解锁 AI 代理：掌握其演变和实施的 5 个关键见解

我来澄清一下——AI Agent 并非全新事物，而是更先进了。了解它们的演变历程以及如何开始。

通过与客户和行业领导者的无数次对话，我注意到一个共同的主题：人们对 AI Agent 感到困惑。我经常被问到诸如“什么是 Agent？”“我应该在什么时候使用它们？”或者“它们在我的环境中是如何工作的？”之类的问题。这些问题一直存在。在这篇文章中，我将澄清 Agent 的概念，并根据我 10 多年的 AI 实施经验提供清晰的解释。无论您是刚开始接触还是希望增强对 Agent 的使用，本指南都适合您。

首先，让我们明确一件事——Agent 并不是一个全新的概念。它们已经存在多年，并在全球范围内被应用于各个行业。然而，由于技术进步，它们今天被认为是一个新的或热门的话题。这主要是由大型语言模型（LLM）推动的，LLM 将 Agent 带回了聚光灯下。这些进步使 Agent 比以往任何时候都更强大、更灵活、更容易获得。

什么是 Agent？

简单来说，Agent 是一个旨在感知信息并采取行动以实现特定目标的系统。例如，回答客户问题、执行交易或控制您家中的智能设备。

由 GPT-4o 提供

AI Agent 是如何演变的

基本的 Agent，例如虚拟 Agent，已经存在多年。在早期，Agent 的功能简单且通常僵化。然而，由 LLM 驱动的现代 AI Agent 已经取得了巨大的进步。它们帮助显着降低了完成类似任务的实施工作量，自主且更有效地工作，并增加了可能性。以下是几个例子：

• 类似人类的交互——以前，聊天对话感觉像是机器人和机械的，这常常让用户感到沮丧。现在，LLM 可以提供流畅、对话和类似人类的体验。

• 决策——Agent 以前是被动的，执行预先编程的操作或回答静态常见问题。现代 Agent 可以根据学习到的偏好做出实时决策，并实时适应不断变化的条件。

几年前，实施一个 Agent 所需的工作量需要大量的专业知识、资源和基础设施。在现代，低代码/无代码工具、预先训练的大型语言模型和其他现代云服务使企业更容易采用和实施 Agent 解决方案。

过去与现在：一个真实的例子

早在 2016 年，我在 IBM 工作时，我为一个全球性的美发产品公司做了一个令人着迷的项目。用例是允许他们的员工访问销售和社会媒体数据。他们的目标是更好地为他们的产品决策提供信息，提高质量并提高客户满意度。

AI 解决方案解决的关键问题之一是“去年第二季度我在东北地区的 X 产品销售额是多少？”。我们的解决方案将使用 NLP 来理解这个问题，填充许多预定义的 SQL 查询之一，以从 SQL 数据库中检索数据，然后将该信息包含在预定义的对话流程中，以及一个视觉效果，返回给用户。让我来分解一下……我们有：

1. 一个 Agent 通过 NLP 理解最终用户的问题

2. 一个 Agent 对数据库执行 SQL 查询以检索相关数据

3. 一个 Agent 组装正确的对话和数据返回到聊天中

4. 一个 Agent 创建一个视觉效果（饼图或折线图）来表示答案中提供的数据

5. 一个 Agent 监督和协调所有这些其他 Agent

是的，我们在 2016 年就已经在生产中实现了这一切！我们总共有 6 个人力资源参与其中，包括我作为工程负责人。每个人力资源都专注于特定的“Agent”能力。

如果我今天交付相同的 AI 解决方案，那么在实施上将会节省大量的时间。我估计我们将在构建和交付时间上节省至少 50%。这都要归功于当前的技术进步，而 LLM 是驱动力。如果我们在今天这样做，我们将：

• 不需要硬编码和管理对话流程

• 不需要硬编码和管理 SQL 查询

• 不需要花费大量时间来训练意图和实体，因为 NLP 在今天已经非常先进了

如今，由 LLM 驱动的 Agent 在许多领域都加速发展，例如自然语言理解，这使它们能够解释非结构化数据、做出上下文感知的决策，并进行流畅、类似人类的对话。这种能力的飞跃使现代 Agent 能够提供更准确、个性化和主动的支持，超越静态功能，实现动态、实时的解决问题和决策。

如何开始

在您尝试做出任何技术或架构决策之前，您应该首先考虑几个重要的因素：

1.定义您的业务目标——您想要实现什么？（例如，提高客户满意度或提高运营效率）。这至关重要，并将成为您所做一切事情的持续参考点。如果一开始就不清楚这一点，您就有可能取得技术上的成功，但业务上却失败。

2. **将技术映射到用例：**首先关注问题。让技术服务于解决方案，而不是相反。

3. **用白板展示您的问题：**使用设计思维等方法来全面了解用例、场景和利益相关者。

4. **确保数据准备就绪：**验证您的数据是否可访问、干净且可操作（这通常是许多部署的差距）。

一旦您确定了这些，您就可以开始探索最适合您需求的技术和架构。还有许多其他重要的方面需要考虑并提前纳入，例如数据安全和确保负责任的 AI。将这些嵌入到您的解决方案中，从一开始就至关重要。

接下来是什么

AI Agent 有多种类型，例如简单 Agent、基于模型的 Agent、基于目标的 Agent、基于效用的 Agent、学习 Agent 和分层 Agent。它们的用例远远超出了对话式 AI 的范围，支持工作流自动化、个性化推荐等等。在未来的文章中，我将深入研究真实的例子，并更详细地解释不同的 Agent 类型。现在，请查看来自 Microsoft 和 IBM 的初学者友好资源，以继续您的学习之旅。然后，您可以查看 Microsoft 的新 AI Agent 服务 和 演示 以探索如何开始。

结论

AI 智能体是强大的工具，可以改变企业运营和与客户互动的方式。 通过了解它们是什么以及它们是如何发展的，您将更好地准备好在您的环境中利用它们的潜力。