核心概念与分类

(1) AI Agents

• 定义：
• 模块化系统，基于大语言模型（LLMs）和视觉模型（LIMs），通过工具调用（API）、提示工程（Prompt Engineering）和推理增强（Reasoning）实现特定任务自动化。 原文
• 特点：
• 自主性（Autonomy）：在限定任务中无需人工干预（如客服机器人）。
• 任务特定性（Task-Specificity）：专注于狭窄领域（如邮件过滤、日程管理）。 原文
• 反应与适应（Reactivity & Adaptation）：能根据动态输入调整行为（如个性化推荐）。 原文
• 架构：
• 感知（Perception）→ 推理（Reasoning）→ 行动（Action）→ 学习（Learning）的闭环流程。 原文
• 依赖LLMs作为核心推理引擎（如GPT-4），并通过工具增强（如检索增强生成RAG）。 原文

(2) Agentic AI

• 定义：
• 多智能体系统（Multi-Agent Systems, MAS），通过动态任务分解、持久化记忆（Persistent Memory）和协作自治（Coordinated Autonomy）实现复杂目标。 原文
• 特点：
• 多智能体协作：多个专用Agent分工合作（如研究助手、医疗决策系统）。
• 系统级智能：超越单Agent能力，具备涌现行为（Emergent Behavior）和自适应性。
• 长期目标导向：支持多阶段规划（如供应链优化、机器人集群控制）。
• 架构：
• 在AI Agents基础上增加：
• 高级规划（Advanced Planning）：如ReAct框架、思维树（Tree of Thoughts）。 原文
• 共享记忆（Shared Memory）：跨任务上下文保留（如MetaGPT的协作记忆）。
• 协调层（Orchestration Layer）：管理Agent间通信（如Google的A2A协议）。

(3) 生成式AI（Generative AI）作为基础

• 角色：
• 生成式AI（如GPT、DALL·E）是AI Agents和Agentic AI的前置技术，但缺乏自主性和工具调用能力。 原文
• 生成式AI是被动响应（Prompt-Driven），而Agentic AI是主动目标驱动（Goal-Driven）

挑战

(1) AI Agents的挑战

• 幻觉（Hallucination）：生成不准确信息 → 解决方案：RAG、事实一致性校验。

• 脆弱性（Brittleness）：提示微小变化导致输出不稳定 → 解决方案：提示链（Chain-of-Thought）。

• 因果推理缺失：无法理解因果关系 → 解决方案：因果建模（Causal Modeling）。 原文

(2) Agentic AI的挑战

• 协调失败（Coordination Failure）：Agent间目标冲突 → 解决方案：分层协调协议（如A2A）。

• 涌现行为风险：不可预测的系统级行为 → 解决方案：模拟测试（Simulation-Based Planning）。 原文

• 可解释性：复杂决策过程难追踪 → 解决方案：透明通信日志（如LangGraph）。