什么是 Agentic 工作流程？

组织正在超越简单的自动化，迈向未来，届时系统将拥有足够的智能，能够在极少的人工干预下处理复杂的任务。代理式工作流程是这一转变背后的驱动力。

根据 Gartner公司预计 33% 的企业软件应用程序将集成 代理人工智能 到2028年，人工智能将能够自主决策多达15%的日常工作。这一预测凸显了代理式工作流程正在向企业软件结构中嵌入的重大转变，为与人工智能进行更深入、更直接的互动铺平了道路。正如微软首席执行官萨蒂亚·纳德拉所言，

“人工智能代理将成为未来我们与计算机交互的主要方式。它们将能够理解我们的需求和偏好，并主动帮助我们完成任务和做出决策。”

但代理工作流程究竟是什么？它为何如此受人关注？让我们来一探究竟。

什么是代理工作流程？

代理工作流是由自主代理协同工作的一系列动作，以实现指定的目标。

代理工作流中的代理是一个实体，它：

• “看到”并“理解”其环境（通过数据或上下文与其交互）
• 以目标为导向，即旨在实现特定的预定任务
• 自主运行，决策时无需人工干预
• 有能力从经验中学习并随着时间的推移不断进步

通常，这些是 AI代理商、软件工具、人类专家，甚至简单的脚本。仅由AI代理组成的代理工作流也称为代理AI工作流或AI代理工作流，可互换使用。

代理工作流的演进可以追溯到多智能体系统 (MAS) 和分布式人工智能 (DAI) 的先驱研究，这些研究探索了多个智能体如何协作解决复杂问题，并为最终的代理工作流奠定了基础。如今，这些工作流将多智能体系统的经验与现代人工智能功能相结合，从而实现动态的、情境感知的决策。

传统工作流程 vs. AI 代理工作流程

组织面临着日益复杂和动态的挑战，降低了传统基于规则的工作流程的整体效用。基于这一局限性，代理工作流程凭借其构建方式自动调整任务处理方式，展现出显著的优势。

传统工作流程通常遵循固定方法，每个步骤都是预先确定的，并且依赖于人工干预以应对异常或变更。这些系统在受控环境中运行良好，但在面临意外变化或数据激增时就会变得举步维艰。

相比之下，代理工作流程利用 自主人工智能代理 能够实时适应。这些工作流程并非墨守成规，而是不断从环境中学习，动态调整流程，并根据当前情况重新确定任务的优先级。

代理工作流程如何运作？

在代理工作流中，代理根据其能力进行通信、共享信息和执行特定任务，所有这些都由工作流协调以实现结果，否则单个代理可能会因为过于复杂而无法有效处理。

代理工作流程如何运作

任务的编排涉及一个中央系统或框架，该系统或框架定义：

• 任务顺序
• 代理之间的依赖关系
• 信息交换规则

该工作流确保一个代理的输出无缝地反馈到下一个代理，从而创建一个紧密结合、高效的流程。AI 代理工作流的正常工作方式如下：

专业角色

每个代理都被设计为执行特定的功能，并为其流程带来独特的技能和知识，专注于各自的任务。必须明确定义角色，以便每个任务都由系统中能力最强的组件来处理。

代理间通信

通过沟通，座席能够共享实时洞察和中间结果，确保整体工作流程保持一致性和适应性。座席使用标准化协议（例如 HTTP/HTTPS）或 APIs.

任务执行

中央协调器或协调机制负责管理分配给代理的任务的顺序和相互依赖关系。虽然每个代理都有预先定义的角色，但协调器通过确定这些任务的最佳顺序和时间来控制执行计划。它会监控进度，并根据情况的变化调整工作流程，使所有任务协调一致，朝着共同目标努力。

根据任务的复杂性，代理可以并行或顺序运行。

反馈与优化

此工作流程的一个关键方面是持续收集绩效指标和结果数据。然后，各个代理会根据这些反馈调整其操作，并近乎实时地快速适应新信息。

代理工作流程的关键组成部分

要了解代理工作流的构成，重要的是要认识到代理工作流是一个动态的、多层次的生态系统，其中自主的人工智能代理与工具、数据甚至人类监督者协作，以推动复杂的任务朝着既定的目标前进。

代理工作流程的组成部分

代理工作流架构包括：

AI代理商

这种自主实体旨在感知环境、推理、规划并采取行动以实现特定目标，是代理工作流的核心。AI代理可以是单一用途的（例如，回答问题的聊天机器人），也可以是多功能的，能够根据输入和反馈进行推理、学习和调整。

AI 代理利用思维链和多步骤规划技术，将高层目标分解为更小、可操作的任务。诸如 ReAct、Self-Refine 等技术，甚至像 AutoCoA（将行动链生成内化）这样的新兴框架，都能帮助代理决定下一步行动。

大型语言模型 (LLM)

大型语言模型 (LLM)，例如 GPT-4，是 AI 代理背后的核心智能。LLM 的任务是处理自然语言输入、生成响应并进行决策。它们使代理能够理解上下文并检索信息以执行推理任务，因此对于代理工作流程至关重要。

感知系统

任何智能体要想自主运行，都必须拥有一套强大的机制来理解其所处的环境。感知系统通常包含以下部分：

• 数据摄取和感官输入：AI 代理从各种来源提取数据，例如 API、 数据库、传感器网络或实时网络反馈，以获得最新的运营环境信息。
• 内存架构： 包括短期记忆（维持当前会话的上下文）和长期记忆（从历史交互中学习），以便代理可以做出情境感知决策并不断改进。
• 自然语言处理（NLP）： AI 代理使用 NLP 来解释非结构化文本、提出澄清问题并理解复杂指令。

快速工程和 UI 设计

人机界面定义了智能体接受指令的有效性以及其操作的透明度。它使人类操作员能够理解智能体的思维过程，在必要时进行干预，并信任系统的自主决策。

制作精准、内容丰富的 人工智能提示 本身就是一门艺术。提示越好，智能体就越能可靠地执行其推理和规划功能。因此，有效的提示设计能够帮助 LLM 获得有用且相关的响应。

规划和任务分解

对于复杂的任务，AI 代理必须能够将目标分解为可管理的子任务。这正是代理工作流程的优势所在，也是其如此受欢迎的原因。

规划负责制定最佳行动方案，而任务分解则负责组织多步骤的工作流程。这一过程由先进的提示工程技术引导，指导人工智能逐步思考。

工具和外部集成

为了完成某些任务，AI 代理可能需要扩展其内置知识以外的能力。这需要访问外部工具和软件系统，例如网络搜索引擎或特定的 API。

多代理通信

在更先进的系统中，多个代理共同致力于一个目标，无缝沟通至关重要。AI 代理依靠标准化接口进行协作、共享信息和分工。这促成了分布式问题解决，每个代理负责问题的不同部分。例如，一个代理收集数据，另一个代理规划操作顺序，还有一个代理执行任务。

内部和人工引导的反馈

代理工作流程本质上具有自适应性，这意味着它们会随着时间的推移而不断改进。然而，要实现这一点，必须实施内部反馈和人机在环 (HITL) 等机制。内部反馈涉及自我评估，代理会根据预先定义的标准改进其输出。而人机引导反馈则涉及用户纠正或引导代理的响应，使其与用户意图保持一致。

为什么代理工作流程优于单个人工智能代理

这里真正要问的问题是，企业真的要从AI代理转向AI代理式工作流程吗？即使越来越多的企业转向AI代理式工作流程，但这并不一定意味着完全“脱离”AI代理，而是认识到对于许多复杂问题，单一的AI代理可能并非最高效或有效的解决方案。

代理工作流程并非试图构建一个无所不能的超级智能AI代理，而是构建一支能够高效协作的专业代理团队。这种方法的优势在于，它能够为复杂的现实问题提供更高效、更可靠、适应性更强的解决方案。

例如，考虑一个智能城市交通管理场景。可以部署专门的代理来执行不同的任务：

• 一个代理持续收集和分析来自交通摄像头和传感器的数据，以实时识别拥堵或事故
• 另一个代理根据当前情况动态调整交通信号时间
• 第三名工作人员与公共交通和紧急服务部门协调，在关键事件期间改变交通路线
• 此外，预测代理使用历史和实时数据来预测未来的拥堵模式，从而采取主动措施

Agentic 工作流程示例

显然，这是一个多层面的工作流程，依赖单个AI代理无缝完成所有这些任务未免有些矫枉过正。其次，单个代理往往缺乏稳健性和适应性，如果遇到意外情况或故障，就有可能成为单点故障。相比之下，代理式工作流程凭借其专业代理集合，能够更好地管理故障或意外输入。即使一个代理遇到问题，另一个代理也会介入，保持系统正常运行。

代理工作流用例

Agentic 工作流利用模块化设计和动态工具集成，解锁跨多个领域的多功能 AI 功能。这些系统使代理能够根据不断变化的挑战调整其决策自主性。集成的人工反馈进一步优化了其性能，确保每个配置都经过微调，以在各行各业实现最佳效能。以下是 Agentic AI 工作流支持的一些用例：

代理机构 RAG

代理工作流中的 AI 代理利用 检索增强生成（RAG） 技术：

• 提高他们理解和响应复杂查询的能力
• 生成更准确、信息更丰富的输出
• 执行需要最新或外部知识的任务

在这种情况下，代理会根据当前任务动态地决定何时以及如何从外部知识源检索信息。

Agentic RAG 为企业带来诸多实实在在的益处。它通过自动化以前需要大量人力才能完成的复杂信息搜索和处理任务来提高效率。这不仅降低了运营成本，还缩短了各种流程（例如客户支持咨询或研究项目）的周转时间。

客户服务和支持自动化

Agentic 工作流用于客户服务和支持功能，以缩短响应时间，并释放人工代理以处理高价值任务。它们旨在通过自然语言与客户互动，提供全天候即时响应。由于 AI 代理能够处理大量客户咨询，因此它们可以：

• 对常见问题提供即时答复
• 指导用户完成故障排除步骤
• 将复杂问题上报给人工代理

代理编码/软件助手

在软件开发和编码方面，AI 代理旨在理解自然语言指令和代码，从而能够在整个开发生命周期中协助开发人员完成各种任务。其总体影响是带来更高效、更高效、更高质量的软件开发体验。AI 软件助手可以：

• 识别错误并提供建议
• 根据上下文生成代码片段
• 自动执行重复的编码任务

运营流程自动化

文档处理和管理、发票处理、人力资源入职以及供应链协调等运营流程涉及大量重复性、多步骤的任务，这些任务可以通过代理工作流实现高度自动化。利用能够理解复杂流程的AI代理，企业可以：

• 自动化 数据提取 来自各种文件
• 通过自动监控库存水平、预测需求和重新订购来维持最佳库存水平
• 自动化人力资源行政工作，例如处理新员工文件或更新员工记录

AI 代理构建器如何帮助代理工作流程

代理工作流是自主的多步骤流程，其中 AI 代理可以独立规划、决策和执行任务。AI 代理构建器是这些工作流的关键推动者，因为它们提供了构建智能代理所需的必要工具和功能。

换句话说，AI代理构建器本质上是一个平台，它通过简化创建和管理能够独立工作并适应新数据的AI代理的流程，使企业能够构建和部署代理工作流。对于企业而言，这为跨业务职能的自动化、创新和效率提升开辟了一系列可能性。

以下是各组织从传统 AI 开发转向由 AI 代理构建器支持的更快速开发方法的原因：

• 通过直观的界面和预构建模块进行低代码开发，使非技术专家能够快速设计和部署 AI 代理
• 与企业系统的无缝集成使代理能够轻松访问和处理数据
• 快速原型设计和迭代意味着团队可以加快测试速度
• 企业最终可以授权主题专家构建真正反映和满足特定业务需求的定制代理

Astera—构建、测试和运行 AI 代理的最快方法

Astera 通过将企业数据转化为可操作的情报，赋能企业驾驭 AI 的力量。借助我们的可视化拖放设计器，您的团队可以快速构建、测试和部署根据您的独特业务需求量身定制的智能 AI 代理。

企业选择的原因如下 Astera:

• 快速人工智能代理开发 在数小时内将想法转化为可工作的人工智能代理
• 无缝集成 使用企业数据源（无论是数据库、文件还是 API）
• 可扩展且安全的平台 支持任何 LLM — OpenAI、Anthropic、Mistral、Llama，甚至您的内部模型
• 适合所有人的人工智能 使从人力资源到客户支持再到销售和营销的每个团队都能创建 AI 解决方案，而无需依赖专门的编码团队
• 持续改进 通过简单的拖放环境，任何人都可以轻松迭代、测试和优化他们的人工智能代理

了解更多有关如何 Astera AI 代理生成器 可以在几个小时内帮助您构建自主的人工智能代理。