以下著作着手于 AI Prime 开云kaiyun，作家 Ace

作家 |Ace  

着手   |   AI Prime   管默默慧 AI+

商量合作 | 13699120588

著作仅代表作家本东谈主不雅点

AI 智能体是咱们用来与 AI 交互的用具。它们不错自动化并本质复杂的任务，举例天然言语处理，这些任务常常需要东谈主类来完成。

AI 智能体是一种软件组件，具有代表用户或系统本质任务的能力。用户不错将代理组织成系统，这些系统不错编排复杂的职责流，协调多个代理之间的活动，将逻辑应用于辣手的问题，并评估对用户查询的回答。

如若你也曾与客户作事聊天机器东谈主互动过，或者让生成式 AI 模子为你写一首十四行诗，那么你很可能如故闇练了 AI 智能体的低级版块。如若你疑望到自 ChatGPT 引颈主流以来，生成式 AI 的性能有所普及，那你的嗅觉没错。诚然各式模式的 AI 智能体如故存在多年，但现在生成式 AI 模子的天然言语处理能力开释了多数新的可能性，使得代理系统好像考虑、协融合完成任务——以致学会改进本人的性能。跟着代理变得越来越准确，公司不错越来越多地使用它们来自动化组织进程，并匡助提高职工的普遍职责遵守。

麦肯锡高档合资东谈主 Lari H ä m ä l ä inen 清晰："生成式 AI 的发展速率极快。" "如今，东谈主机归并的遵守不错产生高质地和高分娩力。" 近期在短期和恒久记挂结构方面的发展使这些代理好像更好地个性化与表里部用户的互动，这意味着代理在处理被条目的任何任务时都在飞快变得更好。量度改日，它们将变得愈加出色；简而言之，AI 智能体正在从想考转向步履。在往常的 18 个月里，谷歌、微软、OpenAI 等公司已投资于软件库和框架以维持代理功能。况兼跟着诸如微软 Copilot、亚马逊 Q 以及谷歌行将推出的 Project Astra 等由大型言语模子 ( LLM ) 驱动的应用的出现，代理正在从基于学问的用具转向更基于步履的用具。在不久的将来，代理可能会像今天的移动应用步调一样普遍。

有哪些不同类型的 AI 智能体？

AI 智能体不错确认其能力、脚色、手段以及被考验来达成的收场进行分类。以下是现在正在创建的一些代理的不皆备列表：

个东谈主增强（"副驾驶"代理）：这些代理充任个东谈主用户的副驾驶，旨在增强该用户的分娩力和能力。诸如微软的 365 Copilot 和 OpenAI 的 ChatGPT 等副驾驶代理不错协助草拟本色、编写代码或检索学问。在某些情况下，副驾驶代理不错行为针对用户特定职责进程量身定制的"智能"助手。天然，这类代理的影响取决于每个职工本人的动机和插足进度。

职责流自动化平台：这类代理专注于自动化单步或多步任务或较小的职责流，充任现存职责流的 AI 驱动的进程编排器和本质器。此类代理的示例包括微软的 Copilot Studio 和 Salesforce 的 Agentforce（面前正在开荒中）。由于这些代理主要应用于现存进程，其得胜将依赖于在实施、变更治理和代理治理方面的多数插足。

面向规模贬责有盘算推算的生成式 AI 原生代理：这些是为特定业务规模或职能构建的专用贬责有盘算推算。示例包括 AI 驱动的客户作事系统或维持 AI 的软件开荒活水线。生成式 AI 原生代理以 AI 为贬责有盘算推算的中枢来从头构想特定规模，而不是像传统 AI 智能体那样将 AI 类似到现存的脚色或职责流上。

AI 原生企业和运营模式：这些代理连气儿于通盘企业运营模式中，而不是应用于单个职责流或职能。在这些情况下，公司会进行端到端的 AI 优先从头设计，其中交互层、进程、组织结构以致买卖模式都会被从头构想。企业在初次进行数字化转型时资格了这种量级的变革，同样的情况很可能在 AI 规模发生。

AI 捏造职工：AI 捏造职工是行为职工或团队成员运作的代理，代表了最具潜在颠覆性的代理类别。这些捏造职工不错使公司绕过全面的组织转型，允许 AI 在公司现存模式内运作，这可能有助于更快地获取价值。

这些 AI 智能体并非相互拔除。很多组织将追求羼杂策略——举例，在彭胀个东谈主 AI 副驾驶的同期，自动化采选的职责流并试点一些捏造职工。

AI 智能体是奈何职责的？

AI 智能体不错维持跨行业和业务职能的高度复杂和腌臜的用例。它们不错使用为东谈主类设计的用具（如集聚浏览器），也不错使用为狡计机设计的用具（如 API）。同期具备这两种能力使得 AI 智能体好像纯真地进步组织表里的本事架构进行操作，而无需对这些架构进行紧要修改。

AI 智能体的职责过程常常谨守四个方法：

1. 用户给代理系统分拨任务。 AI 智能体自主职责，考虑并推导奈何完成任务。

2. 代理系统考虑、分拨和本质职责。AI 智能体系统将职责流见解为任务和子任务，由一个治理者代理分拨给其他挑升的子代理。这些挑升的代理专揽先前的教师和习得的规模专科学问，相互协调，并使用组织和外部数据来本质任务。

3. 代理系统可能迭代改进输出。代理系统可能会苦求额外的用户输入以确保准确性和联系性。一朝寄托最终输出，代理系统可能会苦求用户反馈。

4. 代理本质步履。代理本质任何须要的操作以皆备完成任务。

由生成式 AI 赋能的代理很快就能像超高效的捏造共事一样职责。

一个代理系统奈何本质从指示到输出的职责流的清晰图：

启动 -> 用户使用天然言语指示生成式 AI 智能体系统完成任务。-> 代理系统讲明指示并制定职责盘算推算。一个治理者代理将技俩细分为分拨给行家代理的任务；他们从多个着手集聚和分析数据，并相互协调以本质各自的任务。-> 代理团队与用户共享草稿输出。-> 代理团队接登科户反馈，然后相应地迭代和完善输出。-> 收场。

( 代理系统包含：治理者代理、分析师代理、查验者代理、考虑师代理等行家代理。行家代理与外部系统交互：代理与数据库和系统——包括组织和外部数据——进行交互以完成任务。 )

任何 AI 智能体的部署都应包含一系列放手措施。举例，成立性的反馈轮回允许代理审查和完善其职责。AI 智能体也不错被编程为自学贬责怪题或将其上报给东谈主类治理者。代理也不错更好地协同职责：一个月旦者行家代理不错审查一个创建者代理制定的盘算推算并条目迭代，从而产生更好的输出。一些 AI 智能体以致不错胜仗向治理者发问。组织还不错开荒挑升的代理，确认谈德和偏见问题自动测试和改进其他代理的输出。

AI 智能体与 LLM（大型言语模子）有何联系？

AI 智能体与不同的 AI 模子协同职责以完成任务。当用于与东谈主类相通时，AI 智能体会与配备了天然言语处理能力的 LLM 合作。以自动驾驶汽车为例，它运行在一系列与各式 AI 模子协同职责的代理上。厚爱交融用户想去那处的 AI 智能体可能会使用 LLM。但是，厚爱确保汽车左转安全的代答理使用高度专科化的设计模子，而不是 LLM 来作念这种特定类型的决策。

AI 代理可能奈何影响业务增长？

麦肯锡推断，从长期来看，生成式 AI 的企业用例每年可能创造高达 4.4 万亿好意思元的价值。关联词，除非组织好像快速实施 AI 来从头构想和调节职责方式，不然它们无法将这种后劲振荡为业务增长和更高的分娩力。AI 代理不错比其他旧本事更快、更好、更低廉地挖掘这座价值宝库。

但生成式 AI 的价值不单是在于自动化常见的职责任务。麦肯锡预测，组织不错部署 AI 智能体来匡助从头构想进程并已毕其 IT 基础设施的现代化。这可能包括从切换到更易于使用的编程言语、过渡到提供更多功能的现代框架，到重构系统使其更具模块化，以及将应用步调转移到更低廉的云狡计环境运行等一切事务。本事诱惑者不错使用多个挑升的 AI 智能体，每个代理都具有特有的脚色和专科学问，以协调处理复杂任务，并确认东谈主类的反馈进行及时迭代。关联词，简直的价值将来自于编排代理以完成破碎的任务以及通盘软件开荒过程。

一些行业如故在依期部署 AI 智能体。举例，客户作事机器东谈主在很多面向客户的网站上已成为标配。确认麦肯锡对于生成式 AI 经济后劲的运筹帷幄，使用维持生成式 AI 的客户作事代理的组织，每小时的问题贬责率提高了 14%，处理问题所破耗的时间减少了 9%。麦肯锡高档合资东谈主 Jorge Amar 清晰："跟着时间的推移，我量度生成式 AI 智能体将提高客户稳重度并创造收入。它们在销售新作事或得志更世俗的需求方面将至关蹙迫。""这将为公司开辟更世俗的客户体验经受，举例提供更多与东谈主类代理的高交游互动行为升值作事。"

更普随处说，维持生成式 AI 的代理不错通过三种蹙迫方式潜在地简化复杂费例的自动化：

代理不错更容易地处理不太可预测的情况。基于规则的系统在碰到规则设计者未预猜度的情况时经常会失效。比较之下，生成式 AI 智能体系统不错处理给定用例的各式场景。因为它们是使用基础模子构建的，这些模子如故在大型、非结构化数据集上进行了考验，是以生成式 AI 智能体不错及时适当不同的场景并本质挑升的任务。

代理系统不错通过天然言语进行率领。天然言语处理不错使用户比以往任何时候都更快、更容易地编码复杂的职责流。用天然言语处理编码的生成式 AI 智能体不错使更世俗的职工好像构想和使用 AI 用具来已毕收场，而无需挑升编程或编排更大的 IT 技俩。

代理不错与现存的软件用具和平台协同职责。生成式 AI 智能体运行在基础模子上，这使得代理好像使用用具并在更世俗的数字生态系统中进行通讯。如若莫得基础模子，这些能力将需要多数的手动职责来集成系统或整理不同系统的输出。代理不错权臣减少跨系统集成所需的职责量和返工量。此外，确认麦肯锡合资东谈主 Aaron Bawcom 的说法，"现代理协同职责时，它们的能力不错确认环境发生复合反应。它们不错发展出未被明确编程的意新手为和手段，其效果大于各部分之和。这等于所谓的涌现式 AI。"

有公司使用 AI 智能体的确切案例吗？

梦想（Lenovo）已在其业务的两个主要规模部署了 AI 智能体：软件工程和客户维持。该公司贬责有盘算推算与作事集团首席本事官 Arthur Hu 清晰，公司的软件工程师如故看到了高达 15% 的遵守普及。该公司的首席运营官兼计谋厚爱东谈主 Linda Yao 补充说，客户作事方面在通话处理时间上已毕了两位数的分娩力增长。

迄今为止，梦想已将生成式 AI 智能体优化为捏造助手。Yao 设计，改日 AI 智能体将行为东谈主类的副手，被部署去孤独完成任务。

AI 智能体还有哪些其他的企业用例？

以下是三个假定性的用例，让咱们得以一窥改日 AI 智能体可能已毕的功能：

贷款审批。一个包含多个专科代理的 AI 智能体系统不错处理各式信用风险场景。往常，这常常是一个耗时且高度协调的过程，波及汇编、分析和审查与告贷东谈主、贷款类型和其他变量联系的各式信息。

代码文档化和现代化。大型企业的留传软件应用步融合系统常常存在安全风险，并可能拖慢业务改进的步骤。AI 智能体不错匡助简化这些系统的现代化过程。举例，公司不错部署一个挑升的代理行为留传软件行家来分析旧代码，而另一个——质地保证代理——则不错评审文档并迭代地完善 AI 的输出，以确保准确性并慑服组织模范。

在线营销活动。设计、启动和运行在线营销活动可能是一个复杂、多脉络的过程，波及很多不同的东谈主。单个 AI 智能体系统不错确认公司营销专科东谈主员的输入来开荒、测试和迭代营销活动创意。然后，数字营销代理不错集聚知悉以制定策略和案牍，而设计代理不错构建定制化的本色。

组织在采取 AI 智能体方面靠近哪些梗阻？

麦肯锡合资东谈主 Nicolai von Bismarck 清晰，成立信任是采取 AI 智能体本事的一大梗阻："咱们发现，统统年纪段的客户——以致是 Z 世代——在寻求客户匡助和维持时仍然更可爱及时的电话交谈。" 他接着说，一家银行通过创建一个架构来贬责这个问题，该架构在将谜底共享给客户之前查验 AI 智能体的装假或"幻觉"，从而减少了不正确反馈的数目并成立了信任。

麦肯锡合资东谈主 Roger Roberts 说："那些从 AI 中获取最大价值的公司，将是那些与其客户、职工和利益联系者成立信任的公司。东谈主们必须有余信任 AI，才能将任务交给它。公司的谈德决策必须植根于每个组织特有的价值不雅以及将东谈主类置于 AI 生态系统中心的社会价值不雅。"

确认麦肯锡高档合资东谈主 Amar 的说法，另一个挑战将是组织在扩展 AI 智能体过程中的变革治理。"这远比只是推出一套新用具要世俗得多，"他说。"公司需要从头诱惑各职能部门的职责方式，以便从生成式 AI 智能体中获取沿途价值。"这种从头诱惑包括采取新本事，以及对现存本事进行调治，使其能更好地与基于机器学习和生成式 AI 的用具协同职责。组织还应调治其运营模式，以维持迭代开荒新作事的袖珍团队。更蹙迫的是，诱惑者应创建激发机制，匡助职工学习奈何使用——并信任——这些新用具。

终末，"数据保护是诱惑者在部署 AI 智能体时靠近的一个主要担忧，"麦肯锡合资东谈主 Bawcom 说。正在彭胀 AI 智能体盘算推算的公司应严慎实施相宜的安全、运营和数据放手措施。有很多不停发展的现成和定制方法及贬责有盘算推算。

AI 智能体可能奈何改造组织的科技架构？

AI 智能体的普及可能会改造组织运行其本事技俩的方式。麦肯锡量度，IT 架构将从传统的以应用为中心的模式转向新的多代理模子。在这种类型的架构中，本事诱惑者监管着多达数千个相互通讯、并与东谈主类和外部步调通讯以已毕共同主张的代理。

以下是本事诱惑者不错在其刻下环境中部署代理的三种方式（图表 2）：

•超等平台 ( Super platforms ) 。这些是下一代的第三方业务应用步调，举例协调用具或客户关系治理 ( CRM ) 步调，它们内置了生成式 AI 智能体。举例，用户不错部署一个 CRM 超等平台来运行销售讲演，同期自动与公司的分析用具进行通讯。往常，这需要针对特定用例进行编程。 

• AI 包装器 ( AI wrappers ) 。这些用具允许企业作事通过 API 与第三方作事进行通讯和协调，而无需露出公司的专稀有据。举例，一家银行不错围绕里面开荒的、AI 驱动的信用风险模子构建一个维持生成式 AI 的包装器。然后，这个 AI 包装器不错启动操作，举例条目供应商的 LLM 确认客户数据和信用评分生成风险身分，而无需向供应商以致 LLM 浮现这些数据。

•自界说 AI 智能体 ( CustomAIagents ) 。职工不错通过微调预考验的 LLM 或使用检索增强生成 ( RAG ) 看望公司的专稀有据来开荒自界说的生成式 AI 代理。举例，在客户作事场景中，职工不错用客户数据、呼唤中心记载和公司政策来"喂养"现存模子，以创建一个生成式 AI 智能体，协助呼唤中心职工恢复客户问题。组织将需要调治其 IT 架构，以更好地作事于这些新的以代理为中心的职责流，并允许握续迭代和改进。

架构可能跟着三种 AI 赋能模式演变。刻下赋能模式：SaaS、打包应用、平台化应用、里面定制开荒。

AI 赋能模式：

1. 第三方超等平台：通过第三方平台已毕 AI 赋能。最稳妥快速部署行业模范能力（如 CRM、ERP）。

2.AI 包装器 + 第三方：企业创建我方的 AI 包装器，使第三方好像通过 API 看望与企业平台交互。适用于在保握纯真性和保护专稀有据的同期，获取最新的改进。

3. 自界说 AI 智能体：通过塑造先前考验的大型言语模子构建全栈 AI 智能体。适用于保护专稀有据和创造互异化的学问产权。

组织不错采取哪些方法来实施 AI 智能体？

诱惑者不错怜惜三个蹙迫规模：

1.仔细审查任何时间长、需要多数东谈主力的本事提案。这意味着要审查统统大型提案，以细则生成式 AI 奈何好像责难成本并裁减时间表。诱惑者搪塞那些宣称整合了生成式 AI 能力的提案保握相等警惕，因为这些能力在价值后劲方面可能是有限的或援手性的。

2.怜惜最大的问题。小限制的举措常常只会带来小限制的遵守。1 因此，公司最佳识别出最大、最复杂的本事问题——那些成本腾贵、时间跨度长达数年，并形成严重本事债务的问题——并将生成式 AI 的使用要点放在贬责这些问题上。

3. 事前谈判东谈主才、本事和运营模式的影响。跟着多代理方法的扩展，诱惑者需要交融并考虑其业务影响。1 包括从头想考他们的东谈主才计谋和再培训盘算推算，相应地调治他们的运营模式，并从头评估他们的运营和本钱开销。

AI 智能体的演进才刚刚启动，还有很多学习和发现存待进行。AI 智能体规模的很多职责正在从实验室走向全面应用。AI 智能体提供了新的能力，有助于从头构想各式行业和限制的组织中东谈主们的职责方式。