关于 ChatGPT、Google 的 Gemini、图像生成器以及 AI 写作工具，你可能已经有所耳闻。但如今又出现了一个新术语：agentic AI。虽然这听起来像是另一个流行词，但它其实并非新发明。
然而，近期的进展已经极大地简化了构建、部署以及与此类系统的交互。其中一些系统你可能已经见过，例如银行客户服务机器人、自动驾驶汽车以及智能家居助手。
如果你在美国使用 Perplexity 的 Pro 订阅版，其 “Buy with Pro” 功能就是一个完美的例子。它不仅协助你购物，还会直接替你完成交易流程（有时甚至会挑选最优的零售商），利用你存储的支付和运输信息完成订单。
专家表示，是时候关注这些 AI 代理能否独立完成任务了，虽然在各个行业的广泛应用还需时日，AI 代理才能成为主流。
与传统的 AI 聊天机器人经常需要逐步接收明确指令不同，AI 代理可以将复杂目标分解为更小、易于管理的步骤。因此，agentic AI 不仅仅是对你的问题或提示做出响应，而是被设计成主动采取行动，即能够理解环境、做出决策并在不需要每一步都有人工指示的情况下执行任务。
那么，这在实践中到底表现为什么样子？它与现有的人工智能有何不同？我与多位专家进行了交流，下面将为你解析所有关于 agentic AI 的知识 —— 包括它是否可以被信赖。
从被动工具到主动代理
agentic AI 系统不是等待输入的被动工具。它们以感知环境、决定应对措施，再执行行动的循环结构运行。正是这种结构使得它们更加自主，从而能够在多个系统中承担复杂、目标导向的任务。
德州大学教授及 Sony AI America 首席科学家 Peter Stone 告诉我：“agentic AI……现正让每个人都能使用这种感知－决策－行动的循环。你不必等待简单的输入输出行为，而是能让程序自主感知世界、决策并实际采取行动。”
企业 agentic AI 公司 Multimodal 的首席执行官兼创始人 Ankur Patel 称这是一场从被动工具向具备复杂决策能力的主动系统转变的根本性变革。他举了一个贷款审核员的例子——这个角色原本可能需要花费数小时来交叉核对工资单、税表和信用报告。
Patel 对我解释道：“AI 代理可以自动接收并验证来自各个不同来源的数百个数据点，比如银行数据、HR 系统以及政府数据库，同时还能标记出诸如就业日期不符等不一致信息。”
换句话说，它不仅仅是简单的自动化。Patel 进一步说明：“agentic AI 将复杂的多来源输入与内部规则或手册连接起来，在大大缩短的时间内给出准确且关键的输出。”
agentic AI 与生成式 AI 及聊天机器人的区别在哪？
生成式 AI 根据其训练期间所学以及你的提示生成文本、图像、音乐甚至视频等内容。而 agentic AI 则可以利用同样的模型，还添加了一层具备推理和计划能力的自主性，通过一系列行动主动达成目标。
生成式 AI 工具可能会为你写出一个度假行程。而 AI 代理却能够规划行程、预订航班、预定酒店，甚至在航班延误或取消时重新安排一切。
像 ChatGPT 或 Claude 这样的大语言模型，在连接了外部工具、传感器或 API 后，可以具备 agentic 能力。这种与现实世界（无论是物理世界还是数字世界）的交互能力就是其最大的区别所在。
虽然像 ChatGPT 和 Siri 这样的系统设计目标是回答问题，但 agentic AI 则是为解决问题而生。
正如 Patel 所说：“聊天机器人回答问题，而 agentic AI 则通过将洞察转化为成果来解决问题。”这意味着它能够跨平台调度任务。比如，它可以验证文件、评估风险，甚至触发现实世界中的操作，如贷款审批或者保险赔付。
自动化 versus 辅助提升
任何新技术的出现都引发了对工作的担忧。agentic AI 会取代员工，还是帮助他们更好地完成工作呢？Stone 表示答案并不简单。
Stone 说：“通常当人们提到自动化时，他们想到的是替代工作；而提到辅助提升时，则是改变工作方式，让工作更高效。” 他以餐厅从手洗碗筷过渡到使用洗碗机为例 —— 人仍在其中，但重复性的劳动大大减少了。
另一个容易理解的例子是通信方式。虽然手写信件然后通过信鸽寄送可能会让像我这样的浪漫主义者感到怀旧，但如今我们可以通过智能手机即时发送消息和邮件。
Patel 同意 agentic 系统能解放人们摆脱繁重劳动。“可惜的是，即便在今天，很多工时仍然被消耗在枯燥重复的任务上，”他说，“优秀的 AI 可以在几乎不需要太多监督的情况下搞定这些工作。”
对 Patel 来讲，更大的风险在于落后。他指出：“问题不在于‘AI 是否会抢走我的工作？’而在于‘我是否会与 AI 并肩工作，还是被那些与 AI 搭档的人远远甩在后面？’”
虽然这可能会让对变革犹豫不决的人感到震撼，但 AI 发展速度足够快，让人觉得这一切几乎不可避免。
agentic AI 的实际应用场景
企业软件供应商已经在多个行业推出 agentic 系统，例如：
机器人技术： 自主机器人能够在复杂环境中导航并执行任务。
软件开发： AI 代理可以独立编写和调试代码。
客户服务： 先进的聊天机器人能够无需人工协助解决复杂问题。
供应链： AI 代理能够管理库存、预测需求以及优化配送路线。
制造业： 系统能监控设备、检测缺陷并优化生产线操作。
网络安全： 代理能够实时检测威胁、隔离风险并作出响应。
保险： AI 代理可以处理理赔、评估风险并起草回复。
银行业： 系统可以验证收入、信用以及审批贷款。
医疗保健： 可以标记异常情况、提出诊断建议并起草病历记录的工具。
这些行业中的 AI 代理处理文档、提取数据、标记不一致信息并在几乎无需人工干预的情况下分发信息。
但即便你不在上述行业工作，也能感受到它们的存在。Opera 的 agentic 网络浏览器以及 Google 新推出的名为 AI Mode 的 agentic 搜索，旨在帮助你从灵感到购买无需点击成页的搜索结果。能够预订旅行、管理收件箱或比较在线优惠的 AI 助手，也预示着消费领域的未来。甚至 Microsoft 也在为 Windows 添加一个能替你更改系统设置的 AI 代理。
Patel 表示，普通用户应该关心这项技术主要有三个原因：“首先，它将人们最宝贵的资源——时间——拿回来；其次，它极大提升了客户体验；第三，它能防止代价高昂的人工错误。”
话虽如此，agentic AI 仍然存在局限性。它在面对开放式或不可预测的环境时往往力有不逮，特别是当任务缺乏明确结构或上下文时。此外，它们在很大程度上依赖于格式良好的提示或明确的目标，这意味着模糊的输入可能导致无关或错误的行动。
能否信任它？
自主性带来益处，但也伴随着风险。当系统在无人监督的情况下做出决策或采取行动时，如果出现问题，该如何应对？谁该承担责任？是使用 AI 的人，还是构建它的公司或开发者？随着 AI 的不断进步，法律困境也在不断扩大。
Stone 同时警告说，这些风险并非假设。“这新型风险……并不是由于某人依据 AI 建议不当或不负责任而导致的行为失误，而是指 AI 系统自主采取了危险行动，”他对我说。
假设你让一辆自动驾驶汽车自己驾驶，它所能做的不仅仅是建议行驶路线，如果出现故障或让你在停车场兜圈子，就可能带来伤害。
风险的大小取决于你给予 AI 的行动范围和自主性。预订廉价航班？风险较低；访问医疗记录或花费数千美元？风险要高得多。
Stone 强调：“风险与给予代理的行动空间和自主性密切相关。”
Patel 则指出，在受监管行业中，安全措施至关重要。“要真正信任 AI，它需要具备详细的审计踪迹和决策日志、过程文档、置信评分，以及在绝对必要时将决策转交给人工审核的能力，”他说。
未来展望
虽然关于 agentic AI 的炒作正在迅速升温，但不要指望短期内就将你整个生活交给 AI 代理。大多数 agentic AI 系统需要数年时间才能针对具体行业或问题进行定制，而不能是一刀切的万能助手。
Stone 说：“过于苛求自主代理的完美，可能会让我们错失大幅改善现状的机会。我认为我们需要接受会有错误存在，但这些错误会随着时间不断改进。”
因此，未来的方向已非常明确：我们正从与 AI 聊天转向由 AI 为我们完成任务。如果再加入机器人技术，这将完全是一个全新的局面。
常见问题
什么是 agentic AI？ agentic AI 是一种能够自主做出决策并采取行动以达成目标的人工智能。不再需要逐步命令，AI 代理能够自主判断所需完成的任务，并在跨系统操作中只需最少的人工干预。
agentic AI 的主要特点有哪些？ 自主性：它能够在无需持续人工输入的情况下做出决策并采取行动。 计划性：它可以制定并执行达成目标的计划。 适应性：它能根据反馈和上下文调整策略。 学习能力：它能通过经验不断提升性能。
