智東西
作者 陳駿達(dá)
編輯 心緣

智東西5月29日報(bào)道，近日，來自美國康奈爾大學(xué)等高校研究團(tuán)隊(duì)的一篇智能體研究綜述論文爆火出圈，相關(guān)推文在社交媒體平臺X上收獲超70萬閱讀量，過萬收藏。這篇長達(dá)32頁的綜述，深度分析了Agent（智能體）研究中最容易混淆的一組核心概念——AI Agents和Agentic AI，并討論了智能體技術(shù)發(fā)展過程中幾大堵點(diǎn)問題的技術(shù)解決思路。

該團(tuán)隊(duì)認(rèn)為，AI Agents與Agentic AI存在本質(zhì)區(qū)別：AI Agents是以大模型為基礎(chǔ)、執(zhí)行特定任務(wù)的自主體，更適用于單一任務(wù)的自動(dòng)化處理；而Agentic AI是由多個(gè)協(xié)作智能體組成的系統(tǒng)，具備更強(qiáng)大的復(fù)雜任務(wù)拆解、自主決策和多步驟協(xié)同能力，更接近人類的組織式智能。

從場景來看，AI Agents的典型應(yīng)用包括客服自動(dòng)化、郵件分類、日程助手等等。Agentic AI的典型應(yīng)用包括多智能體研究助手、智能機(jī)器人協(xié)作、游戲中的多角色NPC協(xié)同等。

作為Agentic AI系統(tǒng)的組成模塊，AI Agents仍面臨幻覺、推理深度有限、無因果建模、上下文窗口受限等挑戰(zhàn)。Agentic AI系統(tǒng)則需要解決智能體間的協(xié)同失敗、錯(cuò)誤傳播和安全風(fēng)險(xiǎn)。

為解決上述問題，開發(fā)者可以引入如RAG（檢索增強(qiáng)生成）、因果建模、多智能體記憶架構(gòu)（如向量記憶）與更強(qiáng)的規(guī)劃機(jī)制（如思維樹，Tree of Thoughts）。

未來，AI Agents將通過模塊化設(shè)計(jì)和智能能力的提升，逐步演變?yōu)榫邆?strong>“主動(dòng)智能”的智能體，Agentic AI的多智能體協(xié)作框架則會進(jìn)一步成熟與精細(xì)化，形成具備高度組織能力的“系統(tǒng)智能”。

一、GenAI奠定現(xiàn)代AI Agents基礎(chǔ)，執(zhí)行能力依賴外部組件

研究團(tuán)隊(duì)在文章中首先探討了AI Agents的定義與核心特征。

AI Agents是指能夠在限定數(shù)字環(huán)境中自主感知、理解輸入、并基于目標(biāo)執(zhí)行任務(wù)的軟件實(shí)體。它們超越傳統(tǒng)自動(dòng)化腳本，不再依賴固定流程，而具備一定程度的環(huán)境適應(yīng)與智能行為，常用于信息檢索、客服自動(dòng)化、日程管理等實(shí)際場景。AI Agents具有三大核心特征：

（1）自主性（Autonomy）：具備在部署后獨(dú)立運(yùn)作的能力，人類干預(yù)較少，支持大規(guī)模自動(dòng)化。

（2）任務(wù)專一性（Task-Specificity）：通常專注于單一、明確的任務(wù)，如郵件分類、數(shù)據(jù)庫查詢等，便于優(yōu)化效率與可解釋性。

（3）反應(yīng)性與適應(yīng)性（Reactivity & Adaptation）：能夠?qū)τ脩糁噶罨颦h(huán)境狀態(tài)作出動(dòng)態(tài)響應(yīng)，有些系統(tǒng)甚至能通過反饋機(jī)制逐步優(yōu)化行為。

現(xiàn)代AI Agents的核心通常是大語言模型（LLM）和大圖像模型（LIM）。其中，大語言模型主要支持AI Agents的自然語言理解、推理、計(jì)劃和響應(yīng)生成，是AI Agents“思考”的基礎(chǔ)。諸如CLIP和BLIP-2等大圖像模型使AI Agents具備視覺感知能力，廣泛應(yīng)用于機(jī)器人、自動(dòng)駕駛、內(nèi)容審核等場景。

這些模型通常通過API調(diào)用方式接入，使得開發(fā)者無需從零訓(xùn)練模型即可構(gòu)建AI Agents。

文章中用農(nóng)業(yè)無人機(jī)的案例展現(xiàn)了AI Agents感知、推理與行動(dòng)三位一體的運(yùn)作方式。AI Agents可通過圖像識別功能識別果園中的病果或壞枝，并在無人干預(yù)的情況下觸發(fā)報(bào)警或處理機(jī)制。

雖然生成式AI模型為現(xiàn)代AI Agents奠定了技術(shù)基礎(chǔ)，但其仍然存在重要局限，例如主動(dòng)性或目標(biāo)意識差、無持續(xù)記憶與狀態(tài)更新能力、無法直接與外部系統(tǒng)交互等。

為彌補(bǔ)生成式AI的不足，AI Agents引入了工具調(diào)用（Tool-Use）、函數(shù)執(zhí)行、上下文記憶、任務(wù)規(guī)劃等模塊，演化成具備初步“認(rèn)知結(jié)構(gòu)”的系統(tǒng)，例如AutoGPT、LangChain等。這標(biāo)志著系統(tǒng)架構(gòu)從“內(nèi)容生成”過渡到“任務(wù)執(zhí)行”，是Agentic AI發(fā)展的基礎(chǔ)步驟。

如今的AI Agents通常由四個(gè)主要子系統(tǒng)構(gòu)成：感知、推理、行動(dòng)和學(xué)習(xí)。感知模塊負(fù)責(zé)接收來自用戶（如自然語言提示詞）或外部系統(tǒng)（如API、文件上傳、傳感器數(shù)據(jù)流）的輸入信號，并將其預(yù)處理為智能體推理模塊可以理解的格式。知識表征與推理（KRR）模塊是智能的核心模塊，負(fù)責(zé)對輸入數(shù)據(jù)應(yīng)用符號、統(tǒng)計(jì)或混合邏輯進(jìn)行處理。

行動(dòng)選擇與執(zhí)行模塊將推理得出的決策轉(zhuǎn)換為外部行動(dòng)，如發(fā)送信息、更新數(shù)據(jù)庫、調(diào)用API或生成結(jié)構(gòu)化輸出。AI Agents還具備基礎(chǔ)的學(xué)習(xí)與適應(yīng)能力，如啟發(fā)式參數(shù)調(diào)整或基于歷史的上下文保留。

AI Agents的定制化通常通過領(lǐng)域特定的提示工程、規(guī)則注入或工作流模板實(shí)現(xiàn)，它與硬編碼的自動(dòng)化腳本的區(qū)別在于有上下文感知的決策能力。以ReAct系統(tǒng)為例，其采用推理與行動(dòng)的迭代框架，使智能體在執(zhí)行前能進(jìn)行內(nèi)部“思考”。

二、AI Agent可擴(kuò)展性有限，Agentic AI成下一代AI基礎(chǔ)設(shè)施

盡管AI Agents已經(jīng)在自動(dòng)化特定任務(wù)方面取得了突破，但這類系統(tǒng)在復(fù)雜、多步驟或協(xié)作場景中的可擴(kuò)展性受到限制。這些限制最終催生了更先進(jìn)的范式——Agentic AI。

從定義上來看，Agentic AI系統(tǒng)由多個(gè)AI Agents組成，Agentic AI系統(tǒng)的自主性要高于單個(gè)Agent，能夠管理多步驟的復(fù)雜任務(wù)，并處理需要協(xié)作的任務(wù)。Agentic AI還涉及多智能體之間的信息共享，與AI Agents相比，能夠在更廣泛的任務(wù)和環(huán)境中進(jìn)行學(xué)習(xí)和適應(yīng)。

Agentic AI系統(tǒng)繼承了AI Agents的模塊化結(jié)構(gòu)，但在此基礎(chǔ)上引入了分布式智能、智能體間通信和遞歸規(guī)劃等增強(qiáng)能力。文獻(xiàn)中總結(jié)了多項(xiàng)關(guān)鍵架構(gòu)改進(jìn)，這些改進(jìn)構(gòu)成了Agentic AI相較于AI Agents的本質(zhì)區(qū)別：

（1）專責(zé)智能體協(xié)作體系（Ensemble of Specialized Agents）：Agentic AI不再是單一智能體運(yùn)行，而是由多個(gè)專責(zé)智能體組成，每個(gè)負(fù)責(zé)不同功能，如摘要、檢索、規(guī)劃等。這些智能體通過消息隊(duì)列、黑板機(jī)制或共享內(nèi)存等方式進(jìn)行通信。例如MetaGPT采用模擬公司部門（如CEO、CTO、工程師）角色的方式構(gòu)建智能體，角色模塊化、可復(fù)用、職責(zé)清晰。

（2）高級推理與規(guī)劃能力（Advanced Reasoning and Planning）：Agentic AI系統(tǒng)內(nèi)嵌遞歸推理機(jī)制，如ReAct、思維鏈（Chain-of-Thought, CoT）和思維樹（Tree of Thoughts）等框架。這些機(jī)制允許智能體將復(fù)雜任務(wù)分解為多個(gè)推理階段，評估中間結(jié)果，并動(dòng)態(tài)調(diào)整行動(dòng)計(jì)劃，從而提升系統(tǒng)應(yīng)對不確定性或任務(wù)失敗的能力。

（3）持久化記憶架構(gòu)（Persistent Memory Architectures）：與傳統(tǒng)智能體不同，Agentic AI具備持久記憶子系統(tǒng)，能夠在多個(gè)任務(wù)周期或智能體會話間保留知識。記憶類型包括情景記憶（記錄任務(wù)相關(guān)的交互歷史）、語義記憶（長期事實(shí)或結(jié)構(gòu)化數(shù)據(jù)）以及向量記憶（用于檢索增強(qiáng)生成，RAG）。例如AutoGen智能體使用草稿本記錄中間計(jì)算結(jié)果，支持任務(wù)的逐步推進(jìn)。

（4）編排層 / 元智能體（Orchestration Layers / Meta-Agents）：Agentic AI的一項(xiàng)關(guān)鍵創(chuàng)新是引入了編排器或元智能體，負(fù)責(zé)協(xié)調(diào)各子智能體的生命周期、管理依賴關(guān)系、分配角色并解決沖突。這類元智能體通常包含任務(wù)管理器、評估器或協(xié)調(diào)者角色。例如在ChatDev系統(tǒng)中，一個(gè)虛擬CEO元智能體將子任務(wù)分配給不同部門智能體，并整合它們的輸出形成統(tǒng)一的策略響應(yīng)。

這些架構(gòu)方面的調(diào)整使Agentic AI能夠勝任需要持續(xù)上下文、多智能協(xié)作、多模態(tài)協(xié)調(diào)及策略適應(yīng)的復(fù)雜任務(wù)場景。典型應(yīng)用包括：多個(gè)智能體協(xié)同完成檢索、摘要、文稿撰寫的研究助理（如AutoGen流水線）；或監(jiān)控物流、供應(yīng)商績效與動(dòng)態(tài)定價(jià)模型的智能供應(yīng)鏈系統(tǒng)。

研究團(tuán)隊(duì)認(rèn)為，Agentic AI正在成為下一代AI基礎(chǔ)設(shè)施，其能力不僅限于執(zhí)行預(yù)設(shè)流程，更能構(gòu)建、調(diào)整和管理復(fù)雜目標(biāo)，實(shí)現(xiàn)最小人工干預(yù)下的自主運(yùn)行。

三、AI Agents繼承大模型短板，Agentic AI缺乏統(tǒng)一標(biāo)準(zhǔn)

在當(dāng)下令人眼花繚亂的智能體應(yīng)用中，究竟哪些屬于AI Agents，又有哪些屬于Agentic AI呢？這篇綜述為我們歸納了AI Agents與Agentic AI的典型應(yīng)用場景。

AI Agents目前廣泛應(yīng)用于客服自動(dòng)化、企業(yè)內(nèi)部搜索、電子郵件分類與優(yōu)先級管理、內(nèi)容推薦以及日程安排等場景。

廣為人知的AI Agents包括Manus、NotebookLM、 ChatGPT深度搜索等。此外，智能營銷產(chǎn)品Salesforce Einstein、智能協(xié)作與內(nèi)容生成平臺Notion AI、個(gè)性化內(nèi)容推薦系統(tǒng)（如亞馬遜、YouTube、Spotify的推薦系統(tǒng)）和日程安排助手Reclaim AI等也屬于AI Agents。

▲業(yè)內(nèi)有代表性的AI Agents

Agentic AI具備更高層次的認(rèn)知和任務(wù)協(xié)作能力，目前的應(yīng)用包括科研助手、多機(jī)器人協(xié)調(diào)系統(tǒng)、醫(yī)療輔助診斷系統(tǒng)、網(wǎng)絡(luò)安全風(fēng)險(xiǎn)處理系統(tǒng)等。

不過，無論是從客觀的基準(zhǔn)測試還是用戶的主觀體驗(yàn)來看，AI Agents和Agentic AI距離無需人類干預(yù)的高度自主化系統(tǒng)仍有一定距離。

現(xiàn)有的AI Agents主要存在因果推理能力差、幻覺較多、推理深度較淺、知識更新滯后等問題，其中部分問題是從大語言模型繼承而來的。AI Agents還缺乏自主目標(biāo)設(shè)定能力、反思能力、上下文記憶、持久性控制，這些問題導(dǎo)致其在長期規(guī)劃和故障恢復(fù)方面表現(xiàn)不佳。

Agentic AI面臨的挑戰(zhàn)更多出現(xiàn)在智能體的協(xié)作環(huán)節(jié)，包括智能體間的錯(cuò)誤傳播（單個(gè)子智能體的錯(cuò)誤在系統(tǒng)中被層層放大）、系統(tǒng)穩(wěn)定性差等問題。Agentic AI系統(tǒng)的基礎(chǔ)研究尚處早期階段，缺乏統(tǒng)一的標(biāo)準(zhǔn)架構(gòu)、通信協(xié)議與可驗(yàn)證機(jī)制，難以進(jìn)行跨平臺集成與通用化開發(fā)，可擴(kuò)展性因此受限。

四、從RAG到自我批判架構(gòu)，堵點(diǎn)問題10大解法

這篇論文還總結(jié)了解決AI Agents與Agentic AI所面臨的多樣問題的10大解決方案。

（1）檢索增強(qiáng)生成（RAG）：通過結(jié)合實(shí)時(shí)數(shù)據(jù)檢索，RAG能夠減少AI Agents的幻覺問題，并擴(kuò)展其靜態(tài)知識庫。例如，在企業(yè)搜索和客戶支持中，RAG可以確保生成的響應(yīng)基于外部事實(shí)。

在多Agent系統(tǒng)中，RAG作為共享的“事實(shí)基礎(chǔ)”，能確保Agent之間的一致性，并減少因上下文不一致導(dǎo)致的錯(cuò)誤傳播。

（2）工具增強(qiáng)的推理（Tool-Augmented Reasoning）：AI Agents如果能通過調(diào)用外部API、運(yùn)行本地腳本或訪問結(jié)構(gòu)化數(shù)據(jù)庫，就可以轉(zhuǎn)變?yōu)榻换ナ降膯栴}解決者。

在多Agent系統(tǒng)中，工具增強(qiáng)的推理讓每個(gè)Agent可以根據(jù)其角色調(diào)用特定的API，支持更清晰的行為邊界，并減少任務(wù)交接中的模糊性。

（3）Agent行為循環(huán)（Agentic Loop）：Agent行為循環(huán)指的是推理、行動(dòng)、觀察這三者間的迭代。通過引入迭代循環(huán)，Agent可實(shí)現(xiàn)更謹(jǐn)慎、更適應(yīng)上下文的行為。例如，Agent在生成摘要之前會驗(yàn)證檢索到的數(shù)據(jù)。

在多Agent系統(tǒng)中，這種循環(huán)對于協(xié)作一致性至關(guān)重要。每個(gè)Agent的觀察結(jié)果需要與其他Agent的輸出進(jìn)行協(xié)調(diào)。要實(shí)現(xiàn)這一點(diǎn)，共享內(nèi)存和一致的日志記錄是關(guān)鍵。

（4）記憶架構(gòu)（Memory Architectures）：記憶架構(gòu)的升級可以幫助AI Agents解決長期規(guī)劃和會話連續(xù)性的問題。例如，Agents可以回憶之前的動(dòng)作和反饋，從而實(shí)現(xiàn)個(gè)性化和適應(yīng)性決策。

Agentic AI需要更復(fù)雜的記憶模型來管理分布式狀態(tài)。此類模型允許每個(gè)Agent可以維護(hù)本地內(nèi)存，同時(shí)訪問共享的全局內(nèi)存，以支持長期的系統(tǒng)級規(guī)劃。

目前，研究者正探索情景記憶（Episodic Memory）、語義記憶（Semantic Memory）和向量記憶（VectorMemory）等不同架構(gòu)。

（5）角色專業(yè)化的多Agent編排（Multi-Agent Orchestration with Role Specialization）：即使在單Agent系統(tǒng)中，開發(fā)者也可以通過將任務(wù)分解為子組件（例如，規(guī)劃者、總結(jié)者）并進(jìn)行模擬分隔推理，來實(shí)現(xiàn)輕量級的編排。

在Agentic AI系統(tǒng)中，編排是一項(xiàng)核心技術(shù)。元Agent或編排者在專業(yè)化的Agent之間分配任務(wù)，每個(gè)Agent都有不同的能力。

（6）自反思與自我批判機(jī)制（Reflexive and Self-Critique Mechanisms）：引入自我評估能力后，Agent在完成任務(wù)時(shí)可以使用二次推理過程來審查自己的輸出，從而提高魯棒性和減少錯(cuò)誤率。

這項(xiàng)能力也可以擴(kuò)展到Agent之間的相互評估。例如，一個(gè)驗(yàn)證Agent可以審計(jì)總結(jié)Agent的工作，確保協(xié)作質(zhì)量控制。

（7）程序化提示工程管線（Programmatic Prompt Engineering Pipelines）：自動(dòng)化任務(wù)模板、上下文填充和檢索增強(qiáng)變量等技術(shù)可以減少手動(dòng)調(diào)整提示詞的不穩(wěn)定性。這些動(dòng)態(tài)提示詞可以根據(jù)任務(wù)類型、AI Agents角色或用戶查詢進(jìn)行結(jié)構(gòu)化。

在Agentic AI系統(tǒng)中，每個(gè)Agent類型（例如，規(guī)劃者、檢索者、總結(jié)者）可以根據(jù)其功能生成或使用結(jié)構(gòu)化的提示詞。

（8）因果建模與基于模擬的規(guī)劃（Causal Modeling and Simulation-Based Planning）：通過嵌入因果推斷，AI Agents將能夠區(qū)分相關(guān)性和因果關(guān)系，從而更穩(wěn)健地進(jìn)行干預(yù)模擬和規(guī)劃。而在Agentic AI系統(tǒng)中，因果推理對于安全協(xié)調(diào)和錯(cuò)誤恢復(fù)至關(guān)重要。

（9）監(jiān)控、審計(jì)與可解釋性管線（Monitoring, Auditing, and Explainability Pipelines）：通過記錄提示詞、工具調(diào)用、內(nèi)存更新和輸出，日志系統(tǒng)可以對AI Agents進(jìn)行事后分析和性能調(diào)整。這些記錄有助于開發(fā)人員跟蹤故障、優(yōu)化行為，并確保符合使用指南。

在Agentic AI系統(tǒng)中，日志和可解釋性同樣至關(guān)重要。審計(jì)跟蹤對于識別哪個(gè)Agent導(dǎo)致錯(cuò)誤以及在什么條件下發(fā)生錯(cuò)誤是十分關(guān)鍵的。

（10）治理感知架構(gòu)（Governance-Aware Architectures）：開發(fā)者可以為AI Agents引入基于角色的訪問控制、沙箱和身份解析，以確保Agent在其范圍內(nèi)行動(dòng)，并且其決策可以被審計(jì)或撤銷。

在Agentic AI系統(tǒng)中，這一治理感知架構(gòu)必須擴(kuò)展到角色、Agent和工作流中，角色隔離可以防止AI Agents超出權(quán)限，而責(zé)任機(jī)制可以為決策分配責(zé)任并跟蹤因果關(guān)系。

結(jié)語：AI Agents與Agentic AI的未來：從被動(dòng)響應(yīng)到自主進(jìn)化

研究團(tuán)隊(duì)認(rèn)為，未來，AI Agents的發(fā)展將朝著更加自主化、智能化的方向演進(jìn)。它們不再局限于被動(dòng)響應(yīng)，而是能基于上下文和目標(biāo)主動(dòng)推理，具備主動(dòng)智能（Proactive Intelligence）。

通過深度集成外部工具（Tool Integration）和因果推理能力（Causal Reasoning），AI Agents可以更高效地處理復(fù)雜問題。持續(xù)學(xué)習(xí)（Continuous Learning）機(jī)制讓它們能不斷優(yōu)化自身表現(xiàn)，而信任與安全（Trust & Safety）機(jī)制的完善則確保其輸出可靠、無偏見。

與此同時(shí)，Agentic AI將推動(dòng)多智能體擴(kuò)展（Multi-Agent Scaling）和統(tǒng)一編排（Unified Orchestration），讓多個(gè)AI Agents高效協(xié)作，解決更宏大的挑戰(zhàn)。持久記憶（Persistent Memory）和模擬規(guī)劃（Simulation Planning）讓AI具備長期任務(wù)管理能力，而倫理治理（Ethical Governance）則確保其發(fā)展符合人類價(jià)值觀。

文章還特別提到了清華大學(xué)、北京通用人工智能研究院與賓夕法尼亞州立大學(xué)提出的的AZR（絕對零數(shù)據(jù)推理）框架的突破。這一框架有望讓AI擺脫對人類標(biāo)注數(shù)據(jù)的依賴，通過自我生成任務(wù)和驗(yàn)證反饋實(shí)現(xiàn)完全自主進(jìn)化。