独立执行某些任务或决策。例如，它可能会调整库存水平，但仍需要人工参与审批高价值或大规模操作。

4.

自主执行 AI 无需人工干预即可自主执行任务，例如向供应商下订单或管理物流。但是，它的操作受人类设置的预定义规则或约束的约束。

5.

自主适应性 AI 根据不断变化的条件（例如，由于天气或供应商延误而改变货物路线）调整其行动，并从过去的经验中学习以提高未来的绩效。它仍然在人类设定的一般准则内运作。

6.

以目标为导向的自主性 AI 自主设定和追求长期目标（例如，优化供应链效率），动态调整策略，并与多个系统或代理交互。它不断学习和适应，无需人工输入进行决策。

7.

全程代理 AI 独立识别问题、设定目标并实时适应，管理给定域的各个方面。它在复杂的系统上运行，可以与其他 AI 或人工代理协商或协作以实现其目标，只需最少或没有人工监督。Fully Agentic AI 系统是自我管理的。

实施和管理 Agentic AI 的挑战

代理 AI 自然会大肆宣传。可能性非常酷。但实际上，要安全、负责任地实施和管理这些系统，需要克服巨大的障碍。鉴于他们的自主权，确保遵守法律和道德标准至关重要——尤其是在金融、医疗保健或基础设施等高风险行业。

欧盟 AI 法案和美国 AI 行政命令都规定了管理 AI 系统的指导方针。根据其实施情况，代理 AI 可能属于欧盟 AI 法案的任何风险分类。因此，视频游戏中的 Agentic AI 系统不属于高风险类别。但是运行核电站或驾驶飞机的 Agentic AI 系统可以。在这些高风险环境中，公司需要遵循严格的协议，包括：

透明度：用户必须了解 AI 系统的工作原理以及它如何做出决策。

数据管理：必须仔细管理 Agentic AI 使用的数据，以防止偏见或歧视性结果。

文档和可追溯性：AI 做出的每一个决定都必须是可追溯的，以确保问责制，尤其是在出现问题时。

除了这些法律问题之外，组织还必须建立内部治理框架，允许人工监督，同时仍使 AI 能够自主运行。

这意味着您还需要构建“故障保险”，以在关键情况下推翻 AI 决策，并确保所有操作都是可审计的，这可能是 AI 系统的真正挑战。

Agentic AI 的实际应用

Agentic AI 在各个行业都有很大的潜力，这也是它被炒作的原因之一。但是，由于自治系统严格的治理要求和高风险，现实世界的用例很少见：

供应链优化：公司可以使用 Agentic AI 自主管理库存、预测需求和优化物流，从而降低成本并缩短交货时间。

自动驾驶汽车：自动驾驶汽车涉及一定程度的 Agentic AI 来实时处理环境数据，这有助于它们避开障碍物并在没有人工干预的情况下做出安全决策。

医疗保健诊断：代理 AI 可用于自主分析医学图像，比人类医生更快地识别潜在疾病或病症，并提出治疗方案。

Agentic AI 的未来如何？

Agentic AI 在各行各业都具有巨大的潜力，从供应链优化到自动驾驶汽车。然而，尽管大肆宣传，我们距离运行许多真正雄心勃勃的代理系统还有很长的路要走。

AI 系统的自主性越高，责任、治理要求和风险就越大。

组织必须实施强大的治理框架，遵守欧盟 AI 法案等不断发展的法规，并能够解释代理 AI 如何做出决策和重现结果——这可能非常困难，因为 AI 模型通常是不确定的。

虽然 Agentic AI 目前是 AI 领域备受炒作的进步，但安全可靠的实施和用例很少。我们可以预期 AI 系统会按照上述 7 个级别逐渐变得更加自主，但完全自主系统仍然完全处于科幻小说的领域。至少现在是这样。

Agentic AI 常见问题解答

Agentic AI 与 RPA 有何不同？

与 RPA 系统不同，代理 AI 可以做出自主决策并适应不断变化的环境。另一方面，RPA 遵循预定义的、基于规则的重复性任务工作流。RPA 自动执行特定流程，而 Agentic AI 能够独立推理和响应动态情况。

生成式 AI 和 Agentic AI 有什么区别？

生成式 AI 根据从数据中学习的模式创建新内容，例如生成文本或图像。代理 AI 做出自主决策并采取行动来实现特定目标，适应新的信息和环境，通常无需人工干预。然而，Agentic AI 的当前迭代确实依赖于 GPT4o 等生成式 AI 模型作为核心组件，因此它们并不总是完全可以区分的。