什么是 AI Agent？

如果你觉得人工智能 (AI) 很有意思但又有点模糊，那么你一定会对 AI agent 感兴趣。没错，我们说的就是大语言模型 (LLM) 公司已经投资了数十亿来开发的 AI agent。作为 AI agent 的幕后大脑，这些企业正在完成真正的工作：如果聊天机器人能够理解您的人力资源政策，并与员工就这些政策展开细致的讨论，那会是怎样一番情景呢？如果欺诈检测系统能够自主采取行动，在不良交易发生时予以阻止，情况会是怎样？如果您可以为 AI 系统设定一个目标，使其自主完成实现目标所需的工作，结果又会如何？

对于所有这些使用场景，AI agent 都可以将假设变为现实。

您甚至可以为 AI agent 提供工具，例如算法、感官输入、数据源甚至其他 agent 的访问权限，使其能够自行执行复杂的任务。以仓库机器人为例，它可以将来自各种传感器、摄像头和扫描仪的信息，与控制软件和 ERP 库存管理系统相结合，从而穿过过道并检查库存。

所谓的“agentic AI”使得 AI 变得更容易使用并且更有用，能够为各种企业带来激动人心的机会。

什么是 AI？

人工智能 (AI) 指接受过训练并可以模拟人类智能的计算系统。大多数 AI 系统在设计程序时就设定了学习功能，有些系统还能根据经验和新数据来提高性能，利用各种输入来解决问题，有条不紊地实现目标和目的。在近期的一些进展中，生成式 AI 系统可以独立做出决策并采取行动来实现目标。生成式 AI 的应用范围十分广泛，包括自动驾驶汽车、媒体推荐引擎以及根据文本提示创建图像的工具（例如 DALL-E 和 Midjourney）。

企业 AI 指将生成式 AI 和相关技术应用于业务工作负载的持续性工作，并使用经过利用企业数据来增强的系统。其中的一些例子包括客户服务、个性化营销以及 HR 和财务助手。

什么是 AI Agent？

AI agent 是软件实体，可接收任务、检查环境、根据角色执行操作并根据经验进行调整。

人们会根据 AI agent 的角色和企业的需求，为 AI agent 设定目标。有了目标，agent 就可以根据训练所学、内嵌于哪个应用及其运行的大环境，制定计划、执行任务并实现目标。Agent 可以学习和迭代，扮演特定的角色，连接数据源，并自行做出决策。高级 agent 将会获得特定的任务，涉及执行需要判断的多步骤流程，以模仿人类互动的方式进行交流，并经常与其他 agent 合作。Agent 的模块化特性可支持复杂的工作流。赋予 agent 的自主权由调用的人员来决定。就像招聘新助理一样，随着熟练程度的提升，我们可以给予更多的自主权。

Agent 结合了自然语言处理能力、机器学习能力、通过查询其他工具和系统收集数据的能力以及持续学习能力，因此能够回答问题和执行任务。其中一个很好的例子是客户服务的 AI agent。当客户询问订单时，提出了“我的东西在哪里？”这个问题，agent ��会检查订单处理系统，通过 API 查询物流公司的跟踪系统，收集有关潜在天气或其他可能导致延迟交货的外部因素的信息，然后生成响应。

Agentic AI 指的是专注于积极追求目标和目的，而不是执行简单任务或响应查询的系统。自主生成式系统通常可以启动操作，例如客户服务 AI 会主动向承运商发送查询，以了解运输延迟的情况。

其中一种能够使 agent 更加有用的办法是与检索增强生成 (RAG) 一起结合使用，这种技术支持大语言模型使用特定于企业或 agent 角色的外部数据源。RAG 让 agent 可以查找外部数据库、企业系统（例如 ERP）或文档中新的相关信息，并将这些信息纳入响应中，生成更丰富、更准确、更适合受众的回复。例如，IT 支持服务的 agent 可以根据与客户互动的历史记录，判断如何更好地解决当前的问题。Agent 会在响应中提供有用的文档链接，如果问题需要升级处理，agent 也会替客户创建一个服务单。

关键要点

• AI agent 是积极主动的规划者：他们致力于确定实现所需目标的步骤。
• 与任何 AI 技术一样，AI agent 可以提供与其所受训练、所能利用的数据以及人类为其操作所设置的限制的同等结果。
• 明确定义、可实现、可衡量和可量化的目标对于 AI agent 的成功至关重要。
• Agent 的实施步骤与其他任何 AI 部署相似，也是从明确定义任务参数开始。

AI Agent 详解

AI agent 是一个软件实体，可以感知环境，采取行动并从经验中学习。我们可以将 AI agent 视为一个能够根据人类设定的方向，自主执行任务的数字助手或机器人。不同的 AI agent 具有不同的特征，主要功能包括设定目标、收集信息并使用逻辑来规划实现目标的步骤。LLM 能够为 AI agent 提供智能，助其理解查询背后的目的，因此 AI agent 无需依赖关键字、脚本或预配置的语义。相反地，AI agent 可以利用保留下来的任务历史数据，结合基于聊天的提示，动态地提出解决方案。

AI agent 还可以通过试验和错误来学习。强化学习指的是一个 AI 模型根据积极、中立和消极响应来完善其决策过程。AI agent 会模仿人类的智慧，使用各种工具（包括云技术和企业应用）以及数据源、API 和其他 agent 来实现目标。此外，AI agent 还可以使用其他基于 AI 和机器学习的系统来分析复杂数据，使用自然语言处理工具来处理输入，使用 RAG 来提供与情境相关的新内容，并使用云技术服务来提供完成工作所需的计算资源。

AI Agent 的工作原理

AI agent 结合上文提到的技巧和技术来实现所分配的目标。例如，推荐 agent 可以使用机器学习，利用大量数据集来识别模式；通过自然语言处理来理解请求并与用户通信；以及通过企业工具（例如 ERP 系统、数据库或物联网传感器）或外部数据源（包括互联网）的接口来收集信息。

AI agent 扮演着规划者的角色。这些 agent 可以根据所分配的目标，识别出所需的任务和步骤。以我们的客户服务 agent 为例，了解特定货物的所在位置需要采取一系列的行动。首先，agent 会访问包含了特定订单信息的数据库，例如发运 ID、交货方法和下单日期。然后，agent 将会使用这些数据，通过 Web 服务界面查询承运商的数据库，以提供实时跟踪和预计交货日期。Agent 还可以查看货物的当前位置以及过去需要多长时间才能抵达下一个目的地。如果货物在波士顿的航空货站，而飓风正在沿着东海岸移动，那么 agent 就可以推断物流可能会延时，并将该信息传达给客户。

AI Agent 的优势

就像任何 AI 技术一样，AI agent 可以提供与训练以及可以利用的数据同等的结果。与较为静态的前代产品相比，AI agent 的主要区别在于可以及时发现自己缺乏足够的数据来做出高质量的决策，并采取行动来获取更多或更好的数据。例如，在应用程序中定制的 agent 就是 AI 的一种高度应用版本。企业会发现，如果想要在 agent 方面取得成功，他们需要的不是 AI 专家，而是那些了解业务流程的人，当然有数据质量专家的帮忙就更好了。这些专家可以帮助确定 agent 的目标、设置参数并评估是否实现了业务目标，只有当专家认为 AI 本身已经出现故障时，才需要联系 IT 或软件供应商。

AI agent 的早期采用者所收获的具体优势包括：

• 24/7 全天候可用。AI agent 可以持续运行，没有停机时间。通过云端交付时，AI agent 可以在客户、员工或其他目标用户所在的任何地方进行操作。
• 准确性。AI agent 在执行重复性任务时可以充分减少人为错误，并利用的大量数据来做出更准确、更明智的决策。当然，这取决于 AI agent 能否访问准确、及时更新和完整的数据源。与初代生成式 AI 工具不同的是，agent 可以更好地判断自己是否有足够的信息来做出高质量的决策，并根据需要寻求更多数据。
• 一致性。AI agent 可以遵循规范性流程和程序，帮助确保每个任务都以相同的方式执行。Agent 还可以大大减少因人类疲劳或员工做事方式不同而导致的差异。
• 节约成本。AI agent 不仅可以通过自动执行重复性任务来降低运营成本，还可以发现并提出优化流程的推荐方法，同时减少可能导致金钱损失的错误。
• 数据分析。AI agent 可以处理和解释大量数据集以供分析活动使用，包括长期计划、欺诈检测和预测性维护等，从而避免设备故障。如果 agent 由于任何原因无法分析数据，则可以调用其他工具来执行该工作。
• 效率。AI agent 可以自动执行任务和流程，让人类员工可以专注于更复杂和更具战略性的活动。AI agent 可以全年无休，无需放假。
• 个性化。通过由 agent 创建、由 AI 驱动的营销活动，企业可以有效地触达特定客户群，从而提高转化率并降低营销成本。在宏观层面上，个性化能够成为一种趋势，其中必有原因 — 许多消费者喜欢企业记住和使用他们的购买历史、偏好和个人信息。
• 可扩展性。虽然 AI agent 的普及化可能需要时间，但相较于招聘新员工，AI agent 可能会更简单，成本也更低。我们需要经过慎重考虑，再给 agent 安排更多角色，并且分配给他们的每个新任务都需要进行工作质量评估。同时，留意提供给 AI agent 的数据和其他资源，并思考这些信息是否足以实现新目标。别忘了进行训练：员工需要接受培训，了解如何充分利用可用的 agent。

AI Agent 的挑战

企业在 AI agent 的开发和投入生产方面可能面临种种挑战。这主要是因为 agent 依赖于复杂的模型、强大的计算基础设施以及必须经过精心挑选和时时更新的大量数据。此外，IT 人员需要对 agent 进行监督，以确保其能够有效地与人互动并适应意外情况，而业务和数据专家也需要在设置方面提供协助。因此，您需要确保企业具有自然语言处理和机器学习方面的专业知识，并关注这些问题。

• 适应性强。尽管在设计上，agent 能够随着时间的推移不断学习和改进，但在面对快速变化的环境或意想不到的请求或结果时，agent 也会遇到挑战。其中一个常见的问题就是过拟合，这个常见的 AI 训练挑战往往是因为模型过分适应训练数据，导致难以根据新数据生成结果。因此，agent 的能力范围是有限的。让脑外科医生去修理水管并不是一个明智的做法，这一点也同样适用于 agent。
• 复杂性。那些专注于特定的、相当机械化的任务的 AI agent 可能会相对容易使用，但随着分配的任务越来越复杂，所涉及的功能越来越广，它们也会变得难以设计、实施和维护。与任何新的尝试一样，我们在采用 agent 时也需要从小做起，循序渐进地走好每一步。
• 对于数据的依赖。与所有 AI 一样，agent 也需要高质量的数据才能保持良好的表现。与人力资本管理或 ERP 等系统集成的 AI agent 更具优势，这些系统一直以来积累了许多高质量的数据，但可能需要对其进行优化，以处理交互和数据交换。企业需要确保 agent 提取数据的数据源是准确、及时且可用的。
• 解释性。初代生成式 AI 系统以“黑匣子”的形式运行，因此其输出结果难以解析。而 Agent 则能够更好地解释如何做出决策以及在做出决策时考虑了哪些数据。Agent 会从简单的任务开始，只有在掌握了基础知识之后，才会继续执行更复杂的工作，从而帮助企业专业人士了解 agent 是如何工作的。此外，当 agent 出错时，还可以从业务专家的更正中学习。这些互动有助于更好地了解 agent 是如何开展工作的。
• 资源密集型操作。Agent 与所有其他 AI 一样需要大量的计算能力和存储。当 agent 来自于云技术应用时，提供商必须为系统提供适当的资源，才能实现理想的性能。本地部署应用则需要 IT 来确保资源充足。
• 安全风险。为了提供商务专业人士所需的服务，agent 必须要能够访问企业专有信息。此外，由于 agent 至少也可以记住交易的结果，因此企业需要确保 agent 不会在不必要的情况下泄露敏感数据。由于大多数 agent 将在商业应用中提供，因此建立和维护控制以防止其泄露专有数据非常重要。尽管如此，agent 可能成为不良行为者新的攻击途径，这意味着企业安全团队需要掌握相关的新技能，不断评估是否可能会发生数据丢失事件。

AI Agent 的组成部分

AI agent 依赖于一系列输入来完成工作，具体组合取决于 agent 的类型和用例。客户支持 agent 负责与客户交流，查询之前的购买记录和支持服务记录，并访问支持库来回答问题。有些 agent 仅需要与其他 agent 交互。例如，数据库查询 agent 可以创建 SQL 查询来检索其他 agent 请求的信息。对于作为虚拟助手的 agent，人类用户会对其任务完成的程度提供反馈，从而判断 agent 是否成功。所有这些都涉及不同的因素。

• 行动。执行器或接口使 agent 能够与其环境进行交互。这些行动可以是物理行动，比如转动旋钮、操作自动驾驶汽车或控制机械臂；可以是认知行动，比如在开局的几个选项之间做出决定或列出可能的方法列表来实现“将军”；也可以是沟通行动，包括撰写电子邮件、转录音频或提问和回答问题。
• 目标/效用。目标和效用是相互关联的。目标定义了期望 agent 给出的结果，例如人力资源数字助手可以根据招聘人员和招聘经理的意见，成功制定职位描述。效用则衡量 agent 实现目标的程度，可以用数值来表示。游戏 agent 的效用可以通过所赢得的比赛来衡量，而自动驾驶汽车的效用则主要基于安全记录和骑手得分进行评估。
• 学习。AI agent 可以从所完成的任务中吸取经验，并利用经验改善结果。LLM 一旦停止训练，就会停止学习，但通过观察哪些专有数据和问题的组合可以产生更理想的结果，agent 可以随着时间的推移将任务越做越好。Agent 还可以从额外的训练中获得新知识，无论是通过有监督学习、无监督学习还是强化学习。除了效用评分，招聘人员也可以对 agent 生成的职位描述打分；然后，agent 就可以使用这些数据，指导未来的写作。
• 记忆力。这里指的是 agent 能够存储来自过去经验的信息，并检索和使用这些信息来做出更明智的决策，从而适应不断变化的情况。记忆力对于实现 AI agent 随着时间不断提高性能的能力至关重要。
• 感知。AI agent 可以使用传感器或其他机制来收集和感知来自其环境的信息。例如，摄像头可以识别物体和检测模式，或者麦克风可以捕捉和处理语音提问。Agent 还可以使用传感器，帮助操纵对象或在物理世界中导航。
• 推理。基于数据、规则、概率和学习模式做出逻辑决策是 AI agent 的基础。推理使 agent 能够识别多种不同的选择，并根据可用信息和结果标准决定理想的行动方案。

AI Agent 的类型

1. 简单反射 agent。这类 agent 会根据一组条件/动作规则采取行动，并根据输入做出响应，而不考虑更广泛的上下文或历史。例如，一个简单的聊天机器人被编程为响应预定义的关键字或短语，而不了解上下文或进行广泛的对话。
2. 基于模型的反射 agent。这类 agent 具有与其功能相关的环境内部模型，支持他们在决定下一步行动之前考虑当前情况和各种操作的影响。自动驾驶汽车就是一个很好的例子。它们的“世界”就是它们周围的道路。它们需要追踪周遭世界中事物的运动，并决定它们的驾驶速度，以及当物体朝着它们的方向移动时是否需要刹车或采取规避措施。
3. 基于目标的 agent。这类 agent 在反射 agent 的基础上进行构建，根据长期目标规划行动，决策过程比反射 agent 更复杂。例如，国际象棋或围棋 agent 需要提前预测接下来的几步棋，并制定获胜的策略，这可能包括在短期内做出一定的牺牲。
4. 基于效用的 agent。这类 agent 根据所需的效用来做出决策，而效用指的是衡量 AI agent 在某段时间内实现目��的成功程度。这意味着此类 agent 会选择更具战略性的行动，也就是选择那些更有可能产生积极结果，或长远下来，能够减少消极结果的行动。它们的目标是尽可能提高满意度或产生更多利益，即使面对竞争的目标，也能够找到平衡点。基于目标的 agent 可能会试图赢得游戏，而基于效用的 agent 则会尝试为了达成目标而持续优化，例如尽可能减少能源使用或增加高利润产品的销量。
5. 学习 agent。这类 agent 可摄取新数据，并根据与用户的交互调整响应来不断提高性能。推荐引擎就是一种学习 agent。无论 agent 推荐的是电影和电视节目、音乐还是消费者可能会想要购买的商品，准确性都会随着时间的推移而不断提高。

AI Agent 的使用场景

理想的 AI agent 使用场景通常具有 AI agent 所依赖的相关数据和其他系统，例如 CRM 或 ERP。这些使用场景一般也是以任务为导向的，比如回答客户的问题或将乘客从 A 点载送到 B 点。因此，您可以寻找这种任务：能够利用 agent 逐渐提高绩效的能力，并根据 agent 对环境和指定目标的理解做出决策的任务。

当前热门的使用场景包括：

• 自动驾驶汽车。自动驾驶汽车可根据周围环境进行导航和做出决策。
• 内容推荐。Netflix 或 YouTube 等平台上的推荐功能可以通过个性化内容来提高参与度。
• 客户支持。自动聊天机器人可回答超出预制答案的客户查询，这对于客户满意度至关重要。
• 金融。金融服务公司使用的 agent 包括自动交易系统和欺诈检测。
• 游戏。其中一个例子是扮演着 NPC 或非玩家角色的 agent，其自适应行为可以帮助视频游戏开发人员更专注于开发主线。
• 医疗卫生。AI agent 有助于诊断某些疾病或管理患者护理，这些 agent 通过（通常是匿名的）患者记录和医学图像进行训练，学习如何从这些信息中识别模式，从而能够预测结果和风险因素，并提出切实可行的方案。
• 个人助理。Siri 或 Google Assistant 等虚拟助手是通过客户交互进行学习的 agent 例子。
• ��售。零售业的选择几乎是无止境的。例如，Neostar 提供了一个用于购买、销售和维修二手车的平台。该平台使用 agent 与客户进行个性化的沟通，比如在电子邮件中附上产品推荐列表和选车建议，重新吸引客户并引导客户访问 Neostar 的网站。
• 机器人。AI 驱动的机器人可以由感知环境、做出决策并采取行动的 agent 控制。例如，制造和装配线中使用的机器人通常需要依赖 AI agent 来执行拣货、打包和质量控制等任务。
• 智能家居。管理家庭自动化系统和回答口头问题是 agent 的常见工作，同样受欢迎的还有为使用 AI 来检测和应对安全摄像头、门铃和警报器供电的潜在威胁。
• 供应链管理。优化物流可能涉及使用 agent 来分析库存数据，以识别滞销商品并检测需求模式的变化，据此调整库存水平，从而降低持有成本。

6 个 AI Agent 优秀实践

就像任何技术投资一样，您当然也会希望 AI agent 能够以经济高效的方式提供所需的功能，无论是现在还是将来。对于嵌入在应用中的 agent，优秀实践类似于您为新员工准备的指南，例如仔细检查早期的输出结果，并随着员工对所分配的任务更加熟练后，再增加工作的复杂性。

如果您的企业希望创建适合其独特需求的 agent，过程中就会涉及到优秀实践。因此，您需要考虑到这六项要求，并了解如何解决这些问题。

1. 设定明确的目标。明确定义可实现、可衡量和可量化的目标，对于 AI agent 至关重要。与人类员工一样，如果 agent 不明白目标，就很难满足期望。因此，成功的关键在于制定明确和具体的目标。避开模​​糊或不明确的目标，瞄准在 AI agent 的能力和资源范围内能够实现的目标。定义 KPI 以衡量成功率，并使用该数据来优化模型。
2. 持续学习。虽然持续微调 agent 的核心 LLM 并不实际，但我们可以改善用于做出决策和完成任务的数据。对于嵌入到应用中的 agent，由供应商决定何时需要完善驱动系统的 LLM 的训练。供应商也可以决定是否需要完善 agent 交互记录的存储和调用，帮助 agent 回顾过去的工作。
   
   在定制 agent 中，优化记忆技术和所提供的数据和其他输入的频率可能比对 LLM 本身进行微调的频率更高。对于那些选择构建自己的 agent 的企业，这些流程需要在 agent 准备使用之前制定好，并且可能需要进行调整以优化 agent 的操作。
3. 文档。文档对于理解、维护和改善 AI agent 至关重要。主要的文档类型至少可分为两种：
   • 技术文档可能包含 AI agent 的组件、数据流和决策过程的图表，以及 AI agent 功能所需的任何新代码的记录；使用的算法和模型；以及用于操作 AI agent 的数据。
   • 运营文档包含了面向用户的手册，其中介绍了如何与 AI agent 进行交互；AI agent 的 IT 维护指南，包括故障排除；以及将 agent 与需要运行的数据源集成在一起的说明。
   此外，跟踪和共享用于衡量 AI agent 性能的 KPI，并根据一段时间内的结果生成图表。
4. 人工监督。就像新员工一样，agent 也需要时间来了解您的企业及其实践。您需要循序渐进，越来越多的任务分配给 agent 并监督成果。您需要提供全面的监督，直到团队成员相信 agent 可以自主工作。为此，您可以为个人或团队分配监督角色，在治理结构中运行，确保您在循环系统中的人员能够干预，以及确保 agent 可以接收人工反馈并优先执行。
5. 鲁棒性测试。在部署前和部署后，在不同场景中全面审核 agent，并专注于验证性测试，根据基准或实际流程结果衡量性能。单独测试 agent 的每一个组件，仔细观察各个组件之间的交互情况。同时，确保 agent 从相关的外部系统（例如 ERP 或数据库）中提取数据，并且在过程中不会遇到瓶颈。最后，对系统的实际用户进行用户体验测试。
6. 安全措施。通过对 agent 使用的数据进行加密并在适当的情况下匿名化，保护 agent 免受未经授权的访问和攻击。强大的访问控制也至关重要。您的网络和基础设施的安全性、安全编码、监视和事件响应以及保证实践必须扩展到您的 AI 系统中。

实施 AI Agent

Agent 的实施步骤与其他任何 AI 部署相似。首先，您需要定义任务：您希望 agent 做些什么，并尽可能具体地列出目标和目的。然后，确定 agent 在工作中需要遵循的功能流程、需要访问的数据、相关业务专家以及可以访问的工具和其他 agent。

我们建议企业先从小范围的测试开始，密切监视使用情况和结果，并根据结果优化 agent，然后在成功的基础上提高 agent 的自主性。在适用的情况下，您可以效仿新员工的配置流程。举个例子，零售商需要上线一个需求预测 agent，助其为开学季做好规划。

1. 具有已定义的作业说明。AI agent 的任务是预测产品需求，包括背包、笔记本和儿童服装。
2. 确定所需数据。整理数据源，让 agent 为成功做好准备。需求预测人员至少需要相关产品的历史销售数据；有关当前市场趋势和经济指标的信息；以及客户人口统计和购买历史。企业可以纳入可能影响需求的季节性趋势数据，例如气温可能高于正常水平，以及成功促销、折扣和营销活动的历史详情，这可能有助于提高准确性。
3. 邀请帮手加入。将 AI agent 与其他系统（例如库存管理、ERP 和供应链计划工具）集成在一起有助于提高效率。您还需要找到相关产品线的人类专家，他们可以提供有价值的见解，并帮助 AI agent 做出更准确的预测。
4. 提供反馈。定期评估和调优是一项前期投资，但事实证明这些投资往往都是值得的。您可以收集客户和专家反馈，确定需要改进的领域，并根据需要与软件提供商合作进行调整。

请注意，您需要有足够的计算资源来运行 AI agent，因为性能缓慢会在项目启动前就将热忱消耗殆尽。

AI Agent 的示例

这些只是一些目前可用的 AI agent。企业应该考虑自己的痛点：您在填补哪些职位方面遇到困难？您发现了哪些机会，但缺乏足够的资源来检验您的假设？是否存在可以通过 AI 解决的持续性员工或客户投诉？此外，企业还可以与云技术提供商和企业应用提供商联系，了解他们目前准备在产品和服务中添加哪些 agent。企业可以从这些方向中获得灵感。

AI agent 的示例包括：

• 对话式 agent 能够与外部世界交互：企业应用通常与人类进行交互，但也可能会与另一个软件程序进行交互。例如，在工业环境中，对话式 agent 可以与制造设备或物联网设备进行交互。
• 功能性 agent也称为用户代理 agent，一般担任着特定企业角色或职责。举个现实世界的例子，当您进行年度体检时，您可能会遇到几个“功能性 agent”：接待员 agent 为您办理体检手续，然后由护士 agent 负责测量您的基本生命体征，例如体重和血压。最后，医生会为您进行更详细的检查，并由汇总访问信息的 agent 从旁协助。其中，每个 agent 都使用不同的工具，执行需要相关专业知识的特定子任务，所有 agent 都必须根据需要相互通信，才能完成任务。
  
  功能性 agent 的示例包括：
  • 招聘经理 agent：执行包括记录需求（例如候选人的技能和经验）在内的任务，协助招聘经理写好并发布招聘启示。
  • 现场服务 agent：为技术人员提供信息，自动执行日程安排等任务，辅助诊断工作，并做出其他决策，从而实现更高效的现场服务工作流。
  • 应收账款文员 agent：简化付款处理；采取措施改善现金流，例如启动催款程序；生成有关应收账款绩效的报告。
  • 客户支持 agent：向人工客服或客户提供相关信息，增强客户支持职能。
• 监督 agent 就像是乐团的领导者。此类 agent 会带领其他 agent，并推动实现目标所需的计划和推理。其中一个例子是用户代理 agent，它可以决定是否替人类采取行动，或与他人联系以获得人机反馈。
• 效用 agent也称为基于任务的 agent，通常具有特定功能，可由其他 agent 调用以执行任务，例如查询数据库、发送电子邮件、执行计算或检索文档。尽管作为复杂工作流的一部分，但效用 agent 通常负责低风险的功能，因此仍可自主完成操作。例如：
  • 编程 agent：编程 agent 可使用 HTML、Java 或 Python 等语言来执行特定任务。
  • 对话式 agent：接收人类分配的任务，并根据任务发起方想要的方式，就工作流任务的结果进行沟通。
  • 文本生成 agent：汇总正文或生成文本范例，为长篇稿件提供思路。
  • 数据库查询 agent：执行与数据检索相关的任务，例如执行 SQL 查询。
  • RAG agent：协调检索 LLM 所需的特定新数据，以便根据提示词做出适当响应或执行任务。
  • 调度程序 agent：安排与利益相关者的会议以推进项目。
  • 搜索 agent：确定理想的搜索类型（例如 Web 或文档搜索），并调用适当的工具来执行任务。
  • 技能提升 agent：使用文档，推荐完成任务所需的技能，例如创建职位招聘信息或帮助员工创建概要信息。

利用 OCI Generative AI Agents 提高效率

OCI Generative AI Agents 结合了 LLM 和 RAG 的强大功能，让员工、合作伙伴和客户可以直接查询经过企业数据扩充的各种知识库。快速创建个性化的 AI agent，并将其嵌入到企业的商业应用和流程中。

该服务支持通过自然语言界面提供信息更新，并支持用户直接执行操作。想要尝试 AI agent 技术？OCI Generative AI RAG Agent 现已作为首批 Oracle AI agent 正式上市。

很多人曾经向聊天机器人提出问题，但收到的回复却无法解决问题。告别这种挫败感，是智能 AI agent 的最终目标。根据具体情境为人们提供准确的相关信息，这对提问者和您的企业都有好处。

AI Agent 的常见问题解答

AI agent 有哪些类型？

AI agent 的类型包括简单反射 agent、基于模型的反射 agent、基于目标的 agent、基于效用的 agent 以及学习 agent。

1. 简单反射 agent 会根据一组条件/动作规则采取行动，并根据输入做出响应，而不考虑更广泛的上下文。
2. 基于模型的反射 agent 具有与其功能相关的环境内部模型，支持他们在决定下一步行动之前考虑当前情况和各种操作的影响。
3. 基于目标的 agent 在反射 agent 的基础上进行构建，根据长期目标规划行动。
4. 基于效用的 agent 具有特定功能，可由其他 agent 调用以执行任务，例如查询数据库、发送电子邮件、执行计算或检索文档。
5. 学习 agent 可摄取新数据，并根据与用户的交互调整响应来不断提高性能。

AI agent 有哪些真实的例子？

在现实生活中，AI agent 的早期例子有 Alexa、Google Assistant 和 Siri，这些虚拟助手可以执行任务，包括设置闹钟、发送消息和搜索信息。对于企业而言，会话式 AI 平台 Oracle Digital Assistant 让企业能够为客户服务和其他应用创建聊天机器人和虚拟助手，这本质上就是一个 AI agent，旨在帮助企业创建属于他们的 agent。