您的位置: 首页> AI模型

AI Agents 实战——AI Agents 的崛起

匿名上传

发布时间:2025-10-09 14:45:01

本章将回顾 AI 智能体 的演进历程，从早期的机器人流程自动化（RPA）到当今复杂的多智能体架构。我们将界定“什么才是真正的 AI 智能体”，拆解其关键组成，并考察正在重塑全球各行各业的不同类型的 AI 智能体。

本章将涵盖以下主题：

从 RPA 到 AI 智能体的演进
AI 智能体的定义
不同类型的 AI 智能体
AI 智能体的组成部分

读完本章后，你将清晰理解 AI 智能体的演进、其关键组件，以及它们如何改变产业。

技术要求

你可以在本书配套的 GitHub 代码库获取本章的完整代码：github.com/PacktPublis…

从 RPA 到 AI 智能体的演进

从传统的基于规则自动化到复杂的AI 驱动智能体，这段旅程伴随着显著的技术进步。最初的自动化局限于僵化、预定义的工作流；随着机器学习（ML）、强化学习（RL）与大型语言模型（LLM）的兴起，AI 智能体正变得更加自主、智能，并具备复杂决策能力。下面我们按阶段梳理近几十年的几种“代理”形态。

机器人流程自动化（RPA）

这是自动化的早期形态，聚焦于基于规则的系统来执行预定义任务。此类系统遵循严格的逻辑流程，依据明确条件与结构化输入采取行动。它们对重复性流程很有效，但缺乏灵活性、适应性，也难以处理非结构化数据。例如，一个严格依据决策树运作、不会从交互中学习的规则型聊天机器人，在动态环境或意外输入面前就捉襟见肘。

传统的 ML/RL 智能体

随着 AI 发展，基于机器学习与强化学习的智能体出现。它们可以从数据中学习，基于概率模型做决策，并通过试错优化行为。我们分别展开：

基于规则的代理 → 机器学习模型：从静态规则集逐步过渡到能基于训练数据进行分类与预测的模型。
例如，早期的客服聊天机器人依据决策树回答用户，并结合命名实体识别机制进行路由。

定义（Definition）
命名实体识别（NER） 是一种自然语言处理任务，用于识别并归类文本中的关键信息，如人名、组织名、地点、日期及其他预定义实体。
强化学习（RL）智能体：通过与环境交互进行学习，为获得长期回报而优化行动。RL 被广泛用于游戏、机器人与复杂问题求解。
例如，DeepMind 的 AlphaGo 通过模拟数百万盘对弈并以试错优化策略，学会了围棋。

然而，这些早期智能体的主要短板是泛化能力有限。以 AlphaGo 为例：它虽在围棋上臻于化境，但其智能狭窄且领域特定——既不能把所学迁移到象棋等其他棋类，也无法胜任客服或排期这样的无关任务。这类 AI 在边界明确的环境中表现卓越，但当规则、上下文或输入模式发生变化就难以适应。
这暴露了 AI 的更广泛挑战：我们需要能跨领域推理、理解模糊指令，并对动态环境进行实时适应的智能体。

这正是 LLM 驱动智能体 登场之处。

基于 LLM 的智能体

随着 LLM 的出现，智能体在推理、规划与动态交互上的能力显著增强。生成式 AI 使这些智能体不仅能回答问题，还能综合信息、自动化工作流，并与多种外部系统集成——本章后文将详细展开。

从高层看，基于 LLM 的智能体之所以强大，在于它们可利用诸如 GPT-4o 等模型，不仅理解上下文、检索相关信息，还可编排一组组件，使智能体能与周边环境互动。这一“额外的智能层”使现代 AI 智能体区别于既有的 RPA 系统，也区别于仅生成文本的 LLM 本身。

此外，一旦引入大型多模态模型，AI 智能体就能融合文本、语音、视觉、结构化数据等多模态，以更贴近人类的方式进行交互。
例如，一个基于 LLM 的零售助理可以处理语音问询、分析商品图片，并实时查询库存数据库。

多智能体系统与自我复制智能体

AI 智能体演进中的一大突破是多智能体系统：多个智能体协作完成复杂任务。通过任务分解、专业化与并行执行，系统获得更高的效率与自主性。
例如，一个多智能体研究系统中：一名代理负责检索论文，另一名总结内容，第三名则为团队产出可执行洞见。

此外，我们还可赋予代理以“自我复制”能力：根据需求生成额外子代理来处理子任务，实现弹性扩展。
例如，一个 AI 项目经理 可派生设计、编码、测试等专业子代理来协作完成软件开发流程。

AGI 智能体：下一道前沿

AI 演化的终极目标是通用人工智能（AGI）智能体——能够胜任人类所能完成的任何智力任务的系统。AGI 智能体将整合推理、规划、记忆与自我改进，在广泛应用中自主运作。
在本书写作时，AGI 仍未达成普遍共识的标准形态，但我们正在见证 AI 智能体边界的持续拓展，令人振奋。

在全书中，我们主要聚焦于单体、基于 LLM 的智能体，并在第 7 章涉及多智能体框架。接下来，让我们先给出 AI 智能体的定义。

AI 智能体的组成（Components of an AI agent）

AI 智能体是一类基于软件的实体，能够感知其环境、围绕目标进行推理、做出决策并执行行动——常以自主方式——并与外部系统交互。不同于遵循预编程规则的传统自动化，AI 智能体可以根据上下文动态适应、利用外部工具，并引入记忆以随时间改进决策。

在技术层面上，AI 智能体由若干核心组件构成：

LLM：代理的推理引擎，提供自然语言理解、响应生成与任务规划。诸如 GPT-4、Claude、Gemini 等 LLM 使代理能够处理用户输入、生成回答，甚至进行多步推理。
系统消息（System message） ：可将其视为代理的“使命宣言”，为代理提供塑造行为的底层指令。除总体目标外，系统消息还定义语气、角色与约束（例如：“你是一名客服助理；请简洁并具同理心地回答”）。
记忆（Memory） ：使代理能够跨时间保留上下文，提升连贯性与个性化。高层上可区分为短期（基于会话）与长期（存储过往交互的数据库）。此外还有多种细分记忆形态（短期、情景式、程序式等），将在第 4 章展开。
工具（Tools） ：将代理能力扩展到 LLM 之外。代理通过调用 API、数据库、搜索引擎、自动化脚本 等外部工具来获取实时数据、执行计算或触发外部流程。
知识库（Knowledge base） ：存放代理可引用的结构化/非结构化领域知识，包括 RAG 系统、专有企业数据或专业知识库，以增强决策能力。

图 2.1：AI 智能体的主要组件

在此之上，还需要一个编排层（orchestration layer）来治理任务流转，确保各组件之间的协调。

举例：设想一所学校开发一名 AI 代理，帮助高中生掌握复杂的 STEM 主题。借助 LLM、记忆与编排，该代理可提供个性化辅导、引用权威来源，并依据每位学生的学习需求自适应。

图 2.2：AI 辅导助理示例

下面放大到各组件：

LLM：作为核心推理引擎——代理的“大脑”，负责解释概念、解决问题、以对话方式回答学生问题——这得益于代理其他组件提供的附加信息。
注（Note）
需牢记：LLM 通常在公开/通用语料上训练，若不进行锚定（grounding） ，往往缺乏对特定行业、专有数据或组织流程的深层上下文理解。因此，为特定用例提供外部知识库能赋予代理领域知识，提升准确性、可信度与实用性。
系统消息：定义代理的人设与行为边界，使其始终与教育目标对齐（我们不希望 AI 导师代做作业，而是通过支持学习过程来强化薄弱环节、聚焦特定学习点）。
编排（Orchestration） ：负责 UI、LLM 与各组件 之间的顺畅交互；智能路由请求，决定何时取外部数据、引用已存的学生表现历史，或直接由 LLM 生成内容。
记忆（Memory） ：追踪学生的会话以保持话题相关（短期记忆）；并保存过往交互以形成学生学业画像（长期记忆）。据此，代理可基于强弱项强化难点并优化教学计划。
知识（Knowledge） ：存放回答所需的相关资料，尤其在需要把模型锚定到一组文档（如校内手册）时尤为有用。
工具与 API 集成：为代理赋能行动的所在。例如接入学生与学校日历，使其可按空闲与课表代订辅导课。
UI（学生界面） ：提供基于聊天的交互式学习体验，整合文本、示意图与分步解题。

实际工作流程示例：

学生提出一则关于牛顿力学的复杂问题。
LLM 处理查询，并利用既往交互与上下文记忆。
编排器判断是否需引用参考资料、学生历史表现或进行外网检索。
如有需要，代理从学校参考手册中检索相关信息。
LLM 依据学生水平定制讲解，并针对其历次考试薄弱点进行强化。
学生收到交互式回应：含分步讲解、可视化辅助与练习题。
代理进一步提供预约加课选项，依据日历中可用时段安排。
学生同意后，代理代为预约课程。

接下来一个关键问题是：代理如何知道何时调用特定知识或特定工具？

其强大之处在于：语言模型理解自然语言。每当一个工具/组件（例如“预订会议”操作）被注册，它不仅仅由底层逻辑（如调用某 API 的 POST 请求）定义，还会配有一段自然语言描述，用清晰的文字说明该工具做什么、返回什么。LLM 会读取这些描述，并据此决定何时/如何在任务中调用工具。本质上，模型不仅在执行代码，更在基于人类可读描述对可用动作进行推理与选择。

图 2.3：以自然语言描述代理组件的示例

因此，当用户提出请求时，代理（以 LLM 为“大脑”）会遍历所有组件描述，判断应调用哪一个来解决问题。

实践中，我们可以为“如何调用合适的工具”定义不同策略。例如，你可能希望某个工具总是先被调用，然后再由代理决定是否需要追加其他工具。应对这种规定次序的一种方式，是直接写入系统消息。例如：

这些策略由编排器层进行定义与落实，第 3 章将进一步说明。

AI 智能体的不同类型（Different types of AI agents）

AI 智能体在复杂度与能力上各不相同，从简单的检索型代理到完全自主系统不一而足。理解这些类型有助于组织与开发者为特定用例选型。本节我们将把 AI 智能体归为三大类：检索型代理（retrieval agents） 、任务型代理（task agents）与自主型代理（autonomous agents） 。

检索型代理（Retrieval agents）

在第 1 章中，我们介绍了 RAG（检索增强生成） ：在生成回答前，LLM 会先从已正确嵌入并存储于 向量数据库（VectorDB） 的知识库中检索相关文档或片段。

检索型 AI 代理建立在 RAG 的基础上，但引入了更先进的代理式行为，使其更具自主性与适应性。实际上，我们在标准 RAG 流水线之上增加了一层智能与规划，让代理可以为“如何检索到最相关的信息”制定策略。

注（Note）
检索型 AI 代理常被称为 agentic RAG。在这种方法中，知识源被视为“工具（tools） ”，即每个来源都配有一段自然语言描述，从而使代理可依据用户查询决定调用哪一来源。一旦调用，具体检索机制与传统 RAG 相同；不同之处在于，新增的智能层可以判断当前信息是否足够，必要时继续调用其他来源。

示例：我们希望为医生构建一个能快速检索治疗方案的 AI 助手。医生提问：“2 型糖尿病的最新治疗方案有哪些？”来看两种方法的对比：

传统 RAG 方法：

系统从数据库中检索最相关的三篇文章；
模型从这些文章中抽取相关文本并生成概述性回答；
若检索结果未能充分回答问题，除非医生手动提交新查询，模型无法自行细化搜索。

图 2.4：传统 RAG 流水线

检索型 AI 代理方法：

代理首先检索一组初始文档并进行分析；
它检测到部分研究已过时，于是细化检索条件，再取更近期的出版物；
识别到针对某一特定药物的信息缺口，进一步检索该药物的专项研究；
最终将所有检索来源综合为一份完整答案，确保相关性与完备性。

图 2.5：Agentic RAG 流水线

小结： 与传统 RAG 相比，agentic RAG 带来多方面改进：

多步与递归检索：不再一次性检索完毕，代理会迭代细化搜索，将复杂问题分解为多步；
上下文感知：保留交互记忆，可追问澄清或动态调整检索策略；
工具驱动的查询执行：可与 API、数据库、向量搜索引擎 交互，获取实时与结构化数据；
自适应知识增强：不同于静态检索，代理可从多来源补充信息并进行语境化综合；
自主决策：能判断何时需要更多信息、选择查询哪些来源、以及如何细化结果以获得最佳相关性。

检索型代理是最基础的 AI 代理形态，但这层额外的智能已显著改善用户体验。然而，AI 代理的真正威力在于将检索能力与可执行任务相结合——这一点将在后续的任务型与自主型代理中体现。

任务型代理（Task agents）

任务型代理不止于信息检索，它们会执行具体动作。此类代理旨在自动化工作流、替代用户的重复性操作。与检索型代理不同，任务型代理会根据用户指令或外部触发器执行预定义的动作。

注（Note）
在谈到 AI 智能体时，你常会听到 tasks、tools、skills、plugins、functions、actions 等术语，常被交替使用来指代代理“能做事”的能力。不同的编排平台对术语也各不相同。下面做个简要厘清：

Tasks（任务） ：定义要完成的目标，可从简单动作（如发送邮件）到包含多步操作的复杂流程。
Tools（工具） ：提供执行任务的外部手段，如数据可视化工具绘制图表，或机器翻译服务进行多语言翻译。
Plugins（插件） ：通过与其他平台集成扩展能力，通常包含一组可在该平台上执行的操作/函数（如列出行、追加记录等）。
Functions（函数） ：描述内部的操作方法；例如，正确定义的 get_weather 函数可以返回某地的实时天气。
Skills（技能） ：指代理学到的熟练能力，通常以**声明式（自然语言）**方式定义；可将其视作仅在需要时被调用的“迷你提示词”。
Actions（行动） ：代理针对特定输入或情境采取的具体步骤/操作，是其函数与技能的实时体现，会产生可观察的结果。

让我们继续看一个医疗领域的示例，这次从全科诊所前台接待员 John 的视角出发。

John 需要处理大量预约请求。病人通过电话、邮件与线上系统预约。处理临时取消与改期非常耗时，也常导致排班出现空档。

John 一天的典型流程可能如下：

收到病人 X 的预约邮件，其中包含对日期/时间的偏好；
查询相关专科医生的可用时段，尽量匹配病人偏好与最早可约时间；
若无匹配，则回复病人 X 寻求备选方案；
双方最终确认一个时段并创建预约。

本质上，上述步骤就是 John 为达成目标（为医生与病人找到最优时间）所需完成的一系列任务。

当我们希望用 AI 智能体（更具体地说，任务型代理）来映射并增强业务流程时，一个良好实践是把人的任务转化为代理的任务。例如，任务型代理可这样协助 John：

图 2.6：任务型代理如何执行一项任务
（提示：需要查看高清图？请在 next-gen Packt Reader 或本书的 PDF/ePub 版本中查看。购买本书可免费获得 next-gen Packt Reader。扫描二维码或访问 packtpub.com/unlock，搜索本书名称并确认版本。）

自动扫描邮件：代理读取来自病人 X 的邮件，提取关键信息（姓名与联系方式、偏好日期/时间、所需专科）。
检查可用性：代理调用诊所排班系统插件（即我们为代理配备的工具），将病人的偏好与该专科医生最早可用时段进行匹配；若匹配，跳至步骤 5。
生成备选并拟稿：若无匹配，代理基于医生日程生成最优备选时段列表，并借助写作技能起草给病人 X 的回复邮件（由 John 审核后发送）。
病人反馈：病人 X 提出新偏好，并且要么
- 接受其一（进入步骤 5），要么
- 请求更多选项，则代理重复上一步。
落地预约与通知：John 与病人 X 达成一致后，代理再次使用上述插件在系统中创建预约，并通过邮件插件发送确认邮件给病人 X；同时更新医生日历并通知其预订信息。

图 2.7：面向诊所的任务型 AI 代理“解剖图”示例

如你所见，AI 代理就像 John 的助理，代为处理重复的排班任务，从而让他把精力集中在线下接待与服务上。

自主型代理（Autonomous agents）

自主型代理是最先进的一类 AI 智能体。不同于在预设边界内运行的检索型与任务型代理，自主型代理能够战略性编排多项任务与检索流程，实时决策以优化工作流。它们具备高度的独立性、适应性与情境感知，因而可在最少人工干预下完成复杂操作。

自主型代理的关键区别在于其能够：

结合检索与行动：既能像检索型代理那样获取信息，也能像任务型代理那样据此行动。
规划并自我调整：可依据新信息或约束变化动态适配。
执行多步工作流：将复杂任务拆解为子任务，迭代执行并依据结果调整。

继续以 John 的诊所为例。随着诊所业务繁忙，管理预约、取消与改期变得愈发吃力。任务型代理已能简化单个动作，但现在自主型代理在极少监督下接管端到端的排班流程。其逐步工作方式如下：

受理与优先级排序（Intake and prioritization） ：代理监控所有渠道（邮件、门户、电话录音转写），抽取病人偏好、紧急程度与专科需求，并按优先级排序。比如，一条取消会打开新时段，代理会即时匹配给一直等待相近时段的病人 X。
规划与优化（Planning and optimization） ：审核全天日程，识别冲突或空档，构建优化方案——将低优先级就诊顺延，为紧急患者腾挪时段。
带反馈的执行（Execution with feedback） ：自动向病人推送选项、更新日历、创建预约并发送确认。如偏好更改，则回环并细化动作。
实时适配（Real-time adaptation） ：若医生临时请假，代理暂停新预约、为受影响患者自动改期并通知员工——除非需要人工介入，否则全流程自治处理。
持续学习（Continuous learning） ：日终分析结果，更新病人偏好，并调整未来的优先级逻辑。

该自主型代理能规划、检索、决策、行动、适配与学习——而无需依赖预定义的固定流程。John 只需聚焦边界案例，其余由代理智能处理。

自主型代理代表着 AI 驱动流程自动化 的下一步。通过将检索式 AI 的能力（情境感知、实时检索细化）与任务执行技能（预约排班、自动通知）相融合，自主型代理能够从根本上重塑业务流程与日常运营。

注（Note）
尽管自主型代理与业务流程自动化的概念高度契合，但它们同样能为客户体验带来新提升。以上述场景为例，病人 X 无需电话或邮件，可直接使用代理提供的对话式界面（如诊所网站或 WhatsApp 渠道）。在此过程中，代理捕捉意图、在需要时追问补充信息，并在后台编排各系统执行任务，从而带来更顺畅的交互体验。

我们可以为代理设定不同程度的自主性；取舍取决于业务场景以及我们对解决方案准确度的信心。