域名预订/竞价，好“米”不错过
Agentic woRkflow加速Agentic AI到来，AI Agent成为重要实现方式
OpenAI定义大模型时代AI Agent，吴恩达揭开生成式Agentic AI序幕
还在讨论AI Agent吗？从Agentic WoRkflow开始该关注Agentic AI了
从AI Agent审美疲劳到Agentic AI引人热议，Agentic WoRkflow真正火了
什么是Agentic AI？与AI Agent有什么区别和联系？一篇文章看明白
握准大模型时代商业脉搏：战略层瞄准Agentic AI，战术层锁定AI Agent
文/王吉伟
就在国内还在大谈特谈AI Agent的时候，国外技术圈的风向变了。他们不再谈论AI Agent如何如何，而是转头开始交流Agentic AI。
虽然Agentic AI的概念可以追溯到上世纪IBM深蓝象棋系统（Deep Blue cheSS-playing system）出现的90年代，但让它再次进入公众视野的却是大语言模型的真正应用。尤其是AI Agent和AutonOMOUS Agent的具体应用，让AutonOMOUS AI再次被热议，包含AI Agent的工作流更是直接让Agentic AI成为AI领域更炙手的话题。
这个进程与变化，仍然要感谢OpenAI。2023年6月，OpenAI应用研究主管翁丽莲(Lilian Weng)撰写了《LLM PoweRed AutonOMOUS Agents》一文，定义了目前很多开发者都在用的AI Agent主流技术框架。
2023年12月，OpenAI发表《PRactices foR GOVeRning Agentic AI systems》白皮书，介绍了AgenticneSS、Agentic AI systems及Agents的区别，并正式为Agentic AI systems下了定义。自此，Agentic AI 也正式进入了技术人的视野。
真正让Agentic AI出圈的，还是人工智能领域领军人物、Deeplearning.AI与Landing AI创始人兼CEO吴恩达教授提出的Agentic WoRkflow。2024年3月26日，吴恩达教授在红杉资本（Sequoia CAPItal）的人工智能峰会（AI Ascent）上发表了一次主题为《Agentic reasoning》的演讲，分享了当下AI Agent的4种主流设计模式。
在最近的2024年Snowflake峰会开发者日上，他又发表了题为《How Al Agentic woRkflows could dRive MoRe Al ProgReSS than even the next generation of foundation Models》的演讲，进一步揭开了Agentic AI神秘面纱，并指它可能是比下一代基础模型更具潜力的AI 展方向。
两次演讲，让Agentic AI真正成为技术人所热衷探讨的话题。
AI Agent与Agentic AI看起来非常相似，以至于看起来就像是将两个单词互换位置，一般人甚至看不出什么区别。但若细细品味，仅从单词性质名词与形容词的区别上，就能体会到Agent与Agentic些许不同。而作为人工智能的概念或者技术名词，两者所代表的意义区别还是非常明显的。
那么，到底什么是Agentic AI？它有哪些创新与特性？与AI Agent有什么区别？什么又是Agentic WoRkflow？有哪些特征？它的四种主流设计模式又是什么？本文，从Agentic AI到Agentic WoRkflow，王吉伟频道一次为大家说清楚。
什么是Agentic AI？
在《PRactices foR GOVeRning Agentic AI systems》白皮书中，OpenAI认为（Agentic AI systems）智能体人工智能系统的特征是能够采取行动，这些行动在很长一段时间内持续地有助于实现目标，而不必事先明确规定其行为。
白皮书将系统的智能性（AgenticneSS，还可以翻译为主动性代理性能动性）程度定义为系统在有限的直接监督下适应性地实现复杂环境中的复杂目标的程度，并将这种智能性细分为目标复杂性、环境复杂性、适应性和独立执行四个组成部分。
aRtificialITy将Agentic AI systems定义为能够以不同复杂性感知、推理和行动的系统，以将人类思维扩展到我们当前经验之外。该定义，更加强调了感知、推理和行动这三种能力。
基于以上两个Agentic AI systems定义，结合业界对于Agentic AI的各种观点，不难归纳出Agentic AI这一概念所代表的深刻含义。
Agentic AI（智能体AI代理式AI能动AI），也称为自主AI（AutonOMOUS AI），是指被设计用来通过理解目标、导航复杂环境，并在最少的人工干预下执行任务的系统，能够通过自然语言输入独立和主动地完成端到端任务。通常被设计为更具自主性和适应性，不仅能处理数据，还做出决策、从互动中学习，并采取积极的步骤来实现复杂目标。
Agentic AI可以设定目标，从互动中学习，并自主做出决策，转变业务运营和客户互动。功能与人类员工非常相似，可以掌握细微的环境，设定和追求目标，通过任务进行推理，并根据不断变化的条件调整他们的行动。
例如，虽然传统AI可能协助创建客户支持脚本或甚至根据客户输入生成个性化响应，但Agentic AI则更进一步。它可以自主处理客户查询，从开始到结束解决问题，甚至根据客户的回应跟进客户。Agentic AI可以模仿人类通常用来实现目标的推理、执行和纠正航向机制，体现了一种更精细的技术运作机制和管理方法。
事实上，Agentic AI背后的理念是赋予机器代理权，这意味着它们可以设定目标、规划，并采取行动来达到这些目标。Agentic AI能够预测需求、建议行动，并做出与设定目标一致的决策，其功能更像是一个合作伙伴而不仅仅是一个工具。因此，它代表了人工智能的根本转变，旨在以最少的人工干预自主理解和管理复杂的工作流程。
Agentic AI的创新与特性
这里，为了体现Agentic AI的创新与特性，需要将其与传统AI做一下对比。
传统 AI（TRadITional AI），也称为狭义AI（NaRRow AI），主要在特定算法和设置规则上运行。这些系统旨在执行定义明确的任务，例如对数据进行排序、识别照片中的人脸、翻译语言、执行预定义的流程或基于数据库回答常见问题解答。传统人工智能的范围仅限于其编程，缺乏偏离其给定指令或独立学习新经验的能力。
传统AI擅长于狭义的任务，需要在明确的指令下运行。它能在具有明确规则的结构化环境中茁壮成长，并在流程严格划分的场景中有效运作，但会受到其有限的范围、对人类指导的依赖以及难以适应不可预见变化的限制。
此外，传统AI主要是为了自动执行特定的重复性任务，在有限的范围内提高速度和效率，但它们在处理需要整体理解和战略判断的复杂工作流程方面存在不足。
Agentic AI则利用大型语言模型 （LLMs），可扩展的计算能力和庞大的数据集等进步，提供了一种更加动态和灵活的方法。它结合了强化学习（RL）和决策理论，可以从互动中学习并随时间优化。不仅能对情况做出反应，而且能积极地参与决策过程。
可以说，Agentic AI就是为了自主性而构建的，旨在驾驭复杂的现实世界场景，并能够随着情况的发展调整其策略。这标志着从AI作为需要人类输入的工具或专业系统，到作为能够独立行动和与现实世界互动的协作伙伴的深刻转变。
Agentic AI 的功能更像是人类员工，掌握自然语言提供的复杂上下文和指令，开始设定目标，通过子任务进行推理，并根据不断变化的条件调整决策和行动。
因此，Agentic AI的关键创新主要体现于以下几点：
大型语言模型（LLMs）：这些模型能够理解详细的人类语言，使人与人之间的互动更加自然，使Agentic AI能够理解细微的人类语音和文本。
可扩展的计算能力：增强的计算能力，使Agentic AI能够管理复杂的任务并训练复杂的模型。
大规模数据集：通过分析大量的数据，Agentic AI可以学习和随着时间的推移提高其性能，使其更有效地处理动态环境，丰富的数据集也使其能够理解和解释复杂的上下文和目标。
互联性：Agentic AI擅长与其他系统和信息源连接及互动，并能够无缝集成到现有的工作流程中，增强了其解决复杂问题和做出复杂决策的能力。
Agentic AI的主要特性，也可以总结为：
自治性：Agentic AI以高度独立性运作。拥有明确的目标和对周围环境不断演变的理解，这些系统能够自主做出决策并启动行动，最小化对直接人类监督的依赖。
适应性：与它们的前身不同，Agentic AI系统不僵硬或脆弱。它们被设计为学习、进化和适应。它们通过分析模式、根据变化调整策略以及通过模拟和自省来完善决策过程，展现出无与伦比的灵活性。
主动性：Agentic AI不仅对外部刺激做出反应，还能主动与环境互动，寻找实现目标的机会，在潜在问题完全显现之前预测它们，并独立设计解决方案。
语言理解：凭借解释自然语言的高级能力，这些系统可以精确地遵循复杂的指令。
工作流程优化：Agentic AI可在子任务和应用程序之间高效转换，确保以最佳方式执行流程以实现预期结果。
现在，像CRewAI、LangRaph及Autogen等开创性框架，正在为Agentic AI的发展铺平道路。开发人员可以在这些平台设计和部署AI Agent团队，每个Agent都有独特的技能、知识库和通信界面。通过协调协作，这些Agent团队可以自主导航和执行复杂的工作流程，适应动态条件和不断变化的需求。
这些进步，使Agentic AI能够超越仅仅遵循指令来设定独立目标、制定战略和适应，从而为实现复杂目标提供动态方法。
Agentic AI与AI Agent的区别
虽然AI Agent这个词组与Agentic AI长的很像，基本就是“AI在后”与“AI在前”的区别，但两个概念还是有很大区别的。
对于Agent和Agentic这两个单词，吴恩达教授在文章中提到：与其以二元方式选择某个系统是否是Agent，不如将系统视为具有不同程度的Agent特性更有用。与名词“Agent”不同，形容词“Agentic”允许我们思考这类系统，并将它们全部纳入这一不断发展的领域中。
也就是说，名词“Agent”仅用于表明某个产品或项目是否为AI Agent是否具备了智能特性，而形容词“Agentic”则意味着AI产品或项目的Agentic特性有多强能否体现更强大主动性、自治性和适应性。前者仍在探讨Agent产品或项目的相关特性，后者则在探讨产品的智能程度，显然后者更有意义。
从AI Agent到Agentic AI，即使当前所探讨的内容仍是AI Agent相关的技术、产品或解决方案，但立足点已经截然不同，这是一个认知上的重大转变。如果说AI Agent仍然属于产品思维，Agentic AI已经上升到战略思维。Agentic AI进一步代表了一类AI技术、产品、方案、生态乃至战略的总体集合，必然也会像GenAI等词汇一样被更多的组织放到其战略报告之中。
从定义和概念而言，AI Agent是一种能够感知环境、进行决策和执行动作的智能实体。它们通常基于机器学习和人工智能技术，具备自主性和自适应性，在特定任务或领域中能够自主地
