什么是人工智能座席？

人工智能 (AI) 代理是一种软件程序，它可以与其环境进行交互，收集数据，并使用这些数据来执行满足预定目标的自主任务。人类设定目标，但人工智能座席会独立选择实现这些目标所需的最佳行动。例如，假设想要解决客户查询的联络中心 AI 代理。该座席会自动向客户提出不同的问题，查找内部文件中的信息，并给出解决方案。根据客户的回复，它可以决定是自己解决查询，还是将查询转给人工处理。

多个 AI 代理可以协作实现复杂工作流程的自动化，也可以用于代理人工智能系统。它们相互交换数据，从而使整个系统能够协同工作以实现共同的目标。单个 AI 代理可以专门用于准确地执行特定的子任务。协调员代理协调不同专业代理的活动，以完成更大、更复杂的任务。

详细了解什么是人工智能 (AI)

所有软件都自主执行软件开发人员指定的各种例行任务。那么，是什么让 AI 代理与众不同呢？

自治

AI 代理可以自主行动，无需持续的人为干预。虽然传统软件遵循硬编码的指令，但人工智能代理会根据过去的数据确定下一个适当的操作，并在没有持续的人为监督的情况下执行该操作。

例如，簿记代理会自动标记并请求缺失的采购发票数据。

以目标为导向的行为

AI 代理由目标驱动。他们的行动旨在根据效用函数或绩效指标的定义最大限度地提高成功率。与仅完成任务的传统程序不同，智能代理追求目标并评估其行为对这些目标的影响。

例如，人工智能物流系统优化交付路线，以同时平衡速度、成本和油耗，从而平衡多个目标。

感知

AI 代理通过传感器或数字输入收集数据，与其环境进行交互。他们可以通过APIS从外部系统和工具收集数据。这些数据使他们能够感知周围的世界，识别变化并相应地更新其内部状态。

例如，网络安全代理从第三方数据库收集数据，以随时了解最新的安全事件。

理性

AI 代理是具有推理能力的理性实体。他们将来自环境的数据与领域知识和过去的背景相结合，以做出明智的决策，实现最佳性能和结果。

例如，机器人代理收集传感器数据，聊天机器人使用客户查询作为输入。AI 代理应用数据做出明智的决定。它通过分析收集到的数据来预测支持预定目标的最佳结果。人工智能座席还利用这些结果制定下一步应采取的行动。例如，自动驾驶汽车会根据来自多个传感器的数据绕过道路上的障碍物。

主动性

人工智能代理可以根据未来状态的预测和模型采取主动行动。他们不是简单地对输入做出反应，而是预测事件并做出相应的准备。

例如，基于人工智能的客户服务代理可能会联系行为表明沮丧的用户，在提交支持票之前提供帮助。自主仓库机器人可能会重新定位，以应对即将到来的高流量运营。

持续学习

通过从过去的互动中学习，AI 代理会随着时间的推移而改进。他们识别模式、反馈和结果，以完善自己的行为和决策。这使它们与静态程序区分开来，静态程序无论新输入如何都始终以相同的方式运行。

例如，预测性维护代理从过去的设备故障中吸取教训，以更好地预测未来的问题。

适应性

人工智能代理调整策略以应对新情况。这种灵活性使他们能够处理不确定性、新情况和不完整的信息。

例如，股票交易机器人在市场崩盘期间会调整其策略，而像AlphaZero这样的游戏代理则通过自我游戏发现新策略，即使没有先前的人为策略。

协作

AI 代理可以与其他代理或人工代理合作以实现共同目标。他们能够沟通、协调和合作，共同执行任务。他们的协作行为通常包括谈判、共享信息、分配任务和适应他人的行为。

例如，医疗保健中的多代理系统可以让代理专门负责诊断、预防护理、药物调度等特定任务，从而实现全面的患者护理自动化。

人工智能座席可以改善您的业务运营和客户体验。

提高了生产力

当业务团队将重复性任务委托给人工智能座席时，他们就可以提高自己的工作效率。这样，他们可以将注意力转移到关键任务或创造性活动上，从而为组织增加更多价值。

降低成本

企业可以使用智能代理来最大限度地减少因流程效率低下、人为错误和手动流程而导致的不必要成本。他们可以自信地处理复杂的任务，因为自主代理遵循一致的模型，可以适应不断变化的环境。代理技术自动化业务流程可以显著节省成本。

知情地做出决定

高级智能代理具有预测能力，可以收集和处理大量实时数据。这使业务经理能够在制定下一步行动时快速做出更明智的预测。例如，在开展广告活动时，可以使用人工智能座席来分析不同细分市场的产品需求。

改善客户体验

客户在与企业的互动中，寻求的是有吸引力的个性化体验。集成人工智能座席可让企业实现个性化产品推荐，提供及时响应，进行创新，从而提高客户参与度、转化率和忠诚度。AI 代理可以为复杂的客户问题提供详细答复，并更有效地解决挑战。

AI 代理架构包含以下关键组件。

基础模型

任何人工智能代理的核心都是基础或大型语言模型 (LLM)，例如GPT或Claude。它使代理能够解释自然语言输入，生成类似人类的响应，并根据复杂的指令进行推理。LLM 充当代理的推理引擎，处理提示并将其转换为对其他组件（例如内存或工具）的操作、决策或查询。默认情况下，它会在会话之间保留一些内存，并且可以与外部系统耦合以模拟连续性和上下文感知。

规划模块

规划模块使代理能够将目标分解为更小的、可管理的步骤，并按逻辑顺序排列。该模块使用符号推理、决策树或算法策略来确定实现预期结果的最有效方法。它可以作为提示驱动的任务分解或更正式的方法来实现，例如分层任务网络 (HTN) 或经典的规划算法。考虑到任务之间的依赖关系和偶然性，规划允许代理在更长的时间范围内运行。

存储器模块

内存模块允许代理在交互、会话或任务中保留信息。这既包括短期记忆，例如聊天记录或最近的传感器输入，也包括长期记忆，包括客户数据、先前的操作或积累的知识。记忆增强了代理人的个性化、连贯性和情境感知。在构建 AI 代理时，开发人员使用矢量数据库或知识图来存储和检索具有语义意义的内容。

工具集成

AI 代理通常通过连接到外部软件、API 或设备来扩展其功能。这使他们能够超越自然语言行事，执行现实世界的任务，例如检索数据、发送电子邮件、运行代码、查询数据库或控制硬件。代理确定任务何时需要工具，然后相应地委派操作。工具的使用通常由 LLM 通过规划和解析模块进行指导，这些模块格式化工具调用并解释其输出。

学习和反思

反射可以以多种形式发生：

• 代理评估其自身输出的质量（例如，它是否正确地解决了问题？）。
• 人工用户或自动化系统提供更正。
• 该代理选择不确定或内容丰富的示例来改善其学习。

强化学习 (RL) 是一种关键的学习范例。代理与环境互动，以奖励或处罚的形式接收反馈，并学习一项政策，将各州与行动对应以最大累积奖励为目标。RL 在显式训练数据稀疏的环境中特别有用，例如机器人、游戏或金融交易。该代理在探索（尝试新行动）和开发（使用已知的最佳行动）之间取得平衡，以随着时间的推移改进其策略。

人工智能座席的工作原理是将复杂的任务简单化和自动化。大多数自主座席在执行指定的任务时，都会遵循特定的工作流程。

确定目标

人工智能座席从用户那里接收特定的指令或目标。它利用目标来规划任务，使最终结果与用户相关并对用户有用。然后，代理将目标分解为几个较小的、可操作的任务。为了实现目标，人工智能座席会根据特定的指令或条件执行这些任务。

获取信息

AI 代理需要信息才能成功执行他们计划的任务。例如，座席必须提取对话日志来分析客户情绪。因此，人工智能座席可能会访问互联网来搜索和检索所需的信息。在某些应用场景中，智能座席可以与其他座席或机器学习模型交互，以获取或交换信息。

执行任务

有了充足的数据，人工智能座席就会有条不紊地执行手头的任务。完成一项任务后，座席就会将其从列表中删除，然后继续执行下一项任务。在任务完成之间，代理通过寻求外部反馈和检查自己的日志来评估其是否实现了指定目标。在此过程中，代理可以创建并执行其他任务以实现最终结果。 

组织创建和部署各种类型和任务的 AI 代理。下面是一些示例。

简单的反射型座席

简单的反射型座席严格根据预定义的规则及其即时数据运行。它不会对超出给定事件、条件和操作规则的情况做出响应。因此，此类座席适用于不需要大量训练的简单任务。例如，您可以使用简单的反射型座席，通过检测用户对话中的特定关键词来重置密码。

基于模型的反射型座席

基于模型的代理与简单的反射剂类似，不同之处在于它具有更先进的决策机制。基于模型的代理在做出决策之前不仅仅遵循特定规则，还要评估可能的结果和后果。通过使用辅助数据，它可以为其感知的世界构建内部模型，并以此来支持自己的决策。

基于目标的座席

基于目标的代理，也称为基于规则的代理，是具有更强大推理能力的人工智能代理。除了评估环境数据外，该座席还会比较不同的方法，以帮助自己实现预期结果。基于目标的座席始终会选择最有效的路径。它们适用于执行复杂的任务，例如自然语言处理（NLP）和机器人应用程序。

基于效用的座席

基于实用程序的代理使用复杂的推理算法来帮助用户最大化他们想要的结果。该座席会比较不同的情景及其相应的效用值或利益。然后，它选择一个能为用户提供最多奖励的产品。例如，无论价格如何，客户都可以使用基于公用事业的代理来搜索旅行时间最短的机票。

学习座席

学习代理不断从过去的经验中学习，以提高其绩效。该座席使用感官输入和反馈机制，会随着时间的推移调整其学习要素，以满足特定的标准。此外，它利用问题生成器来设计新的任务，使用收集的数据和过去的结果进行自我训练。

分层座席

分层座席是一组按层次结构组织的智能座席。较高级别的代理将复杂的任务分解为较小的任务，然后将其分配给较低级别的代理。每个座席独立运行，并向其监督座席提交进度报告。上层座席收集结果并协调下层座席，以确保它们共同实现目标。

多代理系统

多代理系统 (MAS) 由多个代理组成，这些代理相互交互以解决问题或实现共同目标。这些代理可以是同质的（设计相似），也可以是异构的（结构或功能不同），并且可以根据环境进行协作、协调甚至竞争。MAS 在复杂的分布式环境中特别有效，在这些环境中，集中控制不切实际。

例如，在自动驾驶车队中，每辆车充当独立的代理，但会与其他车辆合作，以避免交通拥堵和防止碰撞，从而使交通流更加顺畅。

AI 代理是有用的软件技术，可以自动化业务工作流程以取得更好的结果。尽管如此，组织在为业务应用场景部署自主人工智能座席时，应解决以下问题。

数据隐私问题

开发和运行先进的人工智能座席需要获取、存储和移动海量数据。组织应了解数据隐私要求，并采取必要措施改善其数据安全状况。

道德挑战

在某些情况下，人工智能模型可能会产生有偏见或不准确的结果。应用人工审查等保障措施有助于确保客户从部署的代理那里得到有用和公平的回应。

技术复杂性

实现先进的人工智能座席需要专门的经验和机器学习技术知识。开发人员必须能够将机器学习库与软件应用程序集成，并利用企业特定数据对座席进行训练。

有限的计算资源

训练和部署深度学习 AI 代理需要大量的计算资源。当组织在本地部署这些座席时，必须投资和维护不易扩展的昂贵基础设施。

Amazon Bedrock 是一项完全托管的服务，可轻松访问行业领先的生成式 AI 模型，例如 Claude、Llama 2 和 Amazon Titan，以及构建生成式 AI 应用程序所需的各种功能。

Amazon Bedrock Agent s 使用 FM、API 和数据的推理来分解用户请求、收集相关信息并高效地完成任务。构建代理简单快捷，只需几步即可完成设置。亚马逊 Bedrock 支持：

• 内存保留可实现无缝的任务连续性
• 多代理协作，在主管代理的协调下建立多个专业代理
• 亚马逊基岩护栏具有内置的安全性和可靠性。

AWS 推出了一个开源工具包，其中的入门代理目录越来越多，专为医疗保健和生命科学用例而构建。

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。它可以帮助各个组织同时对数百个应用程序进行现代化改造，并保持高质量和控制力。

Amazon Q Busines s 是一款基于人工智能的生成式助手，旨在帮助您在工作中查找信息、获得见解和采取行动。它将 AI 代理创建的力量掌握在每位员工手中。任何人都可以用它来创建轻量级代理式人工智能应用程序，这些应用程序可以与常见的企业软件进行交互，并自动执行重复性任务。

立即创建免费账户，开始在 AWS 上使用 AI 代理。