人工智能的兴起推动企业在运营管理和优化方面发生重大变化，其中一个关键的进步是Agentic Workflow的发展。通过利用AI Agent来自动执行复杂任务，Agentic Workflow提高了效率，并彻底改变了商业流程。

01

Agentic Workflow是什么？

Agentic Workflow利用AI Agent来自动化实现需要决策制定、解决问题和适应性的任务。AI Agent能够将复杂的任务分解成更小、更易于管理的组件，分析相关数据，并实时执行动作。

AI Agent的工作方式类似于人类，它们能够做出明智的决策并适应变化的条件，类似于人类利用批判性思维和逐步地评估来应对挑战。因此，Agentic Workflow使AI系统能够高效且自主地执行任务。

随着AI技术的进步，AI Agent正在从仅仅协助用户（通常被称为“Copilot”）演变为能够独立处理任务的自主系统，承担起更复杂的责任。

这种转变在软件开发、客户服务、数据分析等领域已经显现出来。例如，在客户服务场景， Agentic Workflow可以通过部署一个经过训练的、可以理解和回应客户问题的AI Agent来自动化客户服务过程，而不用手动处理每一个查询。AI Agent可以对客户互动进行情感分析，将复杂的查询引导给人类员工，并通过机器学习模型不断改进。

Multi-Agent Workflow通过利用协同工作的多个Agent进一步扩展了Agentic Workflow，旨在处理更庞大、更复杂的任务，这些任务需要专门的Agent来管理不同的流程组件。

例如在软件开发场景，Multi-Agent Workflow可以显著改善编码过程。第一个Agent可以生成代码，第二个Agent负责检查代码中的错误并提出改进建议，第三个Agent可以运行测试以确保功能可行。多个Agent协作创建、审查和改进代码，确保高质量的输出，这种协作方法减少了人为干预，提高了编码过程的整体效率和准确性，类似于开发团队的合作方式。

02

Agentic Workflow的4种设计模式

在红杉资本2024年人工智能大会上，吴恩达教授介绍了四种正在改变Agentic Workflow的基本设计模式——反馈（Reflection）、工具调用（tool use）、规划（planning）和多智能体协作（Multi-Agent Collaboration）。

这四种模式旨在优化AI Agent的不同方面，从决策制定到协作。随着人工智能技术的不断发展，结合这些模式可以帮助企业优化AI性能，使Agent能够更准确、更高效地处理更复杂的任务。

（1）反馈（Reflection）

反馈使AI Agent能够通过审查和批评自己的工作来提高输出质量。AI Agent并不是生成单一的响应，而是迭代地改进输出，从以前的版本中学习。这个过程模仿了人类的自我评估，其中关键的反馈会带来更好的结果。

例如，当AI编写代码或生成内容时，它可以分析自己的输出是否存在错误或效率低下，并进行调整。这种设计模式提高了准确性，并帮助AI Agent提供更精细的结果。

（2）工具调用（tool use）

工具调用允许AI Agent通过利用外部资源来扩展其能力。无论是使用搜索引擎、运行代码还是分析复杂数据，AI Agent都可以访问各种工具来执行其核心功能之外的许多任务。

这种设计模式极大地增强了AI Agent的多功能性，使它们能够处理具有挑战性和多样性的任务，如实时信息收集或数据分析。

（3）规划（planning）

规划使AI Agent能够执行分解，将要求严格的任务分解为更小、可管理的步骤，就像项目经理一样。

例如，在自动化物流中，AI Agent可以规划任务的顺序，考虑潜在障碍，并根据需要调整方法。这种循序渐进的规划提高了Agent处理多问题的能力，同时保证了效率。

（4）多智能体协作（Multi-Agent Collaboration）

多智能体协作涉及多个AI Agent协同工作以完成复杂的任务。每个Agent都专注于不同的角色，类似于专家团队在项目上的协作方式。例如，一个Agent可能会生成内容，而另一个Agent则会对其质量和准确性进行审查。

这种协作方法通过分配责任和利用每个Agent的优势来提高整体任务结果。多智能体协作对于需要多种技能或并行流程的任务来说特别有效。

03

Agentic Workflow与传统AI的对比

Agentic Workflow与传统AI的对比如下：

（1）自主性

自主性是Agentic Workflow的核心特征之一。与传统的AI 系统不同，Agentic Workflow独立运行。这些系统自主启动和执行操作，特别是使用专门的大模型Agent，使它们比传统AI模型更加自主。

（2）决策制定

Agentic Workflow在推理和决策方面表现出色。他们可以分析背景，评估多种选择，并根据实时条件制定深思熟虑的行动计划，提供比传统AI更高级的战略思维。

（3）适应性

Agentic Workflow的一个突出特征是它们能够适应不断变化或不可预测的环境。与更静态的AI系统相比，Agentic Workflow可以动态调整目标和策略。

（4）NLP能力

Agentic Workflow具有更强的自然语言处理能力，使其能够比传统AI系统更有效地理解复杂指令并执行复杂任务。

（5）流程优化

除了完成任务之外，Agentic Workflow还能够考虑优化。他们将任务分解为子目标，选择最有效的路径，并在任务之间平稳过渡，确保工作流的简化和有效执行。

04

Agentic Workflow的优势

对企业来说，Agentic Workflow具有如下优势，使其成为对许多行业都有吸引力的解决方案：

第一，提高效率。AI Agent可以比人类员工更快地执行重复性任务，使员工能够专注于战略决策；

第二，成本节约。通过Agentic Workflow实现自动化，可以减少对大量人力的需求，从而显著节省人力成本‘；

第三，持续改进。先进的机器学习技术使Agent能够分析数据、识别模式，并随着时间的推移提高判断能力；

第四，更好的决策。AI Agent基于实时数据提供有价值的见解，使企业能够做出更明智的决策；

第五，7*24工作。AI Agent可以连续工作，实现全天候任务执行，提高生产力。

05

Agentic Workflow的局限性

大模型面临着幻觉、偏见、缺乏实时知识接入以及长期记忆和复杂任务执行困难等局限性，AI Agent通过集成网络浏览和代码执行等工具来提供实时数据和更准确的响应，从而改善这些局限性。

尽管Agentic Workflow相比大模型有更多优势，但它们也有自己的一系列挑战：

第一，实施的复杂性。将AI Agent与现有业务系统集成可能很复杂，需要强大的技术基础设施；

第二，数据依赖性。Agentic Workflow在很大程度上依赖于准确、高质量的数据。不完整或有偏见的数据可能会损害AI Agent的有效性；

第三，伦理问题。确保AIgent做出符合伦理的决策，特别是在处理敏感数据或与客户互动时至关重要；

第四，集成挑战。企业旧有系统可能不支持Multi-Agent系统，需要投资新技术和基础设施。