主要观点总结
文章主要讨论了智能体的研究现状和发展趋势，重点介绍了AI Agents和Agentic AI的定义、特点、应用场景以及存在的问题和解决方案。文章指出，AI Agents和Agentic AI虽然在很多领域已经得到了广泛应用，但仍存在一些问题和挑战，需要继续研究和探索。未来，AI Agents将朝着更加自主化、智能化的方向发展，而Agentic AI则将成为下一代AI基础设施。
关键观点总结
关键观点1: AI Agents和Agentic AI的定义和特点
AI Agents是指在限定数字环境中自主感知、理解输入、并基于目标执行任务的软件实体，常用于信息检索、客服自动化、日程管理等实际场景。Agentic AI则由多个协作智能体组成，具备更强大的复杂任务拆解、自主决策和多步骤协同能力，更接近人类的组织式智能。
关键观点2: AI Agents和Agentic AI的应用场景
AI Agents广泛应用于客服自动化、企业内部搜索、电子邮件分类与优先级管理、内容推荐以及日程安排等场景。而Agentic AI则具备更高层次的认知和任务协作能力，目前的应用包括科研助手、多机器人协调系统、医疗辅助诊断系统、网络安全风险处理系统等。
关键观点3: AI Agents和Agentic AI存在的问题和挑战
AI Agents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，缺乏自主目标设定能力、反思能力、上下文记忆、持久性控制等。而Agentic AI面临的挑战则更多出现在智能体的协作环节，包括智能体间的错误传播、系统稳定性差等问题。
关键观点4: 解决AI Agents和Agentic AI问题的解决方案
文章总结了解决这些问题的10大解决方案，包括检索增强生成、工具增强的推理、Agent行为循环、记忆架构升级等。
关键观点5: AI Agents和Agentic AI的未来发展趋势
未来，AI Agents将朝着更加自主化、智能化的方向演进，具备主动智能（Proactive Intelligence）。而Agentic AI则将推动多智能体扩展和统一编排，解决更宏大的挑战。
正文
：能够对用户指令或环境状态作出动态响应，有些系统甚至能通过反馈机制逐步优化行为。
现代AI Agents的核心通常是大语言模型（LLM）和大图像模型（LIM）。
其中，大语言模型主要支持AI Agents的自然语言理解、推理、计划和响应生成，是AI Agents“思考”的基础。诸如CLIP和BLIP-2等大图像模型使AI Agents具备视觉感知能力，广泛应用于机器人、自动驾驶、内容审核等场景。
这些模型通常通过API调用方式接入，使得开发者无需从零训练模型即可构建AI Agents。
文章中用农业无人机的案例展现了AI Agents
感知、推理与行动三位一体的运作方式
。AI Agents可通过图像识别功能识别果园中的病果或坏枝，并在无人干预的情况下触发报警或处理机制。
虽然生成式AI模型为现代AI Agents奠定了技术基础，但其仍然存在重要局限，例如主动性或目标意识差、无持续记忆与状态更新能力、无法直接与外部系统交互等。
为弥补生成式AI的不足，AI Agents引入了工具调用（Tool-Use）、函数执行、上下文记忆、任务规划等模块，演化成具备初步“认知结构”的系统，例如AutoGPT、LangChain等。这标志着系统架构
从“内容生成”过渡到“任务执行”
，是Agentic AI发展的基础步骤。
如今的AI Agents通常由四个主要子系统构成：
感知、推理、行动和学习
。感知模块负责接收来自用户（如自然语言提示词）或外部系统（如API、文件上传、传感器数据流）的输入信号，并将其预处理为智能体推理模块可以理解的格式。知识表征与推理（KRR）模块是智能的核心模块，负责对输入数据应用符号、统计或混合逻辑进行处理。
行动选择与执行模块将推理得出的决策转换为外部行动，如发送信息、更新数据库、调用API或生成结构化输出。AI Agents还具备基础的学习与适应能力，如启发式参数调整或基于历史的上下文保留。
AI Agents的定制化通常通过领域特定的提示工程、规则注入或工作流模板实现，它与硬编码的自动化脚本的区别在于有上下文感知的决策能力。以ReAct系统为例，其采用推理与行动的迭代框架，使智能体在执行前能进行内部“思考”。
AI Agent可扩展性有限，Agentic AI成下一代AI基础设施
尽管AI Agents已经在自动化特定任务方面取得了突破，但这类系统在复杂、多步骤或协作场景中的可扩展性受到限制。这些限制最终催生了更先进的范式——Agentic AI。
从定义上来看，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
，与AI Agents相比，能够在更广泛的任务和环境中进行学习和适应。
Agentic AI系统继承了AI Agents的模块化结构，但在此基础上引入了分布式智能、智能体间通信和递归规划等增强能力。文献中总结了多项关键架构改进，这些改进构成了Agentic AI相较于AI Agents的本质区别：
（1）
专责智能体协作体系
（Ensemble of Specialized Agents）：Agentic AI不再是单一智能体运行，而是由多个专责智能体组成，每个负责不同功能，如摘要、检索、规划等。这些智能体通过消息队列、黑板机制或共享内存等方式进行通信。例如MetaGPT采用模拟公司部门（如CEO、CTO、工程师）角色的方式构建智能体，角色模块化、可复用、职责清晰。
