什么是代理式人工智能？
代理式人工智能是自主的人工智能系统，可以独立行动，以实现预定目标。传统软件遵循预定义的规则，传统的人工智能也需要提示和分步指导。但是，代理式人工智能具有主动性，可以在没有持续人工监督的情况下执行复杂的任务。“代理式”表示“代理”：这些系统以目标驱动的方式独立行动的能力。
人工智能代理可以相互通信，也可以与其他软件系统通信，以实现现有业务流程的自动化。但是，除了静态自动化之外，他们还会做出独立的情境决策。他们从环境中学习，适应不断变化的条件，使其能够准确地执行复杂的工作流程。
例如，代理式人工智能系统可以优化员工的轮班时间表。如果员工请病假，则代理可以与其他员工沟通并重新调整时间表，同时仍能满足项目资源和时间要求。
代理式人工智能系统的特征是什么？
以下是代理式人工智能系统的关键功能。
主动性
代理式人工智能会主动采取行动，而非等待直接输入。传统系统是被动系统，仅在触发并遵循预先定义的工作流程时才会进行响应。相比之下，代理式系统可以预测需求，识别新出现的模式，并在潜在问题升级之前主动将其解决。其主动行为是由环境意识和根据长期目标评估结果的能力所驱动的。
例如，在供应链环境中，传统物流平台会在用户签到时或通过定期通知更新交付状态。但是，代理式人工智能系统可以监控库存水平，跟踪天气状况，并预测运输延迟。它可以主动发出警报，甚至改变运输路线，以减少停机时间。
适应性
代理式人工智能的一个关键特征是它能够适应不断变化的环境和特定领域。传统的 SaaS 解决方案专为跨行业扩展和处理重复性任务而构建，但它们通常缺乏深度，无法理解特定领域的特定情况。代理系统通过使用背景感知和领域知识来填补这一空白，使人工智能代理能够做出智能响应。其根据实时输入调整操作，可以处理标准解决方案无法处理的复杂场景。
例如，虽然通用客户服务平台可能会使用预定义的答案进行响应，但支持医疗保健提供者的代理式人工智能系统可以理解医学术语并遵守医疗法规。它可以适应不断变化的患者担忧，并提供更准确、更符合背景变化的支持。
协作性
代理式人工智能旨在与人类和其他代理式人工智能系统协作。人工智能代理是更广泛团队的一员。它们可以理解共同的目标，解读人类的意图，并相应地协调行动。它们在需要人工监督或通过考虑多个来源的输入来做出决策的环境中表现良好。
例如，治疗规划代理可以与多个不同的医疗团队进行协调，为癌症患者制定综合治疗和随访计划。
专业性
代理式人工智能通常构建在多个超专业代理的基础之上，每个代理都专注于一个狭窄的专业领域。这些由人工智能提供支持的代理相互协调，共享洞察，并根据需要移交任务。这种方法可以显著提高特定领域的性能。
例如，在金融服务领域，一个代理可能擅长监管合规，而另一个代理擅长欺诈检测，另一个代理擅长投资组合优化。通过合作，它们可以实时监控交易，标记异常情况，并提出投资调整建议，同时保持监管合规性。
代理式人工智能有哪些使用案例？
代理式人工智能拥有无限的应用领域，可以根据任何要求完全自定义。我们举了一些早期采用的例子。
支持研发
任何领域的研究和开发都需要大量的手动流程，例如检验假设、收集研究信息、收集数据、综合跨数据来源的洞察等。代理式人工智能可以减少人工干预这些手动流程的需要。它简化了研究，更好地协调了正在应对研发挑战的团队。
代理式人工智能还促进了多代理编排，在其中，主管使用多个专业模型来构造复杂的研发管道。例如，代理式人工智能可以借鉴最近在可靠平台上发表的研究，综合结果，规划更深入的测试，并向研究人员提供他们需要调查的最终产品。这种方法节省了大量的研究时间和成本。
代码转换
代理式人工智能可以使用由人工智能提供支持的专业代理来消除现代化和迁移任务的复杂性。例如，.NET 的代理式人工智能模型可以使用机器学习、图神经网络、大语言模型（LLM）和自动推理，以明显更快的速度将基于 Windows 的 .NET 应用程序现代化到 Linux。
同样地，代理式人工智能可以将整体的 z/OS COBOL 应用程序分解为单个组件，从而将该流程的时间范围从几个月缩短到几分钟。代理式人工智能在自动化应用程序迁移和现代化方面提供了无与伦比的速度、规模和性能。
事件响应自动化
无论何时发生事件，无论是由于漏洞还是手动错误，代理式人工智能都可以加快事件响应流程，从而节省业务时间并缩短恢复时间。代理式人工智能可以自动化整个事件响应路径，回滚问题，创建事件报告，并通知任何需要随时了解情况的团队成员。
代理式人工智能提高了事件响应速度，同时还提供了更具体、更深入的事后分析，以防止相同的错误在未来再次发生。
客户服务自动化
在许多客户服务场景中，已在教程或帮助文章中在线提供客户所需的信息。代理式人工智能会处理客户服务查询，并快速搜索可用的公司文档，以找到合适的答案，帮助他们解决问题。如果单凭这一点还不足以解决问题，则代理式人工智能还可以与用户通信，以收集有关其案例的更多信息，并引导他们寻求解决方案。它们采用推理引擎、记忆、认知技能和工具等模块化组件设计，使其能够解决绝大多数问题。
人工智能提供支持的代理可以独立运行，从其环境中学习，适应不断变化的条件，并制定更有效的策略来帮助客户。经过多次尝试后，如果仍无法解决客户的问题，则会联系人工支持代理，并将案例分配给他们处理。在客户服务场景中使用这种形式的人工智能，可以减轻人工团队的负担，并使绝大多数面向客户的服务能够全天候运行。
代理式人工智能有哪些好处？
使用代理式人工智能为企业带来多种好处。
提高效率
代理式人工智能使企业能够通过自动化简化复杂性，从而应对各种挑战性或特殊任务。使用代理式人工智能可以自动化繁琐的流程，而不是依赖人工驱动的手动操作，从而为员工腾出时间。您的员工可以将代理式人工智能所节省出来的额外时间用于更艰巨的任务，例如解决问题、进行战略规划和发掘其他增长驱动力。
提高用户信任度
代理式人工智能在与客户互动时，可以提供更高程度的个性化设置。通过利用现有的客户数据，代理式人工智能可以快速生成量身定制的消息，以客户偏好的语气与客户互动，并提供实用的产品推荐。随着时间的推移，代理式人工智能改进了客户关系，并在客户与您的企业之间建立信任。
企业还可以利用代理式人工智能来分析客户反馈，识别最常出现的信息，并将其提供给产品工程师。它还可以直接回应那些留下反馈的用户，创建积极的反馈循环，让客户感到贵公司在认真对待他们的反馈。
持续改进
代理式人工智能可以不断学习和改进，适应分配给它的任何任务。它可以进行交互，从反馈中学习，并根据这种递归循环优化决策。对于企业而言，这意味着随着时间的推移，它将继续以越来越高的水平提供好处。
人工增强
代理式人工智能可以作为人类代理的绝佳协作工具，提高其生产力，减少他们必须完成的繁重手动任务的数量。通过与代理式人工智能模型合作，人类代理可以应对复杂的挑战，自动化困难的决策路径，并提高其效率。
代理式人工智能系统有哪些类型？
代理式人工智能可以是单代理设置，也可以是多代理设置。在单代理式人工智能系统中，一个人工智能代理会按顺序处理所有任务。当企业需要能够处理定义明确的问题或流程的更快解决方案时，这些方法更可取。
另一方面，多代理式人工智能涉及多个人工智能代理协作，将复杂的工作流程分解为更小的部分。这种方法比单一系统更具可扩展性，并且在应对复杂场景时更为灵活。绝大多数代理式人工智能代理都指的是后一种更加多样化的人工智能部署形式。
以下是多代理系统的几种不同结构。
横向多代理
横向多代理人工智能是一种工作系统，其中每个人工智能代理都具有相同水平的技术熟练度和复杂性。每个代理都擅长一项专门技能，将它们的调查发现汇集在一起，以解决复杂的问题。该结构利用专业人工智能代理之间的横向协作和通信。
纵向多代理
在纵向多代理系统中，存在一种分层结构，在该结构中，与较高级别的人工智能代理相比，较低级别的人工智能代理的任务会“更容易”。该结构的最高级别负责处理需要更多处理能力和 LLM 的任务，例如批判性思维、推理和决策。该结构中的较低级别人工智能代理执行各类任务，例如：收集数据、格式化数据或处理数据以将数据传递到更高级别。
代理式人工智能是如何运作的？
代理式人工智能代理通过使用结构化的路径来运作，而该路径分为四个阶段：感知、推理、行动和学习。该过程的每个阶段都集成了几种先进的人工智能技术和方法。
感知
在感知阶段，人工智能代理从一系列不同的来源收集实时数据，摄取结构化、半结构化和非结构化数据。代理直接与 RESTful API、gRPC 服务和 GraphQL 端点进行交互，以便根据需要从云平台、企业系统和 SaaS 应用程序中摄取数据。
在某些遗留系统或需要与大量文档环境进行交互的系统中，最佳的字符识别技术（OCR）和自然语言处理可以帮助在扫描的文档中进行筛选，以获取相关信息。在感知阶段，代理还会处理数据，根据其任务背景来确定哪些是有用数据。
推理
推理阶段由 LLM 提供支持，这些 LLM 帮助解释模型所拥有目标的背景，制定要遵循的行动计划，并使用通过感知阶段获得的新信息进行实时调整。LLM 采用了各类模型，这些模型利用语义推理、错误处理并根据任何模糊的用户输入进行调整。
除了在此阶段处理想法和制定策略外，一些 LLM 还使用预测性机器学习模型来管理复杂的问题。例如，预测性机器学习模型可以预测需求的激增，从而为未来的使用案例做好更充分的准备。
在此阶段，LLM 使用长期记忆系统来确保情境和背景相关的任务在整个过程中保持一致。
行动
在行动阶段，代理式人工智能采取行动，有效地实现推理阶段设定的目标。由于代理式人工智能可以访问每个这些外部软件系统上管理员安装的插件，因此，它可以直接与这些第三方应用程序交互，并在这些第三方应用程序上运行任务。
行动阶段编排了代理模型随后将按顺序处理的几个子任务，具体操作包括编译代码、与软件和文档进行交互、运行模拟、迁移应用程序，以及在第三方应用程序中执行功能。对于某些代理式人工智能模型，操作由人机回圈系统进行控制，开发人员必须验证模型正在做什么并批准其操作。
模型所采取的行动都受到密切监控和记录，从而允许企业能够与治理保持一致，保护他们对这项技术的使用。
学习
代理式人工智能的学习阶段使这些模型能够不断改进其功能和有效性。该代理利用近端策略优化（PPO）和 Q-learning 等强化学习技术，根据更广泛系统内特定任务的成功程度来完善行动。
人工智能代理向自主代理、LLM 学习，或通过人工反馈学习，所有这些都可以对系统进行微调，以改进其功能。模型可以使用几个指标来跟踪其性能，包括延迟、置信度和成功率。多代理人工智能通常将学习分布在不同的代理上，在公共记忆层中共享信息以增强整个系统的性能。
随着时间的推移，这种强化学习方式可以利用成功的迭代来改进其整体功能并不断提高效率。
代理式人工智能系统面临哪些挑战？
一些挑战与代理式人工智能和建立有效的模型有关。
系统设计
构建多代理架构的过程是一项具有挑战性的任务，该架构可以有效地与其他模型进行协调，具有如何处理某些任务的特定知识，并且可以执行高层次的推理和战略规划。代理式人工智能是前沿技术领域，其依赖于许多具有挑战性的人工智能策略。由于设计有效系统的复杂性，许多公司将难以获得有效版本的代理式人工智能。
测试和调试
代理式人工智能可独立运行，几乎无需人工干预。这种好处还使得测试、调试和确定人工智能模型哪里出现了问题成为一项挑战。开发人员必须在人工智能模型中构建可追溯性和可再现性，特别需要注意跟踪任何错误并确定其原因。
信任度和透明度
即使在先进的人工智能系统中，人工智能幻觉也会影响工作流程，导致在运营该模型的企业中出现重大错误和问题。如果模型生成虚假信息，然后将其传递给其他人工智能代理，则不正确的数据会迅速传播，从而加剧最终输出中的错误。特别是在金融和医疗保健等具有严重现实影响的行业中，企业在广泛使用其产品之前必须对其产品有高度的信任。
AWS 如何为您的代理式人工智能需求提供支持？
AWS 致力于成为最佳场所，以构建和部署世界上最值得信赖和最有用的代理。 无论客户处于代理式人工智能之旅的哪个阶段，AWS 都能满足其需求，并提供其业务中采用代理式人工智能所需的一切。无论您是想快速部署预先构建的代理以提高生产力、尝试使用开源工具，抑或想建立一支综合性自定义代理团队，AWS 皆可提供模型、工具、基础设施和专业知识，以帮助您取得成功。AWS 还提供强大的人工智能基础设施、自定义硅芯片和数据基础，帮助确保代理式人工智能持续工作的时间。
Amazon Bedrock 是一项完全托管服务，提供一系列行业领先的基础模型（FM），以及构建生成式人工智能提供支持的应用程序和代理所需的广泛功能。Bedrock 提供领先的基础模型以及各种工具，这些工具可使用数据私人自定义模型和应用程序、应用安全护栏、优化成本和延迟，以及快速迭代。
Bedrock 还包括 AgentCore，这是可以使用任何框架和模型大规模安全地部署和运行代理的一组服务。使用 Amazon Bedrock AgentCore，开发人员能够将人工智能代理快速推向生产阶段，同时具备规模性、可靠性和安全性，这些特性对于实际部署至关重要。AgentCore 提供各种工具和功能，旨在使代理发挥更出色的作用并具备更强的能力，提供专为安全扩展代理而设计的基础设施，并提供控制机制以确保代理运行可靠。
Strands Agents 是 Amazon 提供的开源 Python SDK，仅需几行代码即可构建代理。其使用简单，通过利用最先进模型的功能来规划、链接思想、调用工具和反映，而无需复杂的代理编排。
此外，AWS 针对随时可部署的代理提供进一步的自定义机会，以满足业务和使用案例的特定需求。AWS Transform 是首款用于转换 .NET、大型机和 VMware 工作负载的代理式人工智能服务。这项服务是基于 19 年来积累的丰富迁移经验而构建的，它部署了专用的人工智能代理来自动执行复杂的任务，例如评估、代码分析、重构、分解、依赖关系映射、验证和转换规划。 Kiro 是一款人工智能 IDE，通过规范驱动的开发帮助开发人员实现从概念到生产的过程。 Kiro 的代理可以帮助您解决具有挑战性的问题，并自动执行生成文档和单元测试等任务。 Amazon Q Business 有助于查找信息、获得洞察，以及在工作中采取行动，而 Amazon Q 开发者版则可帮助加快软件开发及利用公司的内部数据。此外，AWS Marketplace 还提供了 AWS 合作伙伴精心策划的预先构建代理、工具和解决方案的集中目录，以快速跟踪代理式人工智能工作
立即创建免费账户，开始使用 AWS 上的代理式人工智能。