原创 PaperAgent 2025-05-24 23:23 湖北
AI Agents被定义为由大型语言模型（LLMs）和大型图像模型（LIMs）驱动的模块化系统，用于特定任务的自动化。Agentic AI的出现是为了解决AI Agents在处理复杂、多步骤或需要协作的场景中的局限性，它代表了一种范式转变，强调多智能体协作、动态任务分解、持久记忆和协调自主性。
从基础AI Agents到Agentic AI系统、应用、局限性和解决方案策略的方法论流程图
一、AI Agents的基础理解
1.1、AI Agents的定义与核心特性
AI Agents 被定义为在限定的数字环境中执行目标导向任务的自主软件实体。它们通过感知结构化或非结构化的输入、对上下文信息进行推理，并采取行动以实现特定目标。与传统自动化脚本不同，AI Agents展现出反应式智能和有限的适应性，能够根据动态输入调整输出。
1.2、从生成式AI到AI Agents的演变
生成式AI的局限性，如处理动态任务、维持状态连续性或执行多步计划的能力不足，促使了工具增强型系统（即AI Agents）的发展。这些系统在LLMs的基础上引入了额外的基础设施，如记忆缓冲区、工具调用API、推理链和规划例程，以弥合被动响应生成与主动任务完成之间的差距。
1.3、AI Agents的应用示例
AI Agents在多个领域得到了广泛应用，包括客户服务自动化、内部企业搜索、电子邮件过滤和优先级排序、个性化内容推荐和基本数据分析以及报告、自主日程安排助手等。
二、Agentic AI的兴起：从AI Agents基础出发
2.1、Agentic AI的概念转变
AI Agents虽然在特定任务的自动化方面表现出色，但在处理复杂、多步骤或需要协作的任务时存在局限性。Agentic AI通过多智能体协作、动态任务分解、持久记忆和协调自主性来克服这些限制，实现更复杂的任务自动化。
2.2、从孤立任务到协调系统的概念飞跃
AI Agents通常被设计为执行特定任务的单一实体，而Agentic AI系统则由多个专业智能体组成，这些智能体通过结构化通信和共享记忆来协作完成复杂目标。
目标分解：用户指定的目标被自动解析并分解为更小的子任务，这些子任务被分配给不同的智能体。
多步骤推理和规划：智能体能够动态地对子任务进行排序，以适应环境的变化或部分任务的失败。
持久记忆：智能体能够跨多个交互存储上下文，评估过去的决策，并迭代地改进策略。
智能体间的通信：通过分布式通信渠道（如异步消息队列、共享内存缓冲区或中间输出交换）进行协调，而无需持续的集中监督。
2.3、Agentic AI与AI Agents的关键区别
通过对比分析，详细列出了AI Agents和Agentic AI在多个维度上的关键区别，包括定义、自主性水平、任务复杂性、协作方式、学习和适应能力以及应用领域。
定义：AI Agents是执行特定任务的自主软件程序，而Agentic AI是多个AI代理协作以实现复杂目标的系统。
自主性水平：AI Agents在其特定任务内具有高自主性，而Agentic AI具有更高的自主性，能够管理多步骤、复杂的任务。
任务复杂性：AI Agents通常处理单一、特定的任务，而Agentic AI处理需要协作的复杂、多步骤任务。
协作：AI Agents独立运行，而Agentic AI涉及多智能体协作和信息共享。
学习和适应能力：AI Agents在特定领域内学习和适应，而Agentic AI在更广泛的范围和环境中学习和适应。
2.4、Agentic AI的应用示例
三、Agentic AI面临的挑战与解决方案
尽管Agentic AI具有显著的优势，但也面临一系列挑战，包括智能体间的错误级联、协调失败、新兴行为的不可预测性、可扩展性限制和可解释性问题。文章提出了多种解决方案，如检索增强生成（RAG）、基于工具的推理、记忆架构和因果建模，以解决这些挑战。
检索增强生成（RAG）：通过检索实时数据来增强LLMs的知识，减少幻觉现象。
基于工具的推理：通过调用外部工具和API，扩展AI Agents与现实世界系统的交互能力。
记忆架构：通过持久化信息跨任务，解决AI Agents在长期规划和会话连续性方面的限制。
多智能体协调与角色专业化：通过元代理或协调器分配任务，增强系统的可解释性、可扩展性和容错能力。
更多信息：《动手设计AI Agents：CrewAI版》、《高级RAG之36技》、新技术实战：中文Lazy-GraphRAG/Manus+MCP/GRPO+Agent、大模型日报/月报、最新技术热点追踪解读（GPT4-o/数字人/MCP/Gemini 2.5 Pro）
https://arxiv.org/pdf/2505.10468
AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges
推荐阅读 欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
