Agentic AI设计模式

推荐语

Agentic AI如何重塑未来工作？揭秘自主智能体的核心技术与应用场景。

核心内容：
1. Agentic AI的四大核心组件解析
2. 智能体系统的分类与适用场景
3. 主流Agentic设计模式深度剖析

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

💡 什么是 Agentic AI？

Agentic AI 利用 AI 技术，特别是大型语言模型（LLM），代表人类或系统进行推理、规划和行动，以自主完成任务。这些智能体可以执行一系列操作，例如代码审查、报告撰写、旅行规划和管理企业应用程序。一个关键特征是它们能够反思自身行为，评估结果，调整方法，并不断努力实现既定目标。它们不仅回答问题，还通过探索和完善来解决问题。

⚙️ Agentic AI 系统的核心组件

当前的智能体系统通常建立在四个核心组件之上，这些组件协同工作，使其能够理解复杂指令、制定执行计划、保持上下文连贯性并与外部系统交互：

•作为推理引擎的大型语言模型（LLM）：LLM 是核心智能，通过自然语言理解、推理、决策、应用世界知识和维护对话历史来驱动智能体的智能行为。•规划能力：这使得智能体能够分解复杂问题，设计解决方案路径，并以有组织的方式执行多步骤任务。ReAct（推理与行动）框架是一个常见的规划框架，它引导模型分解复杂问题，逐步推理并采取行动（如工具调用或信息检索），然后进行观察和进一步推理，形成一个闭环反馈机制。•记忆机制：这使智能体能够存储和检索过去的交互、知识和经验，以实现具有上下文感知能力的持续对话和长期学习。记忆可以是短期的（维护当前对话上下文，通常在内存或提示中）或长期的（存储超出单个会话的信息，通常在结构化数据库或用于语义搜索的向量数据库中）。检索增强生成（RAG）是一项关键技术，它将长期记忆与 LLM 相结合，以根据检索到的知识提供更准确、更详细的答案。•工具使用能力：这是一个关键特性，允许智能体与外部系统和资源交互，执行操作，并访问实时信息，超越了纯文本交互。工具可以从网络搜索和代码执行到与生产力工具的接口不等。

📚 智能体分类

可以根据智能体的交互模式和自主程度对其进行分类：

基于交互模式：

•单一智能体：一个由单个智能体处理所有任务处理、决策和外部交互的系统。它适用于特定领域、清晰且相对固定的任务步骤，以及需要快速响应而无需复杂协作的场景。•多智能体系统：由多个协作智能体组成，每个智能体负责不同的任务或领域，通常针对特定领域进行优化。这种方法通过分解复杂问题和允许并行工作来提高效率，尽管它可能会增加跟踪交互的成本和复杂性。

🎨 Agentic 设计模式

有几种常见的 AI Agentic 工作流设计模式，旨在通过多次提示 LLM 来提高输出质量。

•反思（评估者-优化者）：LLM 检查自己的输出以识别改进领域，提供关键反馈以迭代地完善其响应。这可能涉及自我反思或使用其他智能体/工具（如单元测试或网络搜索）进行评估。•工具使用（函数调用）：LLM 被授予访问外部函数或 API（例如，网络搜索、代码执行、生产力工具）的权限，以收集信息、采取行动或操作数据，从而极大地扩展其能力。•规划（协调者-工作者）：LLM 自主决定执行一个更大、更复杂任务的步骤序列，动态地将其分解为子任务并委派给专门的工作者。与路由不同，规划会生成一个多步骤计划。•多智能体协作：多个具有特定角色或专业知识的独立 AI 智能体共同努力实现一个共同目标，通常通过拆分任务和讨论想法。与单个智能体相比，这可以带来更好的解决方案。•其他工作流模式：

•提示链：一个 LLM 调用的输出顺序地输入到下一个调用的输入中，将任务分解为固定的步骤序列。•路由：初始 LLM 对输入进行分类，并将其定向到专门的后续任务或 LLM，从而实现关注点分离和优化的下游任务。•并行化：一个任务被分解为由多个 LLM 同时处理的独立子任务，其输出被聚合，通过多样化的输出来提高速度或质量。

注意：反思和工具使用被认为是更可靠和成熟的模式，而规划和多智能体协作虽然功能强大，但可预测性较差，仍在发展中。

🛠️ Agentic AI 技术栈

Agentic AI 技术栈不同于标准的 LLM 应用，它包含几个关键组件：

•智能体框架：用于构建和管理智能体的软件框架（例如，LangChain、LangGraph、AutoGen、Crew AI），通过提供结构化方法来创建自主 AI 系统，从而简化开发。例如，LangGraph 允许通过智能体之间的“交接”来构建多智能体系统。•智能体托管：负责将智能体部署到本地服务器或云基础设施的层，使内部和外部系统能够方便、无缝地访问。•模型服务：将 LLM 从研究成果转化为实际应用的核心桥梁，通过推理引擎将 LLM 封装为可通过 API 访问的服务单元。•内存管理：集成各种内存技术，以允许智能体存储和检索过去的交互和知识。这包括：

•传统数据库（SQL/NoSQL）：用于结构化和半结构化数据，如用户配置文件或交互日志。•向量数据库：用于将信息存储为向量嵌入，从而实现基于概念相似性的语义搜索。•知识图谱：用于将知识表示为实体和关系，为知识表示和推理提供结构化框架。•混合内存系统：结合不同的内存技术以利用各自的优势。

🚀 智能体技术扩展

•模型上下文协议（MCP）：一个开放标准（由 Anthropic 于 2024 年提出），旨在建立大型模型与数据存储系统、业务工具和开发环境之间的统一连接协议。它规范了通信，简化了集成，并有助于在工具和数据集之间保持上下文。•计算机使用技术：使 AI 能够像人类一样操作计算机，通过视觉理解屏幕内容并利用鼠标和键盘进行交互来执行复杂任务。•浏览器使用技术：专注于使 Agentic AI 能够有效地导航和与网络交互，浏览页面、填写表单和提取信息。Playwright 是一个开源自动化测试工具，为浏览器使用提供了基础设施。•Agent2Agent (A2A) 协议：一个开放标准（由 Google 于 2025 年设计），旨在实现不同智能体系统之间的通信和互操作性，允许智能体发现彼此的能力，协商交互模式，并协作完成任务。

📝 总结与展望

Agentic AI 代表了 AI 的重大飞跃，使系统能够主动感知环境、定义目标、规划行动并自主执行复杂任务。预计它将深刻改变工作方法、商业模式和社会结构。该领域正在迅速发展，技术不断迭代和更新。