AI Agent设计模式：事件驱动

推荐语

AI代理正引领企业运营模式的革命，探索事件驱动架构的关键作用。

核心内容：
1. AI代理如何改变企业运营和工作流程
2. 当前AI模型面临的挑战与Agentic AI的优势
3. 事件驱动架构在AI代理扩展性中的关键角色

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

AI 代理即将通过自主解决问题、自适应工作流程和可扩展性彻底改变企业的运营模式。然而，真正的挑战并非构建更好的模型，而是如何让代理在复杂的系统中高效运行。

代理需要访问数据、工具，并能够跨系统共享信息，其输出还需可供多种服务（包括其他代理）使用。这并非单纯的 AI 问题，而是基础设施和数据互操作性问题。我们需要的不仅仅是简单的命令链，而是一个由数据流驱动的事件驱动架构（EDA）。

正如 HubSpot 首席技术官 Dharmesh Shah 所说：“代理就是新的应用。”要释放这一潜力，必须从一开始就采用正确的设计模式。

Agentic AI的崛起  

尽管人工智能已经取得了巨大进步，但当前的固定工作流程甚至大模型（LLM）正面临极限。据报道，谷歌的 Gemini 和 OpenAI 的 Orion 模型在大规模数据集上训练后仍未达到预期效果。Salesforce 首席执行官Marc Benioff也指出，我们已经达到了 LLM 的上限，未来属于能够自主思考、适应和行动的系统，而不是像 GPT-4 这样的模型。

代理带来了一种全新的工作模式：动态、上下文驱动的工作流程。与固定工作流程不同，代理系统会根据当前情况动态确定下一步行动，使其成为解决当今企业复杂问题的理想选择。代理彻底颠覆了传统的控制逻辑，使用 LLM 驱动决策，而不是依赖僵化的程序。它们可以推理、使用工具和访问内存——所有这些都是动态的。这种灵活性允许实时演变的工作流程，使代理比基于固定逻辑构建的任何代理都强大得多。

Agentic AI的扩展挑战

代理的扩展能力（无论是单个代理还是协作系统）取决于其轻松访问和共享数据的能力。代理需要从多个来源（包括其他代理、工具和外部系统）收集信息以做出决策。然而，将代理连接到所需的工具和数据本质上是一个分布式系统问题，类似于设计微服务时面临的挑战。代理的输出不应仅仅循环回 AI 应用，而应流入其他关键系统，如数据仓库、CRM 和客户成功平台。

解决方案：事件驱动架构  

事件驱动架构（EDA）是实现松耦合的关键，它允许代理共享信息、实时行动并与更广泛的生态系统无缝集成，而无需担心紧密耦合。EDA 通过异步通信解决了微服务之间的依赖问题，使系统更具弹性和适应性。

早期的软件系统大多是单体式的，所有功能都集成在一个代码库中。虽然构建简单，但随着规模扩大，单体式系统变得难以维护。微服务的出现改变了这一局面，通过将应用程序拆分成更小的、可独立部署的组件，团队可以灵活扩展和更新系统。然而，微服务之间的通信成为新的挑战。EDA 通过异步事件通信解决了这一问题，使系统能够高效处理现代工作流程的复杂性。

Friendster 等早期社交网络的兴衰凸显了可扩展架构的重要性。Friendster 因无法应对用户增长而失败，而 Facebook 因投资可扩展的基础设施而蓬勃发展。如今，AI 代理也面临着类似的挑战。构建代理只是第一步，真正的考验在于架构是否能够处理分布式数据、工具集成和多代理协作的复杂性。

事件驱动的代理是未来

AI 的未来不仅在于构建更智能的代理，还在于创建能够随着技术进步而发展和扩展的系统。EDA 是这一未来的基础，它使代理能够在动态环境中蓬勃发展，同时保持弹性和可扩展性。代理类似于微服务，但更进一步：它们依靠共享的、上下文丰富的信息进行推理、决策和协作。

这对管理依赖关系和确保实时数据流提出了独特的要求。例如，客服人员可以从 CRM 中提取客户数据、分析实时分析数据并使用外部工具，同时与其他客服人员共享更新。这些互动需要一个系统，让客服人员可以独立工作，但仍能流畅地交换关键信息。EDA 通过充当数据的“中枢神经系统”来解决这一挑战。它允许代理异步广播事件，确保信息动态流动而不会产生严格的依赖关系。这种解耦使代理可以自主运行，同时无缝集成到更广泛的工作流程和系统中。

通过解耦工作流并实现异步通信，EDA 允许堆栈的不同部分（代理、数据源、工具和应用程序层）独立运行。以当今的 AI 堆栈为例，MLOps 团队管理 RAG 等管道，数据科学家选择模型，应用开发人员构建界面和后端。紧密耦合的设计迫使所有这些团队陷入不必要的相互依赖，从而减慢交付速度，并使其更难适应新工具和技术的出现。 相比之下，事件驱动系统可确保工作流保持松散耦合，从而允许每个团队独立创新。 应用层无需了解 AI 的内部结构，它们只需在需要时使用结果即可。

这种解耦不仅提高了灵活性，还确保了 AI 洞察不会孤立。代理的输出可以无缝集成到 CRM、CDP 和分析工具中，从而创建一个统一、适应性强的生态系统。

EDA 是向代理系统转变的核心。除了解耦工作流，实现实时通信，还能确保代理能够大规模高效运行。例如，Apache Kafka 等平台通过水平可扩展性、低延迟和松耦合设计，为代理提供了强大的支持。

人工智能领域正在快速发展，架构也必须随之演变。Forum Ventures 的一项调查显示，48% 的高级 IT 领导者准备将 AI 代理整合到运营中，33% 的人表示他们已经做好了充分准备。EDA 是构建灵活、有弹性且可扩展的代理系统的关键。采用 EDA 的企业不仅能生存下来，还能在新一轮 AI 创新中获得竞争优势。而那些未能跟上步伐的企业，可能会被市场淘汰，成为自身无法扩展的牺牲品。

（本文作者：Sean Falconer，AI Entrepreneur）

相关推荐:

AI-ready Data Cloud技术系列