五个层次的AI智能体
这里提到的AI智能体（Agents）、自主智能体（Autonomous Agents）、代理应用（Agentic Application），或者我称之为代理X（Agentic X）都是可以互换使用的术语。
一些背景
我喜欢敏捷在组织中兴起的例子，在这个过程中，项目经理演变成了Scrum大师，适应了迭代开发周期。
同样地，对话式AI也经历了转变，从基本的聊天机器人框架发展到先进的提示工程工具，现在则是全面的AI智能体构建工具。
理解代理框架的组件对于有效利用这些进步至关重要。
在本文中，我将RPA（机器人流程自动化）、串联、提示串联和聊天机器人对话流程这些术语互换使用，因为它们都指使用预定义的、顺序的节点来引导流程的相似方法。
智能体是什么？简而言之…
代理应用利用一个或多个语言模型作为其核心基础或支柱，动态生成响应和操作。
这些应用在构建事件链的同时管理状态和转换，以解决特定的用户查询，提供适应性解决方案。
智能体擅长处理模糊或隐含的问题，将其拆分为顺序的子步骤，并通过行动、观察和反思的循环迭代处理，直到达到最终解决方案。
对于对话式实现，延迟和成本管理至关重要，需要在响应速度和资源效率之间取得平衡。延迟问题在代理实现中尤为突出。
可检查性和可观测性对于生产实现至关重要，需要开发强大的机制来揭示智能体所经历的状态和路径，确保透明度。
为了完成任务，智能体可以访问各种工具，每个工具都有明确的目的——无论是调用API、进行计算，还是搜索网络。
人机协作（Human-in-the-Loop，HITL）可以作为辅助工具，使智能体在需要时寻求人类输入，扩大其操作能力。
新的智能体工具可以无缝集成以扩展功能，允许自主智能体功能的持续适应和增强。
智能体拥有真正的自主权，可以独立做出决定和执行操作，只需极少的人类监督。自主程度由一个AI智能体达到结论所需的循环次数和它可以使用的工具数量决定。
凭借先进的灵活性，智能体根据情况需求动态选择和排序工具，运用推理和适应性策略解决出现的复杂任务。
22 个 AI 智能体与传统链式操作/RPA 之间的关键区别
以下是从所示标准出发，对 AI 智能体与传统链式操作和机器人流程自动化（RPA）方法之间进行的深入比较……
灵活性、自主性、推理能力
智能体 (AI Agents): 展现高灵活性和自主性，能够基于上下文进行复杂的推理和决策。它们能够适应不可预见的情况，响应不断变化的数据，并进行实时调整。
串联/RPA: 通常遵循预定义的规则和顺序，灵活性有限。它们按照程序设定执行任务，没有偏差，因此适应环境变化的能力较弱。粒度状态驱动
智能体 (AI Agents): 采用粒度状态驱动的方法运行，维护一个内部且动态的状态和环境理解。这使它们能够跟踪随时间的变化并相应地调整行为。
串联/RPA: 通常缺乏粒度状态意识，运行在固定的工作流程上。它们处理需要上下文意识的复杂或演变任务的能力较弱。串联方法
智能体 (AI Agents): 使用机器学习和自然语言处理技术动态地做出决定，超越了基于规则的自动化。
串联/RPA: 主要依赖传统的自动化技术，如屏幕抓取和硬编码规则，这些技术缺乏灵活性，需要对任何更改进行大量重新配置。人机交互 (HITL)
智能体 (AI Agents): 经常在处理复杂任务或遇到不确定情况时融入HITL，允许人类干预以指导过程或提供反馈。
串联/RPA: 可能在异常处理中涉及人类，但这通常不是内置功能。与AI智能体相比，HITL的集成程度较低。传统聊天机器人/串联通常遵循的方法是，如果聊天机器人无法满足意图，则完全转交给代理。管理成本
智能体 (AI Agents): 由于资源需求，部署和维护可能成本高昂，虽然它们的适应性和效率可以带来长期的成本节约。
串联/RPA: 通常前期成本较低，尤其是对于简单的重复任务，但如果需要频繁更新和维护，则可能会变得昂贵。最小化延迟
智能体 (AI Agents): 利用优化策略来最小化延迟，通常通过预取数据、并行处理或实时调整。然而，推理和分解任务的延迟往往难以改善。
串联/RPA: 可能由于僵化的流程和顺序处理而经历延迟，实时优化有限。然而，通常更容易优化。大型语言模型 (LLM) 生成的动作序列
智能体 (AI Agents): 使用语言模型动态生成动作序列，使它们能够根据不断变化的上下文处理复杂的多步任务。
串联/RPA: 动作序列是预定义的，无法从LLM驱动的灵活性中获益，这限制了它们处理细微或对话任务的能力。无缝工具集成
智能体 (AI Agents): 经常无缝集成各种工具和服务，包括API、数据库和外部资源，以增强动态功能。
串联/RPA: 集成通常更僵化，需要手动配置，并且对新工具或服务的动态适应性较弱。可解释性/可观测性/可检查性
智能体 (AI Agents): 经常包括可解释性和可观测性的功能，提供对决策过程的见解，这对于信任和合规性至关重要。但在大多数情况下，这一方面缺乏。
串联/RPA: 为不同工作流程设定事件序列。设计画布方法
智能体 (AI Agents): 通常依赖传统的编程环境，较少关注可视化工作流程设计，因此复杂任务配置更具挑战性。
串联/RPA: 可能使用设计画布来配置复杂的工作流程，通常可视化表示，允许直观调整和重新配置。对话导向
智能体 (AI Agents): 可以参与对话任务，使用自然语言理解有效地与用户交互。
串联/RPA: 通常为对话界面设计（考虑传统的聊天机器人框架），尽管它们可以与简单的文本输入进行交互。自适应学习能力
智能体 (AI Agents): 可以从新数据和经验中学习，随时间推移自主改进，而传统的RPA依赖于预设规则，缺乏学习能力。上下文感知
智能体具备理解并适应交互上下文的能力，这提高了决策和响应的准确性。而RPA、聊天机器人流程则在静态、预定义的上下文中运行。动态任务分解
智能体可以动态地将复杂任务分解为更小、可管理的子任务，并根据实时反馈调整这些子任务。而RPA/聊天机器人/提示串联通常遵循线性和固定的任务序列。实时决策
智能体可以根据实时数据做出实时决策，而RPA则基于预设的决策过程，该过程基于预先编写的逻辑。处理非结构化数据
智能体能够通过AI模型理解并处理非结构化数据，如自然语言和图像，而RPA和工作流通常处理结构化数据，这些数据定义明确且分类良好。目标导向行为
智能体朝着高层次的目标工作，并根据需要修改其方法，而串联脚本旨在完成特定任务，没有总体目标。多样化环境中的可扩展性
智能体可以部署在广泛的环境中，并且在最少配置更改的情况下轻松扩展，而RPA/工作流解决方案可能需要大量定制以适应不同的平台或系统。主动参与
智能体可以基于用户行为或外部触发器发起行动并主动参与，而RPA/工作流/链条则更为被动，仅在遇到特定事件时执行任务。工具互操作性和API灵活性
智能体通常设计为与各种工具和API无缝协作，根据需要进行调整，而RPA/链条/工作流/聊天机器人解决方案则通常更为僵化，专门针对某些工具或系统。不使用低代码集成开发环境 (IDE)
智能体: 开发环境在此阶段通常是面向代码的。而RPA/工作流/串联/聊天机器人在无代码设计画布方法构建方面更为成熟。对未见场景的动态适应性
智能体: 可以通过利用机器学习和上下文理解来适应新的和未见的场景，这使它们即使在没有明确训练的情况下也能做出决策。这使它们高度适应不断变化的环境或意外的用户输入。串联/RPA: 通常难以处理超出其预定义脚本或规则的场景。它们基于特定顺序运行，并在遇到它们没有设计来处理的意外情况或边缘情况时可能会失败或需要人工干预。