概念更新于 2026-06-21 · 版本 1.0

什么是 Agentic AI？

Agentic AI 是指通过多个步骤追求目标的系统——进行规划、调用工具、对环境做出行动并对反馈做出反应——而不是仅生成单一的响应。它将语言模型从文本生成器转变为能够完成任务的执行者。它代表了从“自主操作”（do-it-yourself）软件（人类主导每一步）向“代劳”（do-it-for-me）软件（系统执行工作并汇报结果）的转变。

证据: 行业观察置信度: 高来源: 行业观察来源: 论文
机器可读: JSON

定义

Agentic AI 是一类通过将模型与记忆、工具和控制循环相结合，自主规划并执行多步任务的 AI 系统。

核心要点

  • 智能体 = 模型 + 工具 + 记忆 + 决定下一步做什么的控制循环。
  • 自主性是一个光谱，从单一的工具调用到长周期的任务执行。
  • 可靠性主要来自模型周围的支撑系统（harness），而非模型本身的原始智商。
  • 工具使用（函数调用）是将模型连接到真实系统和数据的纽带。
  • 评估必须衡量任务完成度（主动性/agency），而不仅仅是回答质量（能力/capability）。

背景

在 LLM 时代的大部分时间里，模型都被用作单次响应器：输入提示词，输出回答。Agentic AI 打破了这一模式，为模型引入了循环——它可以决定调用工具、读取结果、修改计划并继续，直到实现目标或预算耗尽。

这是企业应用 AI 的主导前沿，因为它将价值从回答问题转向了完成工作：端到端地解决支持工单、重构代码库、运行研究任务、操作工作流。

架构

一个极简的智能体包含四个部分：推理模型、一组可调用的工具、某种形式的记忆或状态，以及一个将模型输出转化为行动并将观察结果反馈回去的编排循环。

模式从简单（带有工具和停止条件的模型）到复杂（规划器-执行器分离、反思以及多智能体团队）不等。Anthropic 的建议是优先选择可行的最简模式，仅在有明确衡量需求时才增加结构。

组件

推理模型工具 / 函数调用记忆与状态编排循环护栏可观测性

优势

  • 完成多步工作，而不仅仅是提供单一回答。
  • 适应反馈并能从中间错误中恢复。
  • 通过工具和 API 与真实系统集成。
  • 规模化处理以前只能由人类完成的重复性知识工作。

风险

  • 在长周期任务中误差会不断累积。
  • 若无预算和停止条件，成本和延迟将无限制增长。
  • 工具访问和提示词注入带来的安全风险。
  • 与单次提示词相比，难以进行评估和调试。

工具与技术

LangGraphOpenAI Agents SDKClaude Agent SDKModel Context Protocol (MCP)Vertex AI Agent Engine

示例

  • 一个客服智能体，它读取工单、查询订单、执行退款并进行回复——全部通过工具完成。
  • 一个编码智能体，它编辑文件、运行测试并进行迭代，直到测试套件通过。
  • 一个研究型智能体，能够进行搜索、阅读源文件、验证陈述并撰写包含引用的摘要。

常见问题解答

AI智能体与智能体AI（Agentic AI）有什么区别？
AI智能体是一个具体的系统；而智能体AI则是围绕这种以目标为导向、多步骤系统构建软件的更广泛范式。
要实现智能体化，是否需要更强大的模型？
不一定。同一个模型在任务中是成功还是失败，几乎完全取决于其支撑系统（harness）——即围绕它构建的工具、记忆、提示词和控制循环。
RAG属于智能体化吗？
单纯的检索增强生成（RAG）是一个单一的步骤。只有当系统在多步骤循环中自主决定何时检索以及检索什么时，它才具有智能体特性。
是什么导致智能体不可靠？
长时程会累积微小的误差、工具可能会失效，且上下文容易丢失。可靠性源自 Harness Engineering（智能体支撑系统工程）：优秀的工具、记忆、护栏和评估。
如何评估智能体？
通过智能体基准测试和基于任务的评估（evals），在特定环境中对端到端任务的完成情况进行评分，而不仅仅是评估单个回答的质量。

参考文献