什麼是 AI 代理程式？

人工智慧 (AI) 代理程式是一種軟體程式，可以與其環境互動、收集資料，並使用資料執行自我引導的任務，以達到預定的目標。真人設定目標，但 AI 代理程式會獨立選擇為實現這些目標必須執行的最佳動作。例如，思考一下想要解決客戶查詢的聯絡中心 AI 代理程式。代理程式會自動向客戶提出不同的問題，查尋內部文件中的資訊，並回應解決方法。它會根據客戶回應，判定是否可以自行解決查詢，還是將查詢傳遞給真人。

多個 AI 代理程式可以協同運作，以實現複雜工作流程自動化，也可以用於代理式 AI 系統。它們會彼此交換資料，讓整個系統一起運作，從而達成共同目標。個別 AI 代理程式經過精心設計，能夠精準地執行具體的子任務。協調員代理程式負責協調活動中各個不同專業領域的代理程式，以便能共同完成完成更大、更複雜的任務。

進一步了解什麼是人工智慧 (AI)

所有軟體皆會自主完成軟體開發人員指定的各種例行任務。那麼，AI 代理程式有何特別之處？

自主

AI 代理程式能夠自主行動，無需持續的人工介入。傳統軟體遵循硬式編碼指令，而 AI 代理程式則根據過去的資料確定下一個適當的操作，並在無持續人工介入的情況下繼續執行相應動作。

例如，簿記代理程式會自動標記並要求缺少的採購發票資料。

目標導向行為

AI 代理程式受目標驅動。他們的動作旨在最大限度地實現效用函數或效能指標所界定的成功。與僅完成任務的傳統程式不同，智慧型代理程式有目標追求，並且會評估其動作與這些目標之間的因果關係。

例如，AI 物流系統能夠佳化配送路線，同時兼顧速度、成本和油耗等因素，從而實現多個目標的平衡。

感知

AI 代理程式透過感應器或數位輸入收集資料，進而與環境進行互動。他們可以透過 API 從外部系統和工具收集資料。利用這些資料，他們能夠感知周圍的世界，識別變化並相應地更新自身的內部狀態。

例如，網路安全代理程式會從第三方資料庫收集資料，以隨時掌握最新的安全事件。

理性

AI 代理程式是具有推理能力的理性實體。他們將來自環境的資料與領域知識及過去的經驗相結合，以做出明智的決策，從而實現最佳效能和結果。

例如，機器人代理程式會收集感應器資料，聊天機器人會使用客戶查詢作為輸入內容。然後，AI 代理程式會套用資料來做出明智的決定。它會分析收集的資料，以預測支持預定目標的最佳結果。代理程式也會使用結果來制定下一個應採取的動作。例如，自動駕駛汽車的導航會根據來自多個感應器的資料繞開路上的障礙物。

主動性

AI 代理程式可以根據對未來狀態的預測和模型採取主動行動。他們不僅僅是對輸入做出反應，而是會預測事件並做好相應的準備。

例如，AI 代理程式可能會主動聯絡行為表現出沮喪情緒的客戶，先行為其提供幫助，而不會等到客戶提交支援工單尋求幫助後才採取行動。自主倉儲機器人可能會根據即將到來的高流量作業情況重新調整自身位置。

持續學習

AI 代理程式會從過去的互動中吸取經驗，從而不斷改進。他們會識別模式、回饋和結果，然後據此改善自己的行為和決策。靜態程式則是無論接收到何種輸入，都始終保持一貫做法。因此我們可以完全將兩者區分開來。

例如，預測性維護代理程式會從過去的設備故障中學習，以便更好地預測未來的問題。

適應性

AI 代理程式會根據新情況調整策略。鑒於這種靈活性，即時面對不確定性、新情況以及資訊不完整，他們也能從容應對。

例如，股票交易機器人會在市場崩盤期間調整其策略，而像 AlphaZero 這樣的遊戲操盤代理程式，即使事先並無人類策略參考，也能透過自我博弈不斷發現新的策略。

協作

AI 代理程式可以與其他代理程式或人類代理合作，以實現共同目標。他們能夠溝通、協調與合作，然後共同完成任務。他們的合作行為通常涉及協商談判、資訊共享、任務分配以及適應他人的行為。

例如，醫療保健領域的多代理系統可以擁有專門負責特定任務的代理程式，例如診斷、預防照護、藥物安排等，以實現整體患者護理自動化。

AI 代理程式可以改善您的業務維運與客戶體驗。

提高生產效率

當業務團隊將重複性任務委派給 AI 代理程式時，能提高生產力。這樣，他們可以將注意力轉移到關鍵任務或創意活動上，為組織增加更多價值。

降低成本

企業可以利用智慧型代理程式來最大限度地降低因過程效率低、人為錯誤和手動處理而產生的不必要成本。他們可以有信心執行複雜的任務，因為自主代理程式會遵循一致的模型來適應不斷變化的環境。自動化業務程序的代理程式技術可以顯著節省成本。

做出明智的決策

進階智慧型代理程式具有預測能力，可以收集和處理大量的即時資料。這使業務經理在制定下一步策略時，能夠更快速地做出更明智的預測。例如，在執行廣告行銷活動時，您可以使用 AI 代理程式來分析不同市場區隔的產品需求。

改善客戶體驗

客戶在與企業互動時，會尋求吸引人且個人化的體驗。整合式 AI 代理程式可讓企業個人化產品推薦、提供快速回應及進行創新，以提高客戶參與度、轉化率和忠誠度。AI 代理程式可以針對複雜的客戶問題提供詳細的回應，並更有效率地解決難題挑戰。

AI 代理程式架構包含下列關鍵元件。

基礎模型

任何 AI 代理程式的核心都是基礎模型或大型語言模型 (LLM)，例如 GPT 或 Claude。有了這些模型，代理程式就能夠解釋自然語言輸入、產生類似人類的回應，以及推理複雜的指令。LLM 可充當代理程式的推理引擎，處理提示，並將其轉換為對其他元件 (例如記憶體或工具) 的動作、決策或查詢。依預設，它會在工作階段中保留一些記憶，並且可以與外部系統耦合，以模擬連續性和內容感知。

規劃模組

規劃模組可讓代理程式將目標分成更小且更易於管的步驟，並以邏輯方式對其進行排序。此模組採用了符號推理、決策樹或演算法策略，來確定實現所需的成果的最有效方法。它可以提示驅動的任務分解的方式來實作，也可以更正式化的方法 (例如，階層式任務網路 (HTN) 或經典規劃演算法) 來實作。規劃能夠讓代理程式在更長的時間範圍內執行，並且還會考慮任務之間的相依性和突然情況。

記憶體模組

記憶體模組讓代理程式能夠保留各種互動、工作階段和任務的資訊。其中包括短期記憶 (例如聊天記錄或近期感應器輸入)，以及長期記憶 (例如客戶資料、先前的動作或累積的知識)。記憶體可增強代理程式的個人化、連貫性和內容感知能力。建置 AI 代理程式時，開發人員會使用向量資料庫或知識圖形來儲存和擷取語義上有意義的內容。

工具整合

AI 代理程式通常透過連接到外部軟體、API 或裝置來擴展其功能。這樣一來，他們就能夠超越自然語言的限制，執行現實世界的任務，例如擷取資料、傳送電子郵件、執行程式碼、查詢資料庫或是控制硬體。代理程式會辨識何時需要工具來完成任務，然後再相應地委派操作。通常，LLM 會透過規劃和剖析模組來引導工具的使用，而這些模組可用於格式化工具呼叫並解譯其輸出。

學習與反思

反思的形式多種多樣：

• 代理程式評估自己輸出的品質 (例如，是否已正確解決問題？)。
• 人類使用者或自動化系統進行糾錯修正。
• 代理程式選取不確定或資訊豐富的範例來改善自己的學習效果。

強化學習是一個重要的學習範式。代理程式與環境進行互動，以獎勵或懲罰的形式接收回饋，並從中學會了一項政策，即狀態會與動作產生對應關聯，了解怎樣才能獲得最大累積獎勵。RL 在缺乏明確訓練資料的環境中尤為有用，例如機器人、遊戲或金融交易。代理程式透過平衡探索 (嘗試新動作) 和運用 (使用已知的最佳動作) 來不斷改進策略。

AI 代理程式透過簡化和自動化複雜的任務來運作。大多數自主代理程式在執行指派的任務時，會遵循特定的工作流程。

確定目標

AI 代理程式會收到來自使用者的特定指示或目標。它會使用目標來規劃任務，使最終結果對使用者而言相關且有用。接著，代理程式會將目標分成數個較小的可操作任務。為了實現目標，代理程式會根據特定的指示或條件執行這些任務。

獲取資訊

AI 代理程式需要一些資訊才能成功執行其所規劃的任務。例如，代理程式必須擷取對話日誌，以分析客戶情緒。因此，AI 代理程式可能會存取網際網路以搜尋及擷取其所需的資訊。在某些應用程式中，智慧型代理程式可以與其他代理程式或機器學習模型進行互動，以存取或交換資訊。

執行任務

有了足夠的資料，AI 代理程式便能系統性地執行手中的任務。完成任務後，代理程式便會將該任務從清單中移除，然後繼續執行下一個任務。在完成任務之間，代理程式會尋求外部意見回饋及檢查自己的日誌，來評估是否已達成指定的目標。在此程序期間，代理程式可建立並執行額外的任務，以達成最終結果。 

組織會針對不同的類型和任務建立和部署 AI 代理程式。我們於下方分享一些範例。

簡易反射代理程式

簡易反射代理程式嚴格根據預先定義的規則和其立即資料進行作業，不會回應指定事件、條件和動作規則以外的情況。因此，這些代理程式適合不需要大量訓練的簡單任務。例如，您可以使用簡易反射代理程式來偵測使用者對話中特定的關鍵字來重設密碼。

模型式反射代理程式

模型式代理程式類似簡易反射代理程式，但前者具有更先進的決策機制。模型式代理程式在決策之前會評估可能的結果與後果，而不會僅遵循特定規則。它使用支持資料建立其所感知世界的內部模型，並使用該模型來支持其決策。

目標式代理程式

以目標為基礎的代理程式，也稱為基於規則的代理程式，是具有更強大的推理能力的 AI 代理程式。除了評估環境資料外，該代理程式還會比較不同的方法來協助達成所需的結果。目標式代理程式一律選擇最有效率的途徑。其適用於執行複雜的任務，例如自然語言處理 (NLP) 和機器人應用。

公用事業式代理程式

公用事業式代理程式運用複雜的推理演算法來協助使用者最大化他們想要的結果。該代理程式會比較不同的案例及其各自的公用事業值或優點。然後，為使用者選擇能提供最多獎勵的一個。例如，代理程式可以使用公用事業式代理程式搜尋旅程時間最短的機票，而無論價格如何。

學習式代理程式

學習式代理程式會不斷從過去的經驗中學習，以增強其結果。代理程式會使用感官輸入和反饋機制，隨著時間的推移調整其學習元素以符合特定標準。此外，其使用問題生成器來設計新任務，然後再運用收集的資料和過去的結果中自我訓練。

階層式代理程式

階層式代理程式是一組有組織的智慧型代理程式，依層級排列。高層級代理程式會將複雜的任務解構成較小的任務，並指派給較低層級的代理程式。每個代理程式會獨立運作，並將進度報告提交給其監督代理程式。較高層級的代理程式會收集結果並協調下屬代理程式，以確保他們會共同實現目標。

多代理系統

多代理系統 (MAS) 由多個代理程式組成，這些代理程式可以彼此互動以解決問題或實現共用目標。這些代理程式可以是同質的 (設計上類似)，也可以是異質的 (在結構或功能上有所不同)，並且可以根據前後關聯進行協作、協調甚至競爭。MAS 在複雜的分散式環境中尤其有效，因為集中控制在這些環境中並不切實際。

例如，在自動駕駛車隊中，每輛車都作為一個獨立的代理程式，為交通擁堵和防止碰撞，要與其他車輛協作，從而實現更順暢的交通流。

AI 代理程式是實用的軟體技術，可自動化業務工作流程，進而實現更好的結果。話雖如此，組織在部署自主 AI 代理程式時，應針對業務使用案例解決以下疑慮。

資料隱私疑慮

開發和操作先進的 AI 代理程式時，需要取得、儲存和移動大量資料。組織應注意資料隱私需求，並採取必要的措施來改善其資料安全狀態。

道德挑戰

在某些情況下，AI 模型可能會產生有偏見或不準確的結果。採用如人工審查等保護措施，以協助確保客戶可從部署的代理程式處得到有用且公平的回應。

技術複雜性

實作先進的 AI 代理程式需具備機器學習技術的專業經驗和知識。開發人員必須能夠將機器學習程式庫與軟體應用程式整合，並使用企業特有的資料訓練代理程式。

有限的運算資源

訓練和部署深度學習 AI 代理程式需要大量的運算資源。組織在內部部署實作這些代理程式時，必須投資及維護不易擴充的昂貴基礎結構。

Amazon Bedrock 是一項全受管服務，可供輕鬆存取業界領先的生成式 AI 模型 (例如 Claude、Llama 2 和 Amazon Titan)，以及建置生成式 AI 所需的各種功能。

Amazon Bedrock 代理程式使用 FM、API 和資料的推理來解析使用者請求、收集相關資訊，並且高效地完成任務。建置代理程式簡單而快速，且僅需幾個步驟即可完成設定。Amazon Bedrock 支援：

• 記憶保留功能，確保任務執行的連貫性
• 多代理協同作業，可在主管代理程式的協調下，建置多個專屬的代理程式
• Amazon Bedrock 防護機制，提供內建的安全性與可靠性保障。

AWS 推出了開放原始碼工具組，其中專為醫療保健與生命科學領域使用案例定制的入門代理程式目錄不斷擴充。

AWS Transform 是用於轉換 .NET、大型電腦和 VMware 工作負載的代理式 AI 服務。該服務以 19 年的移轉經驗為基礎建置，部署專門的 AI 代理程式來自動執行評估、程式碼分析、重構、分解、相依性映射、驗證和轉換規劃等複雜任務。它可協助組織同時現代化數百個應用程式，並保持品質和控制性。

Amazon Q Business 是一款生成式 AI 驅動助理工具，旨在協助使用者於工作中查找資訊、獲取見解並採取行動。它將建立 AI 代理程式的能力賦予每位員工。任何人都能透過它建立輕量型代理式 AI 應用程式，這類應用程式可與常見的企業軟體互動，並自動執行重複性任務。

立即建立免費帳戶，開始在 AWS 上使用 AI 代理程式。