【LLM】AI Agents vs. Agentic AI（概念应用挑战）

note

• AI Agent 已经可以自动感知环境、拆解任务、并灵活应对变化；与此同时，Agentic AI 又一次将“协作”提到新高度，让多个小团队般的 Agent 分工协作，共同实现“更高层次的目标”
• AI Agents 将在五个关键领域实现突破：主动推理、工具集成、因果推理、持续学习与可信操作。
• Agentic AI 是在此基础上的自然延伸，强调多 Agent 协作、上下文持久化和任务编排。
• 现有的AI Agents主要存在因果推理能力差、幻觉较多、推理深度较浅、知识更新滞后等问题，其中部分问题是从大语言模型继承而来的。AI Agents还缺乏自主目标设定能力、反思能力、上下文记忆、持久性控制，这些问题导致其在长期规划和故障恢复方面表现不佳。

一、AI Agent 和 Agentic AI

（一）AI Agent 在架构分类和实际部署中具有三大基础特征：

• 自主性：独立运行，减少对人工的依赖，例如客户服务机器人或日程助手
• 任务专一性：在特定尝尽高效运行
• 反应性与适应性：Agent 能够响应其环境（包括用户指令、软件状态或 API 响应）变化；当进一步结合适应性时，一些系统还通过反馈循环、启发式方法或更新上下文缓冲区等方式，整合了基础的学习机制，以在个性化推荐或对话流程管理等场景中逐步优化行为。

（二）Agentic AI 是一种新兴的智能架构，其利用多个专业化 Agent 协作来实现复杂且高层次的目标。

这一范式的关键推动因素是目标分解，即规划 Agent 自动解析用户指定的目标，并划分为更小、更易于管理的任务。这些子任务随后被分配到 Agent 网络中。多步推理和规划机制促进了这些子任务的动态排序，使系统能够实时适应环境变化或部分任务失败。

不同 Agent 通过分布式通信渠道通信，例如异步消息队列、共享内存缓冲区或中间输出交换，从而实现无需持续集中监督的协调。

（三）AI Agent和Agentic AI的区别：

智能家居系统案例：
（1）下图的AI Agent：它接收用户设定的温度值，并自主控制加热或冷却系统以维持目标温度。
（2）下图的Agentic AI：多agent模式，多个专业化 Agent 协同互动，管理诸如天气预测、日常安排、能源定价优化、安全监控以及备用电源激活等多种功能。它们不仅仅是响应式模块，还可以动态通信、共享记忆状态，并协同实现高层次系统目标，如实时优化舒适性、安全性和能源效率等。例如，天气预测 Agent 可能会发出热浪预警，能源管理 Agent 则会协调使用太阳能提前预冷，以避免高峰时段的高电价。同时，Agentic AI 系统还可能在无人时推迟高能耗任务或激活监控系统，实现跨领域的决策整合。

具体的区别（如下表）：Agentic AI系统由多个AI Agents组成，Agentic AI系统的自主性要高于单个Agent，能够管理多步骤的复杂任务，并处理需要协作的任务。Agentic AI还涉及多智能体之间的信息共享。

二、相关应用

在八个核心领域的应用：

AI Agent：

• 客户支持自动化和内部企业搜索：利用检索增强的 LLM 和企业知识库，AI Agent 可以自动回答用户查询、处理工单、检索文档等，从而提高效率并降低成本。
• 电子邮件过滤和优先排序：AI Agent 可以分析邮件内容和元数据，自动分类、提取任务、建议回复等，从而帮助用户管理电子邮件，提高工作效率。
• 个性化内容推荐和基本数据报告：AI Agent 可以分析用户行为和兴趣，生成个性化推荐或数据报告，从而提高用户体验并支持数据驱动的决策。
• 自主调度助手：AI Agent 可以根据用户偏好和日历，自动安排会议、预订行程等，从而提高日程管理效率和灵活性。

Agentic AI：

• 多智能体研究助理：多个 AI Agent 协同工作，检索、总结、起草科学内容，从而加速科研进程并提高效率。
• 智能机器人协调：多个机器人协作完成任务，例如仓库自动化、农业无人机检测、机器人采摘等，从而提高效率和生产力。
• 协作医疗决策支持：多个 AI Agent 协同工作，进行诊断、监测、治疗规划等，从而提高医疗诊断的准确性和治疗的有效性。
• 多 Agent 游戏 AI 和自适应工作流自动化：多个 AI Agent 协同工作，进行游戏探索、流程自动化等，从而提高游戏体验和业务流程的效率。

三、未来展望

研究团队提出了多项改进策略：

• 检索增强生成（RAG）：通过将用户查询与向量数据库（如 FAISS、Pinecone）语义匹配，AI Agent 可实时引用外部信息，减少幻觉生成。对于 Agentic AI 系统，统一的检索生成流水线可为各子 Agent 提供共享记忆，提升一致性与抗误导能力。
• 工具化增强推理（Function Calling）：Agent 可调用 API、执行脚本或查询数据库，实现动态感知与任务执行，如天气查询、日程安排、运行代码等。多 Agent 协作中，借助函数接口实现职责分工与有序衔接。
• Agentic 循环（ReAct Loop）：将“推理→执行→观察”构成闭环，Agent 在每次调用工具或 API 后，先对结果进行验证，再进行下一步推理，从而在单次任务中反复校正、持续纠错。多 Agent 场景下，需要基于共享日志和统一的反馈机制，将各自的观察结果汇聚、对齐，确保系统整体的反思能力不分裂。
• 多层次记忆架构：包括情景记忆（记录交互过程和反馈）、语义记忆（保存结构化领域知识）与向量记忆（支持相似度检索）；在多 Agent 系统中，各 Agent 可维护本地记忆并访问共享全局记忆，实现跨任务的连续性、个性化和长期规划。
• 多角色协同：为应对复杂任务，系统引入策划者、摘要者、审校者等专精角色，由元 Agent 协调，提升可扩展性与容错能力。
• 反思与自我批评机制：Agent 完成初步输出后，利用二次推理流程对自身结果进行审视和验证。在 Agentic AI 中，可让“审核者”Agent 专门对其他 Agent 的成果进行交叉检查，实现协作式质量把关，促进系统在迭代中不断自我优化。
• 程序化提示工程：避免手工调参带来的不可复现和脆弱性，通过代码化的任务模板、上下文填充器及检索变量，动态生成结构化提示。各角色 Agent 统一使用此流水线，确保消息格式、依赖追踪和语义对齐的一致性，杜绝多 Agent 协作中的“提示漂移”现象。
• 因果建模与模拟规划：将因果推断嵌入 Agent 推理，使其能够区分关联与因果、进行干预模拟。例如在供应链场景中，Agent 可预测延迟对下游节点的因果影响。在多 Agent 协调时，通过 STRIPS 或 PDDL 等规划语言，明确定义行动的前置条件和效果，实现更安全、更可靠的协作。
• 监控、审计与可解释性：记录提示、工具调用、记忆更新和输出日志，为事后分析与故障排查提供依据。多 Agent 环境下，串联各 Agent 的审计痕迹和对话重放，帮助开发者迅速定位错误源头，并通过可视化管道提高系统透明度。
• 治理感知架构：通过访问控制、沙箱机制与身份管理，实现决策可控与行为可追溯。多 Agent 系统中，凭借责任归属和合规检查，构建可信的 AI 生态，降低在医疗、金融等敏感领域的应用风险。

Reference

[1] AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges