什么是人工智能代理？

人工智能（AI）代理是一种软件程序，它可以与环境互动，收集数据，并利用数据执行自导向任务，以实现预定目标。人类设定目标，但人工智能代理会独立选择实现这些目标需执行的最佳行动。例如，联络中心的人工智能代理需要解决客户的疑问。该代理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。

多个人工智能代理可以协作来实现复杂工作流程的自动化，也可以用于代理式人工智能系统。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。单独的人工智能代理可以专门用于精确地执行特定的子任务。编排工具代理负责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）

所有软件均可自主执行软件开发人员规定的各种例行任务。那么，人工智能代理究竟哪里与众不同呢？

自主

人工智能代理可以自主行动，无需持续的人为干预。传统软件遵循硬编码的指令，而人工智能代理会根据过去的数据确定下一个适当的操作，并在没有持续人类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补充缺失的采购发票数据。

以目标为导向的行为

人工智能代理由目标驱动。其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，智能代理会追求目标并评估其行为对这些目标的影响。

例如，人工智能物流系统会优化配送路线，以同时平衡速度、成本和油耗，从而平衡多个目标。

感知

人工智能代理通过传感器或数字输入收集数据，与其环境进行交互。其可通过 APIS 从外部系统和工具收集数据。这些数据使其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

人工智能代理是具有推理能力的理性实体。其将来自环境的数据与领域知识及过去的背景相结合，做出明智的决策，实现最佳性能和结果。

例如，机器人代理会收集传感器数据，聊天机器人会将客户的询问作为输入。人工智能代理采用这些数据做出可靠的决定。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。人工智能代理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。它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表现出沮丧情绪的用户，在其提交支持工单之前提供帮助。自主仓库机器人可能会预判即将到来的高流量作业并提前调整自身位置。

持续学习

人工智能代理通过从过往的互动中学习，随着时间的推移不断进步。它们会识别模式、反馈和结果，以完善自己的行为和决策。这正是它们与静态程序的区别，静态程序无论新输入如何变化都始终表现如一。

例如，预测性维护代理会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

人工智能代理会调整其策略以应对新情况。这种灵活性使其能够处理不确定性、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博弈发现新战术，即使没有先前的人类战术也能应对。

协作

人工智能代理可以与其他代理或人类代理合作以实现共同目标。它们能够沟通、协调与合作，共同执行任务。其协作行为通常包括谈判、共享信息、分配任务以及根据他人的行为进行调整。

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

人工智能代理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代理时，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

企业可以利用智能代理最大限度地降低因流程效率低下、人为错误和手动流程而产生的不必要成本。他们可以放心地处理复杂的任务，因为自主代理遵循一致的模式，能够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

先进的智能代理具有预测能力，可以收集和处理大量实时数据。这使企业管理者在制定下一步行动时，能够快速做出更明智的预测。例如，在开展广告活动时，可以使用人工智能代理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。集成人工智能代理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。人工智能代理能够为复杂的客户问题提供详细的答复，并更高效地解决各类挑战。

人工智能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模型或大语言模型（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，并对复杂指令进行推理。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（例如记忆或工具）的操作、决策或查询。默认情况下，它会跨会话保留一些记忆，并可以与外部系统耦合以模拟连续性和情境感知。

规划模块

规划模块使代理能够将目标细分为更小、易于管理的步骤，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最有效的方法。它可以作为提示驱动的任务分解来实现，也可以采用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。

记忆模块

记忆模块允许代理跨交互、会话或任务保留信息。这既包括聊天记录或最近的传感器输入等短期记忆，也包括客户数据、先前的操作或积累的知识等长期记忆。记忆增强了代理的个性化、连贯性和情境感知。在构建人工智能代理时，开发人员使用向量数据库或知识图谱来存储和检索具有语义意义的内容。

工具集成

人工智能代理通常通过连接到外部软件、API 或设备来扩展其功能。这使它们能够超越自然语言的范畴，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，这些模块负责格式化工具调用并解释其输出。

学习与反思

反思能够以多种形式发生：

• 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？）。
• 人类用户或自动化系统会提供更正。
• 该代理会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。代理与环境交互，以奖励或处罚的形式接收反馈，并学习一种将状态映射到动作的策略，以获得最大的累积奖励。RL 在机器人、游戏或金融交易等显式训练数据稀缺的环境中特别有用。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，随着时间的推移不断改进其策略。

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

确定目标

人工智能代理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，该代理将目标分解成若干个可执行的小任务。为了实现目标，代理会根据特定的指令或条件执行这些任务。

获取信息

人工智能代理需要信息才能成功执行其计划的任务。例如，代理必须提取对话日志来分析客户情绪。因此，人工智能代理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，智能代理可以与其他代理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，人工智能代理就会有条不紊地执行手头的任务。完成一项任务后，代理就会将其从列表中删除，然后继续执行下一项任务。在完成任务的间隙，代理会通过寻求外部反馈和检查自身日志来评估是否达到了指定目标。在此过程中，代理可能会创建并执行其他任务，以达到最终结果。 

组织创建和部署各种类型和任务的人工智能代理。下面是一些示例。

简单的反射型代理

简单的反射型代理严格根据预定义的规则及其即时数据运行。它无法响应超出给定事件、条件和操作规则的情况。因此，此类代理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代理，通过检测用户对话中的特定关键词来重置密码。

基于模型的反射型代理

基于模型的代理与简单的反射型代理类似，不同之处在于其具有更先进的决策机制。基于模型的代理不是简单地遵循特定规则，而是在做出决定前评估可能的结果和影响。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。

基于目标的代理

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，该代理还会比较不同的方法，以帮助自己实现预期结果。基于目标的代理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。

基于效用的代理

基于效用的代理使用复杂的推理算法，助力用户最大限度地实现他们所期望的结果。该代理会比较不同的情景及其相应的效用值或优势。然后，它会选择一个能为用户提供最多奖励的情景。例如，客户可以使用基于效用的代理来搜索旅行时间最短的机票，不考虑价格。

学习代理

学习代理通过不断从过往经验中学习来提升其性能。该代理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，它还利用问题生成器设计新任务，以使用收集的数据和过去的结果进行自我训练。

分层代理

分层代理是一组按层次结构组织的智能代理。上层代理将复杂的任务分解成较小的任务，并分配给下层代理。每个代理独立运行，并向其监督代理提交进度报告。上层代理收集结果并协调下层代理，以确保它们共同实现目标。

多代理系统

多代理系统（MAS）由彼此交互的多个代理组成，旨在解决问题或实现共同目标。这些代理可以是同构的（设计相似），也可以是异构的（结构或功能不同），并可根据具体情境进行协作、协调甚至竞争。MAS 在集中控制难以实现的复杂分布式环境中表现尤为出色。

例如，在自动驾驶车队中，每辆车都作为独立的代理，但会与其他车辆协作，以规避交通拥堵并防止发生碰撞，从而使交通流更加顺畅。

人工智能代理是一种有用的软件技术，可自动执行业务工作流程，以实现更好的结果。尽管如此，组织在为业务应用场景部署自主人工智能代理时，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代理需要获取、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。实施人工审核等保障措施，可帮助确保客户从所部署的代理那里得到有用而公正的回应。

技术复杂性

实现先进的人工智能代理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代理进行训练。

有限的计算资源

训练和部署深度学习人工智能代理需要大量计算资源。当组织在本地部署这些代理时，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 Claude、Llama 2 和 Amazon Titan 等生成式人工智能模型，以及构建生成式人工智能应用程序所需的各种功能。

Amazon Bedrock 代理使用 FM、API 和数据的推理，以分解用户请求、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。Amazon Bedrock 支持：

• 记忆保留，以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
• Amazon Bedrock 护栏，实现内置的安全性和可靠性。

AWS 推出了一个开源工具包，其中包含越来越多的入门代理目录，专为医疗保健和生命科学应用场景而构建。

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 Business 是一款基于生成式人工智能的助手，旨在帮助您在工作中查找信息、获得洞察和采取行动。它将人工智能代理创造的权力交到每一位员工手中。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 上使用人工智能代理。