Agentic workflow加速Agentic AI到來，AI Agent成為重要實現方式

Agentic workflow加速Agentic AI到來，AI Agent成為重要實現方式

OpenAI定義大模型時代AI Agent，吳恩達揭開生成式Agentic AI序幕

還在討論AI Agent嗎？從Agentic Workflow開始該關注Agentic AI了

從AI Agent審美疲勞到Agentic AI引人熱議，Agentic Workflow真正火了

什么是Agentic AI？與AI Agent有什么區(qū)別和聯系？一篇文章看明白

握準大模型時代商業(yè)脈搏：戰(zhàn)略層瞄準Agentic AI，戰(zhàn)術層鎖定AI Agent

文/王吉偉

就在國內還在大談特談AI Agent的時候，國外技術圈的風向變了。他們不再談論AI Agent如何如何，而是轉頭開始交流Agentic AI。

雖然Agentic AI的概念可以追溯到上世紀IBM深藍象棋系統(tǒng)（Deep Blue chess-playing system）出現的90年代，但讓它再次進入公眾視野的卻是大語言模型的真正應用。尤其是AI Agent和Autonomous Agent的具體應用，讓Autonomous AI再次被熱議，包含AI Agent的工作流更是直接讓Agentic AI成為AI領域更炙手的話題。

這個進程與變化，仍然要感謝OpenAI。2023年6月，OpenAI應用研究主管翁麗蓮(Lilian Weng)撰寫了《LLM Powered Autonomous Agents》一文，定義了目前很多開發(fā)者都在用的AI Agent主流技術框架。

文章地址：https://lilianweng.github.io/posts/2023-06-23-agent

2023年12月，OpenAI發(fā)表《Practices for Governing Agentic AI Systems》白皮書，介紹了Agenticness、Agentic AI Systems及Agents的區(qū)別，并正式為Agentic AI Systems下了定義。自此，Agentic AI 也正式進入了技術人的視野。

白皮書地址：https://openai.com/index/practices-for-governing-agentic-ai-systems/

真正讓Agentic AI出圈的，還是人工智能領域領軍人物、DeepLearning.AI與Landing AI創(chuàng)始人兼CEO吳恩達教授提出的Agentic Workflow。2024年3月26日，吳恩達教授在紅杉資本（Sequoia Capital）的人工智能峰會（AI Ascent）上發(fā)表了一次主題為《Agentic Reasoning》的演講，分享了當下AI Agent的4種主流設計模式。

在最近的2024年Snowflake峰會開發(fā)者日上，他又發(fā)表了題為《How Al Agentic workflows could drive more Al progress than even the next generation of foundation models》的演講，進一步揭開了Agentic AI神秘面紗，并指它可能是比下一代基礎模型更具潛力的AI 展方向。

兩次演講，讓Agentic AI真正成為技術人所熱衷探討的話題。

AI Agent與Agentic AI 看起來非常相似，以至于看起來就像是將“AI Agent”的兩個單詞互換位置，一般人甚至看不出什么區(qū)別。但若細細品味，僅從單詞性質名詞與形容詞的區(qū)別上，就能體會到Agent與Agentic些許不同。而作為人工智能的概念或者技術名詞，兩者所代表的意義區(qū)別還是非常明顯的。

那么，到底什么是Agentic AI？它有哪些創(chuàng)新與特性？與AI Agent有什么區(qū)別？什么又是Agentic Workflow？有哪些特征？它的四種主流設計模式又是什么？本文，從Agentic AI到Agentic Workflow，王吉偉頻道一次為大家說清楚。

（注：本文提到的相關論文、白皮書等資源已打包，后臺發(fā)消息 agentic 獲取。）

什么是Agentic AI？

在《Practices for Governing Agentic AI Systems》白皮書中，OpenAI認為（Agentic AI systems）智能體人工智能系統(tǒng)的特征是能夠采取行動，這些行動在很長一段時間內持續(xù)地有助于實現目標，而不必事先明確規(guī)定其行為。

白皮書將系統(tǒng)的智能性（Agenticness，還可以翻譯為主動性\代理性\能動性）程度定義為系統(tǒng)在有限的直接監(jiān)督下適應性地實現復雜環(huán)境中的復雜目標的程度，并將這種智能性細分為目標復雜性、環(huán)境復雜性、適應性和獨立執(zhí)行四個組成部分。

▲ OpenAI定義的Agentic AI Systems，來源：《Practices for Governing Agentic AI Systems》

artificiality將Agentic AI Systems定義為能夠以不同復雜性感知、推理和行動的系統(tǒng)，以將人類思維擴展到我們當前經驗之外。該定義，更加強調了感知、推理和行動這三種能力。

基于以上兩個Agentic AI Systems定義，結合業(yè)界對于Agentic AI的各種觀點，不難歸納出Agentic AI這一概念所代表的深刻含義。

Agentic AI（智能體AI\代理式AI\能動AI），也稱為自主AI（Autonomous AI），是指被設計用來通過理解目標、導航復雜環(huán)境，并在最少的人工干預下執(zhí)行任務的系統(tǒng)，能夠通過自然語言輸入獨立和主動地完成端到端任務。通常被設計為更具自主性和適應性，不僅能處理數據，還做出決策、從互動中學習，并采取積極的步驟來實現復雜目標。

Agentic AI可以設定目標，從互動中學習，并自主做出決策，轉變業(yè)務運營和客戶互動。功能與人類員工非常相似，可以掌握細微的環(huán)境，設定和追求目標，通過任務進行推理，并根據不斷變化的條件調整他們的行動。

例如，雖然傳統(tǒng)AI可能協助創(chuàng)建客戶支持腳本或甚至根據客戶輸入生成個性化響應，但Agentic AI則更進一步。它可以自主處理客戶查詢，從開始到結束解決問題，甚至根據客戶的回應跟進客戶。Agentic AI可以模仿人類通常用來實現目標的推理、執(zhí)行和糾正航向機制，體現了一種更精細的技術運作機制和管理方法。

事實上，Agentic AI背后的理念是賦予機器代理權，這意味著它們可以設定目標、規(guī)劃，并采取行動來達到這些目標。Agentic AI能夠預測需求、建議行動，并做出與設定目標一致的決策，其功能更像是一個合作伙伴而不僅僅是一個工具。因此，它代表了人工智能的根本轉變，旨在以最少的人工干預自主理解和管理復雜的工作流程。

Agentic AI的創(chuàng)新與特性

這里，為了體現Agentic AI的創(chuàng)新與特性，需要將其與傳統(tǒng)AI做一下對比。

傳統(tǒng) AI（Traditional AI），也稱為狹義AI（Narrow AI），主要在特定算法和設置規(guī)則上運行。這些系統(tǒng)旨在執(zhí)行定義明確的任務，例如對數據進行排序、識別照片中的人臉、翻譯語言、執(zhí)行預定義的流程或基于數據庫回答常見問題解答。傳統(tǒng)人工智能的范圍僅限于其編程，缺乏偏離其給定指令或獨立學習新經驗的能力。

傳統(tǒng)AI擅長于狹義的任務，需要在明確的指令下運行。它能在具有明確規(guī)則的結構化環(huán)境中茁壯成長，并在流程嚴格劃分的場景中有效運作，但會受到其有限的范圍、對人類指導的依賴以及難以適應不可預見變化的限制。

此外，傳統(tǒng)AI主要是為了自動執(zhí)行特定的重復性任務，在有限的范圍內提高速度和效率，但它們在處理需要整體理解和戰(zhàn)略判斷的復雜工作流程方面存在不足。

Agentic AI則利用大型語言模型 （LLM）、可擴展的計算能力和龐大的數據集等進步，提供了一種更加動態(tài)和靈活的方法。它結合了強化學習（RL）和決策理論，可以從互動中學習并隨時間優(yōu)化。不僅能對情況做出反應，而且能積極地參與決策過程。

可以說，Agentic AI就是為了自主性而構建的，旨在駕馭復雜的現實世界場景，并能夠隨著情況的發(fā)展調整其策略。這標志著從AI作為需要人類輸入的工具或專業(yè)系統(tǒng)，到作為能夠獨立行動和與現實世界互動的協作伙伴的深刻轉變。

Agentic AI 的功能更像是人類員工，掌握自然語言提供的復雜上下文和指令，開始設定目標，通過子任務進行推理，并根據不斷變化的條件調整決策和行動。

因此，Agentic AI的關鍵創(chuàng)新主要體現于以下幾點：

大型語言模型（LLMs）：這些模型能夠理解詳細的人類語言，使人與人之間的互動更加自然，使Agentic AI能夠理解細微的人類語音和文本。

可擴展的計算能力：增強的計算能力，使Agentic AI能夠管理復雜的任務并訓練復雜的模型。

大規(guī)模數據集：通過分析大量的數據，Agentic AI可以學習和隨著時間的推移提高其性能，使其更有效地處理動態(tài)環(huán)境，豐富的數據集也使其能夠理解和解釋復雜的上下文和目標。

互聯性：Agentic AI擅長與其他系統(tǒng)和信息源連接及互動，并能夠無縫集成到現有的工作流程中，增強了其解決復雜問題和做出復雜決策的能力。

Agentic AI的主要特性，也可以總結為：

自治性：Agentic AI以高度獨立性運作。擁有明確的目標和對周圍環(huán)境不斷演變的理解，這些系統(tǒng)能夠自主做出決策并啟動行動，最小化對直接人類監(jiān)督的依賴。

適應性：與它們的前身不同，Agentic AI系統(tǒng)不僵硬或脆弱。它們被設計為學習、進化和適應。它們通過分析模式、根據變化調整策略以及通過模擬和自省來完善決策過程，展現出無與倫比的靈活性。

主動性：Agentic AI不僅對外部刺激做出反應，還能主動與環(huán)境互動，尋找實現目標的機會，在潛在問題完全顯現之前預測它們，并獨立設計解決方案。

語言理解：憑借解釋自然語言的高級能力，這些系統(tǒng)可以精確地遵循復雜的指令。

工作流程優(yōu)化：Agentic AI可在子任務和應用程序之間高效轉換，確保以最佳方式執(zhí)行流程以實現預期結果。

現在，像CrewAI、Langraph及Autogen等開創(chuàng)性框架，正在為Agentic AI的發(fā)展鋪平道路。開發(fā)人員可以在這些平臺設計和部署AI Agent團隊，每個Agent都有獨特的技能、知識庫和通信界面。通過協調協作，這些Agent團隊可以自主導航和執(zhí)行復雜的工作流程，適應動態(tài)條件和不斷變化的需求。

擴展閱讀：AI智能體構建智能未來，全球80+AI Agent構建平臺大盤點

這些進步，使Agentic AI能夠超越僅僅遵循指令來設定獨立目標、制定戰(zhàn)略和適應，從而為實現復雜目標提供動態(tài)方法。

Agentic AI與AI Agent的區(qū)別

雖然AI Agent這個詞組與Agentic AI長的很像，基本就是“AI在后”與“AI在前”的區(qū)別，但兩個概念還是有很大區(qū)別的。

對于Agent和Agentic這兩個單詞，吳恩達教授在文章中提到：與其以二元方式選擇某個系統(tǒng)是否是Agent，不如將系統(tǒng)視為具有不同程度的Agent特性更有用。與名詞“Agent”不同，形容詞“Agentic”允許我們思考這類系統(tǒng)，并將它們全部納入這一不斷發(fā)展的領域中。

原文：Rather than having to choose whether or not something is an agent in a binary way, I thought, it would be more useful to think of systems as being agent-like to different degrees. Unlike the noun “agent,” the adjective “agentic” allows us to contemplate such systems and include all of them in this growing movement.

原文鏈接：

https://www.deeplearning.ai/the-batch/welcoming-diverse-approaches-keeps-machine-learning-strong

也就是說，名詞“Agent”僅用于表明某個產品或項目是否為AI Agent是否具備了智能特性，而形容詞“Agentic”則意味著AI產品或項目的Agentic特性有多強能否體現更強大主動性、自治性和適應性。前者仍在探討Agent產品或項目的相關特性，后者則在探討產品的智能程度，顯然后者更有意義。

從AI Agent到Agentic AI，即使當前所探討的內容仍是AI Agent相關的技術、產品或解決方案，但立足點已經截然不同，這是一個認知上的重大轉變。如果說AI Agent仍然屬于產品思維，Agentic AI已經上升到戰(zhàn)略思維。Agentic AI進一步代表了一類AI技術、產品、方案、生態(tài)乃至戰(zhàn)略的總體集合，必然也會像GenAI等詞匯一樣被更多的組織放到其戰(zhàn)略報告之中。

從定義和概念而言，AI Agent是一種能夠感知環(huán)境、進行決策和執(zhí)行動作的智能實體。它們通?；跈C器學習和人工智能技術，具備自主性和自適應性，在特定任務或領域中能夠自主地進行學習和改進。其核心功能可以歸納為三個步驟的循環(huán)：感知、規(guī)劃和行動。

Agentic AI是具有更高程度自主性的AI系統(tǒng)，它們能夠主動思考、規(guī)劃和執(zhí)行任務，而不僅僅依賴于預設的指令。它強調的是系統(tǒng)可以具有不同程度的“能動性”（Agentic特性），而不僅僅局限于被動執(zhí)行指令。

兩者的主要區(qū)別，主要在于以下幾點：

AI Agent更側重于智能實體的基本功能和自主性，而Agentic AI則強調系統(tǒng)在更高層面上的自主決策和問題解決能力。

AI Agent可以看作是實現Agentic AI的一種技術手段或組件，而Agentic AI則是AI Agent在特定工作流程和目標導向下的一種表現形式。

Agentic AI的概念更寬泛，涵蓋了從傳統(tǒng)AI系統(tǒng)到高度自主智能體的一系列發(fā)展階段，而AI Agent通常指的是具備一定感知、決策和行動能力的智能實體。

對于兩者的區(qū)別，我們說了這么多。但當探索Agentic AI的時候，你會發(fā)現更多內容仍舊是AI Agent相關的，或者說是“Agent+工作流”相關的。吳恩達教授也提到，Agentic AI的實現關鍵在于“智能體工作流（Agentic Workflow）”，它通過循環(huán)迭代的方式逐步優(yōu)化結果，更接近于人類解決問題的思維模式。

因此，如果說Agentic AI聚焦的是戰(zhàn)略層面指向組織技術發(fā)展目標，AI Agent則正是在戰(zhàn)術層面實現這個目標的主要方法。

既然涉及到了Agentic Workflow這一概念，這里也來聊一聊。

什么是Agentic Workflow？

自從吳恩達教授分享了Agentic workflow的四種設計方法之后，Agentic workflow變得越發(fā)炙手可熱。雖然這個概念并不是全新的，但在大語言模型和AI Agent應用日益壯大的情況下，Agentic Workflow也正在變得炙手可熱。

匯總各方人士的觀點與看法之后，可以對Agentic Workflow做出以下解釋。

Agentic Workflow可以翻譯為智能體工作流\代理工作流\能動工作流，核心是一個智能體系統(tǒng)，其中多個AI Agent通過利用自然語言處理 （NLP） 和大型語言模型 （LLM） 協作完成任務。這些智能體能夠自主感知、推理和行動，以追求特定目標，形成強大的集體智慧，可以打破孤島，集成不同的數據源，并提供無縫的端到端自動化。

作為一個復雜的系統(tǒng)和迭代過程，Agentic Workflow旨在提高業(yè)務流程的效率和有效性。它使用AI Agent與業(yè)務設置無縫集成，部署在Agentic Workflow中的AI Agent能夠高精度地協作和執(zhí)行復雜任務。

Agentic workflow架構圖 來源：codiste

從開發(fā)角度而言，Agentic Workflow是指一種迭代、交互式的AI開發(fā)方法，使用大型語言模型和AI Agent來執(zhí)行任務，其中AI Agent能夠參與更動態(tài)和自我反思的過程，這是一種更迭代和多步驟的方法。

從自動化角度來看，Agentic Workflow代表了傳統(tǒng)自動化方法的重大轉變。傳統(tǒng)自動化方法通常依賴于嚴格的預定義腳本或人機交互流程，通過利用多個專業(yè)AI Agent協同工作的能力，Agentic系統(tǒng)可以動態(tài)導航和適應企業(yè)工作流程的復雜性，因此有望將各行各業(yè)的生產力和創(chuàng)新提升到新的水平。

簡單來說，Agentic Workflow是一個復雜的迭代和多步驟過程，用于交互和指示大型語言模型，以更準確地完成復雜的任務。在此過程中，單個任務被劃分為多個更易于管理的小任務，并在整個任務完成過程中留出改進空間。

此外，Agentic Workflow還涉及部署多個AI Agent來執(zhí)行特定的角色和任務。這些Agent配備了特定的個性和屬性，使他們能夠高精度地協作和執(zhí)行定義的任務。

Agentic Workflow的另一個關鍵亮點是使用先進的提示工程技術和框架。該過程包括思維鏈、計劃和自我反思等技術，使AI Agent能夠：

將復雜的任務分解為可管理的任務；

確定任務順序；

遇到困難時調整任務計劃；

自我反思自己的產出并確定需要改進的領域；

提示的工程技術和多智能體方法使AI Agent能夠自主計劃、協作、確定和執(zhí)行完成任務的必要步驟。

舉個例子，如果你直接使用LLM寫一篇關于Agentic AI的文章。在傳統(tǒng)方法中，需要輸入一個提示，指示LLM 撰寫這個主題的文章。這就像要求某人從頭到尾寫文章，不審查研究來源、檢查大綱并改善內容的語氣和質量。

這種傳統(tǒng)的零樣本方法使用LLM，在撰寫文章的過程中沒有留下迭代、反饋和改進的余地，大大降低了輸出的準確性和質量。

但在Agentic Workflow并不需要給出撰寫文章的提示，僅需要提出目標要求，它就能將任務分解為更小的任務，一般會有如下的任務分解步驟：

首先從可靠的來源研究該主題；

創(chuàng)建帶有標題和副標題的博客大綱；

分析、修改和改進大綱；

撰寫博客初稿；

校對和編輯博客以確保高內容質量

在Agentic Workflow工作模式下，LLM被指示按照一個循序漸進的過程完成更大的任務，且每個步驟的輸出充當下一個任務的輸入。

這意味著，Agentic Workflow這種迭代和協作模型，將與LLM 的交互轉換為一系列可管理、可改進的步驟，從而允許在整個任務完成過程中進行持續(xù)改進和調整。

Agentic Workflow的主要特征與三大支柱

通過以上解析和案例，我們可以總結Agentic Workflow的主要特征如下：

以目標為導向：工作流中的座席由明確的目標驅動，并共同努力實現預期的結果。

適應性：該系統(tǒng)可以動態(tài)地適應不斷變化的環(huán)境，從過去的經驗中學習，并隨著時間的推移優(yōu)化其性能。

互動：座席相互通信和協作，以及與人類用戶進行通信和協作，以收集信息、提供更新并做出決策。

與傳統(tǒng)工作流自動化相比，Agentic Workflow具有多種優(yōu)勢。它們可以處理更復雜的多步驟流程，這些流程需要上下文感知決策，并且可以適應新情況，而無需大量重新編程。此外，自然語言處理的使用允許人與系統(tǒng)之間更直觀地交互，從而減少對專業(yè)技術知識的需求。

在Agentic Workflow中，AI Agent是一個自主驅動的動態(tài)問題解決器，用于處理復雜且不斷發(fā)展的任務，從而提高工作效率。

AI Agents、提示工程技術（Prompt Engineering Techniques）和生成式AI網絡（Generative AI Networks，GAIN） 是Agentic Workflow的三大支柱。它們在Agentic Workflow中的作用，簡單介紹如下：

AI Agent：Agentic Workflow的核心是AI Agent，它們本質上是大型語言模型（LLMs）的復雜實例。

提示工程技術與框架：Agentic Workflow的一個關鍵方面是使用高級提示工程技術和框架。

生成式AI網絡（GAINs）：通過部署生成式AI網絡（GAINs），Agentic Workflow得到顯著增強，它們體現了多代理協作的原則。

三大支柱的詳細內容，可以參考下面的思維導圖。

▲ 點擊看大圖

除了三大支柱，Agentic Workflow的核心組成部分還包括AI增強、倫理考量、人工智能交互和適應性學習，各項解析如下圖。

此外，關于Agentic Workflow的常見工作流程及可重用的LLM配置文件組件，大家可以參考論文：A Survey on LLM-Based Agents: Common Workflows and Reusable LLM-Profiled Components.

論文地址：

https://arxiv.org/abs/2406.05804

各種工作的業(yè)務流程從傳統(tǒng)流程轉向Agentic Workflow，標志著我們將能夠通過AI實現更優(yōu)越成果的轉變。實驗證明，即便是不太先進的LLMs，參與這些復雜的、多層次的工作流程時，也能產生顯著的成果。對于這一點，大家將在下面對Agentic Workflow的四種設計模式的介紹中有更深的感觸。

多說一句，Agentic Workflow也讓國產大語言模型和各種開源大語言模型擁有了更多用武之地，這在當前的國際大環(huán)境下還是非常重要的。

當然，我們還應該認識到，在目前的技術前提下，這些增強的工作流程要求用戶有足夠的耐心。因為Agentic Workflow固有的迭代、協作過程也更加耗時，往往需要幾分鐘甚至幾小時來完成某個任務。過長的任務執(zhí)行時間，也是Agentic Workflow遇到的主要問題之一，更是被吐槽體驗不夠的重要因素。

但相對于它能提供的遠超過傳統(tǒng)方法的分析深度、創(chuàng)造力和解決問題的能力，在很多應用場景中大家仍然愿意嘗試，這也預示著巨大的市場潛力。

Agentic Workflow的四種主流設計模式

在介紹Agentic Workflow之前，先考慮一個問題，為什么需要AI Agent/Agentic Workflow？

目前，對于ChatGPT、文心一言、Kimi等大語言模型的使用，大多數人仍然是用簡單的語句直接提問（一部分原因在于不會寫結構化提示詞），比如：幫我寫一篇關于Agentic AI的文章。這種提問方式，在技術領域叫作零樣本提示。

零樣本提示（zero-shot prompting）是指LLM模型在沒有針對具體任務進行專門訓練的情況下，僅依賴于提示詞（prompt）和預訓練中獲得的廣泛語言知識來執(zhí)行任務的能力，它可以很好地檢驗大語言模型的能力。這種方法靈活性高、適用范圍廣，且無需為每個特定任務準備專門的訓練數據。但由于缺乏特定任務的訓練，其生成質量無法保證。

具體到用戶與大語言模型的交互，如果用戶讓ChatGPT寫一篇關于XX的論文，ChatGPT會一次性給出回復。在這個過程中，它只會執(zhí)行“生成”這個任務。

這個過程，與真實世界完成工作任務的流程是不同的。比如寫論文時，一般會先起草一個初稿，再進行評估、分析、修訂，迭代出第二、第三個版本，直到滿意為止。我們處理工作、學習等任務時都是這樣，會將其分解為按步執(zhí)行的流程并按照流程來操作，以保證工作的完成的質量。

▲ 零樣本提示與Agentic Workflow的區(qū)別 來源：吳恩達教授紅杉峰會分享

也就是說，想要讓大語言模型更出色的完成我們的交給它的工作，最好也使用類似人類的分部執(zhí)行的流程步驟。

AI Agent就是來做這個工作的，它能通過自然語言了解用戶所輸入零樣本提示詞的意圖，并將這個用戶給定的需求目標任務規(guī)劃分解為多個流程步驟，將簡單的提示詞轉化為更精細的機構化提示詞，并可以調用聯網、代碼等各種工具插件去進一步執(zhí)行并完成所分解的各種子任務。

顯然，這樣的工作方式已經無限接近于人類。

Zero-shot prompting模式和AI Agent模式的任務執(zhí)行效果，非常明顯。吳恩達教授團隊分別以“Zero-shot prompting”模式和AI Agent模式使用GPT-3.5和GPT-4，得出了幾個結論：

1、Zero-shot模式下，模型在沒有具體任務示例的情況下，僅依賴于其預訓練的知識來執(zhí)行任務。這種情況下比拼的是模型的通用基礎能力，所以GPT-4得表現好在意料之中。

2、添加了Agentic Workflow的AI Agent在任務執(zhí)行中的表現顯著提升，不論基座模型是GPT-3.5還是GPT-4。

3、即使基座模型是GPT-3.5，通過添加Agentic Workflow將其設計為AI Agent后，性能表現也超過了Zero-shot模式下的GPT-4。

吳恩達教授還總結和介紹了四種較為常見的設計模式，分別是反饋（Reflection）、工具使用（Tool Use）、規(guī)劃（Planning）和多智能體協作（Multi-agent Collaboration）。

反饋（Reflection）設計模式是一種讓AI模型通過自我反思和迭代改進來提高任務執(zhí)行能力的方法。在這種模式中，模型不僅生成初始解決方案，還會通過多次反饋和修改，不斷優(yōu)化其輸出。

工具使用（Tool Use）設計模式是一種讓AI模型通過調用外部工具或庫來增強任務執(zhí)行能力的方法。在這種模式中，模型并不僅僅依賴于自身的知識和能力，而是利用各種外部資源來完成任務，從而提高效率和準確性。

規(guī)劃（Planning）設計模式是一種通過提前計劃和組織任務步驟來提高效率和準確性的方法。在這種模式中，模型將復雜任務分解為多個步驟，并依次執(zhí)行每個步驟，以達到預期的目標。

多智能體協作（Multiagent Collaboration）設計模式是一種通過多個智能體之間的合作來提高任務執(zhí)行效率和準確性的方法。在這種模式中，多個智能體分擔任務，并通過相互交流和協作，共同完成復雜任務。

PS：以上標有 Andrew Ng的圖片，都來自吳恩達教授紅杉峰會分享。公眾號后臺發(fā)消息 agentic ，獲取 吳恩達紅杉美國AI峰會談 Agentic Workflow 以及 4 種主流設計模式的PDF文件。

AI Agent/Agentic Workflow可以更好幫助用戶與大語言模型交互，幫助用戶更好的完成各種任務。這將極大地拓展AI的使用場景，有效地提高任務完成質量，因此對AI應用的落地至關重要。

在這個分享中，吳恩達教授將Agent參與的流程稱作Agentic Workflow，而不是AI Agent workflow，顯然后者更注重AI Agent參與的workflow而不是AI Agent本身。從這一點，也能看出AI Agent與 Agentic AI的簡單區(qū)別。

對于AI Agent參與的業(yè)務流程自動化，RPA\超自動化、ERP、CRM、BI等技術廠商早已在現有技術生態(tài)下引入了AI Agent架構，且表現出的任務執(zhí)行能力更強。對于這個選題，王吉偉頻道會在另一篇文章中與大家交流。

Agentic AI的概念已經講清楚，而后面要實現這個目標并使其繁榮，就要看各種AI Agent的構建方式以及各種融合AI Agent的Agentic Workflow解決方案了。

在Agentic Workflow的構建方面，吳恩達教授給出的四種主流設計模式，已經給于開發(fā)者及企業(yè)很大啟發(fā)。

目前很多AI Agent構建平臺已經支持這四種設計模式，企業(yè)及個人都已能在這些平臺構建符合需求Agentic Workflow。還有很多開源項目也在進一步優(yōu)化Agentic workflow的構建流程，對于廣大組織的私有化部署都是極大的利好。

此外很多技術供應商也已在引入AI Agent的基礎上進一步構建Agentic Workflow，能夠讓用戶更簡單快捷的應用各種智能工作流。

在Agentic Workflow構建上，王吉偉頻道也會在后面寫幾篇文章與大家分享相關的體驗感受。大家想在哪些方面進行交流，歡迎踴躍留言。

后記：握住Agentic AI的商業(yè)脈搏

當前AI應用有一個大趨勢，幾乎所有應用都在向AI Agent和RAG的方向發(fā)展與遷移。這意味著，如果所有的AI應用都走向AI Agent模式，未來的workflow都將變成Agentic Workflow。

從吳恩達教授的Zero-shot prompting與Agentic Workflow來看，任何加持了Agentic模式的大語言模型都能領先大模型本身很多，這意味著接下來組織與企業(yè)的業(yè)務流程效率將會翻倍提升。

在王吉偉頻道看來，即使ChatGPT背后的大語言模型迭代到GPT-4以后的更高版本，Agentic AI也會是更高效的大語言模型使用方式。不然，OpenAI也不會發(fā)表本文開頭所提到的白皮書，來詳細闡述大語言模型、AI Agent與Agentic AI Systerm的關聯與區(qū)別了。

通過各種系統(tǒng)與集成大語言模型，或者在大語言模型的基礎上做工具與平臺擴展，對于大語言模型的應用效率及體驗會更高，已是被驗證的事實。

拓展閱讀：更多組織接入ChatGPT等生成式AI，生成式自動化或成企業(yè)運營新標配

從AI技術發(fā)展歷史來看，智能體的理念要先于AI，且一直以來AI都是作為Agent的技術實現路徑，大語言模型亦不例外。因此在機器學習和深度學習火爆以后，大家都在關注的是AlphaGo和AI換臉技術?，F在大語言模型火了，人們關注更多的也是AI Agent、Agentic Workflow以及接下來的Agentic AI。

拓展閱讀：AI Agent發(fā)展簡史，從哲學思想啟蒙到人工智能實體落地

當然，Agentic AI也不是玄之又玄的東西，只是把AI Agent以及Agentic Workflow在內的各種應用與生態(tài)歸納成了一類。但不可否認的是，它勢必會在未來很長一段時間內成為各大組織與商業(yè)領域的口頭禪，也會成為這一階段AI的重要體現形式。

當下，全民皆談智能體讓AI Agent越發(fā)審美疲勞，國外更多則在談Agentic AI。就連吳恩達教授也在文章中提到：當看到一篇談論“Agentic”工作流程的文章時，更有可能閱讀。

大家的眼球開始被Agentic AI吸引，是否還會足夠關注AI Agent？這是否意味著AI Agent已然勢微？對于這些問題，大家不要忘了前面我們的探討：AI Agent是Agentic AI的實現方式，Agentic Workflow是Agentic AI的關鍵。

所以，從“道”的層面關注Agentic AI戰(zhàn)略發(fā)展趨勢，從術的層面關注AI Agent不斷推陳出新的各種框架、技術與解決方案，你將會把握住整個Agentic AI乃至AGI時代的商業(yè)脈搏。

全文完

【王吉偉頻道，關注AIGC與IoT，專注數字化轉型、業(yè)務流程自動化與RPA，歡迎關注與交流。】