Agent，Agentic AI，到底走到到哪了？

当 AI 不再只是“被调用”，而是主动“发起任务”，我们是否准备好接受一个有“意图”的系统？本文试图打破“AI=工具”的认知惯性，从 Agentic AI 的能力边界、协作机制与风险结构出发，重新思考人机关系的未来走向。

模型为什么要Agent

想想目前基础的大语言模型，擅长各式各样的文字处理能力，在真实的复杂场景中却很难胜任。简单场景下的被动响应难以处理高难度任务以及实时互动等。通用引入Agent，AI就能自主行动、适应环境，像虚拟同事一样评估可能后果，再做具体的决策。比如，Agent能追求目标、完成任务，还能带上推理、规划及记忆功能。这样一来，补足了LLM和RAG的短板，提供模型在真实世界中的执行力和决策能力。最终，能够解锁新的业务范式、加速生产力，将AI从工具变成与你一起解决问题的伙伴。尤其在当前生成式AI前沿，Agent被视为下一个突破——无缝与人类进行任务协作。

从技术上进行分析，LLM本身受限于上下文窗口大小处理长序列时容易丢失信息，且无法直接调用该外部API或工具。Agent的工具集成机制，比如Function calling（函数调用），让模型动态选择并执行外部操作来扩展能力。加上向量数据库存储的长期记忆，避免每次从零开始。像经典的ReAct（Reason + Act）范式，模型先推理再行动，训练优化输出，解决但不预测的局限。在不确定环境中整体提升了鲁棒性和泛化能力。

NVIDIA强调LLM-powered agents用规划、记忆和工具来推理问题、创建计划并执行任务。

Agent架构如何

先说最基础的，Agent像软件程序一样能够与环境互动、收集数据、执行自导任务。

核心就是在于循环：观察、思考、行动、学习（不断迭代）。

内部结构通常包括LLM决定控制流，加上记忆、函数和路由器组件。

常见模式有：顺序执行、并发处理、群聊协作、手动切换。Agentic架构更强调自治，减少用户的输入，让AI基于目标独立决策。

深入点来说，典型架构分：Perception（感知层）、Brain（大脑层）、Action（行动层）。感知层用传感器或API输入数据，大脑层靠LLM处理，结合Chain-of-Thought（CoT）提示词工程来分解任务。记忆分成短期（上下文窗口）和长期（向量存储），支持RAG。行动层主要是通过工具库进行调用（MCP，API等）。框架如LangChain提供链式构建，AutoGen支持多代理协作，模拟人类团队分工。路由组件用语义路由器决定下一步，优化效率。Agentic版本强调零样本学习，模型不需额外训练就能适应新任务。

当前Agent容易出现的问题

尽管潜力大，Agent还是碰上不少坑。信任和偏见问题常见，缺乏伦理责任，容易依赖不完美模型导致风险。 比如，不是人类，就难在复杂场景即兴解决，缺移情能力。 记忆弱点突出，每次对话重置，无连续学习。 LLM核心带来的幻觉等毛病，也放大在Agent上。 编码Agent常制造技术债务，代码难调试。 目标不对齐风险大，如果设计不当，结果偏离预期。 隐私合规尤其棘手，在医疗等行业更明显。 失败多因没把握AI能力边界和失败模式。

技术端分析：幻觉源于LLM概率生成，Agent循环放大错误，导致行动偏差。 内存管理问题如溢出或检索不准，影响长期一致性，浅层记忆导致无连续学习。

产品端分析：隐私和安全高风险，自治agent易泄露数据，尤其在业务中。 准确率低于70%在客服等工作，失败创建功能API。

近期Agent提升——Agentic AI

转到2025年，Agentic AI这个概念爆火。UiPath的Agentic Automation被评为年度最佳发明，简化业务的同时能够进行多代理的管理。

Agentic AI主要是想在有限监督下完成特定目标的自治AI系统，且能独立行动执行过程。当前最新的有关Agentic的公司咨询：

UiPath：AgenticAutomation协调复杂工作流，agent、机器人和人类协作。针对银行（贷款origination）、医疗（claimsprocessing）、保险（underwriting）和制造（优化throughput）。Anthropic：ClaudeSonnet4.5优化为agent、coding和计算机使用。针对安全研究如agenticmisalignment，和经济指数应用。最新ClaudeAgentSDK提供上下文管理、工具生态、权限控制，用于构建编码代理如SRE诊断、生产问题修复，或业务代理如法律审查、财务分析。DeepMind：CodeMender作为代码安全AIagent，GeminiRobotics1.5将agent带入物理世界。针对机器人本地设备和代码修复场景。Microsoft：CopilotStudio构建和部署AIagents，集成到Microsoft365。针对工作流自动化如文档总结、数据分析和会议转录，跨行业如安全和编码。IBM：watsonxAssistant创建无代码虚拟agents，watsonxOrchestrateoffload重复工作。针对企业生产力提升和工作流加速。AWS：AmazonQ等工具支持agentic自动化，针对云基础的业务转型。OpenAI：10月6日推出AgentKit，包含AgentBuilder视觉画布构建多代理工作流、ConnectorRegistry管理数据连接、ChatKit嵌入聊天体验。扩展Evals功能如数据集、追踪评分、提示优化，支持第三方模型。针对深度研究、客服、销售代理等场景，Ramp和LYCorporation快速构建采购和工作助手代理。

Tencent：企点营销云9月推出MagicAgent，全链路营销智能化，帮助企业快速构建多技能AI营销代理。整合场景化AI代理策略全景，AgentDevelopmentPlatform3.0全球发布，支持营销工具全面AI化，针对营销场景如消费者互动、内容生成。

LYCorporation：5月宣布AI代理策略，10月转向领域系统加速引入。利用OpenAI工具构建工作助手代理，AgentOne企业级平台提供自治代理，针对用户服务如LINE和Yahoo！JAPAN的生成AI功能，提升内部应用和业务用户体验。

引用来源

NVIDIA LLM驱动的AI代理介绍：https://www.nvidia.com/en-us/ai/

Anthropic Claude代理SDK构建指南：https://www.anthropic.com/engineering/building-agents-with-the-claude-agent-sdk

AWS AI代理官方页面：https://aws.amazon.com/bedrock/agents/

IBM AI代理主题概述：https://www.ibm.com/think/topics/ai-agents

逻辑理论家AI程序历史：https://en.wikipedia.org/wiki/Logic_Theorist

人工智能历史早期发展：https://en.wikipedia.org/wiki/History_of_artificial_intelligence

基于规则的专家系统：https://en.wikipedia.org/wiki/Expert_system

智能代理1990年代发展：https://en.wikipedia.org/wiki/Intelligent_agent

Transformer架构介绍：https://en.wikipedia.org/wiki/Transformer_%28deep_learning_architecture%29

LLM驱动的自治代理系统：https://lilianweng.github.io/posts/2023-06-23-agent/

Agentic AI融合与兴起：https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-foundations/agentic-ai-emergence.html

AI代理偏见与训练数据报告：https://www.nist.gov/news-events/news/2022/03/theres-more-ai-bias-biased-data-nist-report-highlights

强化学习中的Goodhart定律：https://www.alignmentforum.org/posts/Eu6CvP7c7ivcGM3PJ/goodhart-s-law-in-reinforcement-learning

Agentic AI概念定义：https://www.ibm.com/think/topics/agentic-ai

UiPath Agentic自动化平台：https://www.uipath.com/automation/agentic-automation

本文由 @天故有白 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议