2025年伊始，有关人工智能变革潜力的讨论热度正不断攀升。人们对AI的关注焦点正从AI工具转向创建及部署AI Agent。在今年最新发布的文章中，美国数据分析与AI战略顾问、《信息经济学》作者道格拉斯·B·莱尼将AI Agent的发展归纳为七个进化期。
他认为，这七个层级融合了计算机科学的基础成果以及来自认知心理学和思辨哲学的见解，其中的每一层都代表着技术、能力和自主性方面的阶段性变化。这份框架能展现在数据驱动、人工智能引领的数字经济中不断增加的创新、蓬勃发展及变革机遇。
对于正在了解和构建agent的企业来说，了解Agent从简单的反应式系统到假想中的超级Agent实体的演变过程，可为旨在从战略层面利用人工智能的组织机构提供 Roadmap。我们也将针对企业当前Agent构建和进化的核心需求，为处于各个层级的企业提供技术升级建议。
第一层级——反应式Agent：应对当下情况
最基础的层级是反应式Agent，比如基于关键词匹配来回答问题的基础聊天机器人，或者是用于生成或翻译内容的机器人。它们完全依据当下情况运作。这些Agent不会留存记忆，也不会从过往经验中学习。相反，它们遵循预先设定的规则来对特定输入做出响应。反应式系统源于早期的人工智能研究以及有限状态机，这些基础概念是在 20 世纪中叶通过约翰・麦卡锡和马文・明斯基等先驱者的工作而出现的。
对于企业而言，反应式Agent能够简化重复性任务，比如处理客户咨询或实现定义明确的工作流程自动化。对于有更高需求的企业来说，要超越这种即将过时的能力，就需要引入能随时间收集、留存和分析数据的方法，处理复杂的交互活动，并实现更具动态性的行动。
技术升级建议
- 数据收集技术：引入日志记录工具，对 Agent 交互数据进行收集，如开源的 Log4j 等，为后续分析提供基础。
- 数据分析基础搭建：采用简单的数据可视化工具，如 Tableau Public，帮助企业初步了解数据模式，为后续留存和分析做准备。
- 引入简单机器学习算法：尝试使用基于规则的机器学习算法，如决策树算法，通过 Scikit - learn 库实现，让 Agent 初步具备简单的学习能力，以处理稍复杂任务。
- API 集成：将 Agent 与外部数据源的 API 进行集成，如天气数据 API，扩展其处理的输入类型，提升交互复杂性。
第二层级——任务专用型Agent：精通特定活动
任务专用型Agent在相对较窄的领域表现卓越，往往通过与领域专家合作完成定义明确的活动，在特定任务中的表现优于人类。这些Agent是许多现代人工智能应用的支柱，从欺诈检测算法到医学影像系统皆是如此。它们的起源可以追溯到20世纪70年代和80年代的专家系统，比如用于诊断感染的基于规则的系统“MYCIN”。
任务专用型Agent可能会为电商推荐引擎提供动力，确保顾客看到他们可能会购买的商品。在物流领域，这些人工智能体可优化配送路线，以降低成本并提高效率。
组织机构可以通过聚焦有着明确成功衡量指标的定义清晰的问题来构建任务专用型Agent，尤其是用于自动化的这类Agent