AI Agent的瓶颈与AI WorkFlow的流行

我们都知道，自从大语言模型（LLM）被引入以来，整个行业飞速发展，一步步迈向更复杂的AI Agent，这些Agent可以模拟人类的数字交互行为。然而，商业化的落地并没有像预期那样顺利，目前大家关注的方向逐渐从AI Agent转向了Agentic Workflow（智能工作流）和数据合成。

那么，为什么会发生这样的变化呢？让我们一起来看看背后的原因。

Agent：技术还不成熟，商业化遇阻

首先，很多公司都曾对AI Agent寄予厚厚望，甚至不惜投入大量资源进行研发。但现实很骨感——AI Agent的技术目前还没有达到可以大规模商用的水平。

如果你经常看一些AI Agent的Demo演示，可能会觉得它们非常酷炫，但抛开营销噱头和原型展示，实际表现却令人失望。以Claude AI Agent Computer Interface (ACI)为例，它的性能仅相当于人类的14%！这是个什么概念呢？简单来说，就是我瞎猜也比用它强。

下图来自TheAgentFactory，展示了当前AI Agent在成本、步数和成功率上的表现。可以看到，AI Agent的成功率大约只有20%，而成本和复杂性却很高。

最近OpenAI推出的Operator在计算机操作和浏览器使用方面的准确率达到了30%-50%，但这仍然低于人类70%以上的水平。

除此之外，还有一个潜在的安全问题：AI Agent在浏览网页时很容易受到恶意弹窗攻击。这无疑增加了其在实际应用中的风险。

目前，AI Agent实现任务的方式主要有两种：一种是通过浏览器（如Webvoyager、OpenAI Operator等），另一种是直接通过操作系统的图形界面（如Anthropic）。这两种方式本质上都是将GUI当作API来使用。早期尝试过为每个应用程序单独开发API，但由于开发成本过高且许多商业应用没有现成的API支持，这条路并不现实。

聚焦于Agentic Workflow

当然，AI Agent的问题并不代表整个行业停滞不前。相反，越来越多的企业开始关注另一个方向——Agentic Workflow（智能工作流）。

我们都知道现在知识工作者的工作效率很低，有报告指出，大家工作时平均会花费30%的时间去寻找信息。此外，面对复杂问题时，还需要从多个文档中提取并整合信息，这无疑增加了工作的难度。

而Agentic Workflow正是为了解决这些问题而生的。它通过分解复杂的任务为简单的子任务，并将这些子任务串联起来形成一个流程。如下图所示：

这种模式的优势在于，它不仅提高了效率，还带来了可解释性、可检查性。换句话说，用户能够清楚地看到每一步是如何完成的，从而更容易理解结果。

同时，随着数据量的爆炸式增长，如何有效整合和利用这些数据成为了一个关键挑战。Agentic Workflow在这方面表现出色，它可以帮助知识工作者快速合成所需的信息，生成针对特定场景的答案。

例如，ChatGPT的Deep Research功能就是一个很好的例子。它可以在短时间内完成多步研究，解决那些可能需要人花费数小时才能完成的任务。

这里不得不提到一个新概念——Agentic RAG（由LlamaIndex提出）。它的核心思想是为“单个受众”在某个时间点提供定制化的数据合成服务。未来几个月，个人化的工作流、信息合成以及桌面编排将成为热点领域。

推理与问题解决能力的提升

现代AI模型正逐步将推理作为核心功能之一，使其能够通过分解复杂问题为小部分，系统地处理每个环节。

这种方法不仅提升了问题解决的效率，还增强了透明度，让用户更容易理解结论是如何得出的。

过去，用户需要手动在提示词中加入推理逻辑，指导模型如何拆解复杂或复合型任务；而现在，AI已经具备了一定程度的自主推理能力，大大降低了使用门槛。

总结

最后想强调的是，无论是RAG、Prompt Engineering还是其他工具，企业都应该避免盲目追逐潮流，而是要回归到解决真实业务问题的本质上。毕竟，技术的价值不在于它有多先进，而在于它能否创造实际效益。

无论是在改善客户体验、优化运营流程，还是应对社会需求方面，我们都应该问自己一个问题：如何利用技术提供有意义的解决方案？

只有这样，企业才能在未来保持竞争力，不被快速变化的技术浪潮所淘汰。