摘要：想象一下为生成式AI时代开发一个 API 的情景。这种 API 将支持自然语言输入，利用大型语言模型的智能，通过与 SaaS 和企业系统集成实现决策自动化，并通过连接其他启用 GenAI 的 API 实现业务流程协作。
AI Agent已经在改变未来的工作和劳动力。以下是开发人员和技术领导者需要了解的AI Agent知识。
想象一下为生成式AI时代开发一个 API 的情景。这种 API 将支持自然语言输入，利用大型语言模型的智能，通过与 SaaS 和企业系统集成实现决策自动化，并通过连接其他启用 GenAI 的 API 实现业务流程协作。
这就是理解AI Agent是什么以及它们如何工作的一种方法，它们将支持 RAG、LLM 推理与获取上下文业务知识和半独立行动的能力整合在一起。LLM 接收自然语言输入并回答问题，而AI Agent则更像是实际完成工作的业务伙伴。更复杂的自主代理被设计为在很大程度上不与人类互动的情况下工作。由于是自主的，它们在解释输入和采取行动时会承担更多风险。
AI Agent正在改变未来的工作方式，为开发人员、企业用户和其他人提供基于角色的合作伙伴，积极主动地自动执行任务，并充当知识渊博的合作者。AI Agent的用例范围和适用性超出了 GenAI 的智能信息处理范围，因此正在引发巨大的商业兴趣。许多AI Agent用例并不是天马行空的，而是有可能获得资助的可靠提案。
TEKsystems 首席技术官 Ram Palaniappan 说，AI Agent已经从基于规则的系统发展成为能够进行自然语言交互的智能、GenAI 驱动型工具。它们可以部署在各种用例中，如采购部门评估供应商和下订单，客户支持部门执行复杂的故障排除，医疗保健部门提供诊断摘要。可扩展性、全天候可用性和简化的工作流程使流程驱动、人力密集型运营的组织受益匪浅。
AI Agent vs 应用程序接口API
让我们先来了解一下AI Agent与 API 和其他网络服务有何不同。
AI Agent接收自然语言和其他非技术输入，包括接收语音、图像和视频的新兴AI Agent。而应用程序接口只接收 JSON 和 XML 等面向系统的输入。
AI Agent不使用编码业务规则，而是连接到 RAG、语言模型和其他 GenAI 模型，以获取相关知识。
AI Agent可以根据其被分配的角色和规定的不应该做的事情推理出下一步的行动路线。由于应用程序接口是规则驱动的，因此需要花费更多的编程时间和精力来模拟不同的角色、决策和行动。
应用程序接口和AI Agent都可以执行事务并与其他服务通信。AI Agent还可以根据自己的决定采取行动，并向其他AI Agent发送自然语言提示。
AI Agent向人类合作者提供自然语言输出。非技术人员可以验证AI Agent的理解水平及其行动，因为决策步骤以及与应用程序接口和其他AI Agent的连接都是用自然语言总结的。
“为客户服务等用例构建AI Agent的开发人员应该使用自然语言来编码业务逻辑，而不是代码。”Forethought公司联合创始人Deon Nicholas说，“他们应该让代理Agent具备与 API 通信的能力，就像人类与网站通信一样。这将开启真正的AI Agent，使其能够采取行动并解决问题，提供真正的附加值。”
您需要哪种AI Agent?
AI Agent有几种类型，按其做出决策和执行行动的方式来分类。基于模型的AI Agent用人工智能模型和支持数据取代规则，而基于目标和效用的AI Agent则在选择行动方案前比较不同的情况。更复杂的人工智能学习代理使用反馈回路来改进结果，而分层代理则以小组形式工作，分解复杂的任务。
能否用自然语言界面封装 API 并将其称为AI Agent?答案是肯定的;这些都是简单的反射式代理，利用规则将自然语言输入连接到行动。
开发 AI Agent 的先决条件是什么?
在开发AI Agent时，您应该了解涉及平台、数据、集成、安全性和合规性的先决条件。
“AI Agent的成功需要一个基础平台来处理数据集成、有效的流程自动化和非结构化数据管理。”Tray.ai 的联合创始人兼首席执行官 Rich Waldron 说，“AI Agent的架构可以与严格的数据政策和安全协议保持一致，这使得它们能够有效地帮助 IT 团队提高生产力，同时确保合规性。”
Enthought 公司首席运营官 Mike Connell 说，你需要大量干净且(对某些应用而言)贴有标签的数据，这些数据能准确地反映问题领域，以便训练和验证模型。Connell 说：“强大的数据管道对于预处理、转换和确保实时数据流的可用性至关重要，以便完善模型并使其适应不断变化的世界。此外，还应考虑是否需要特定领域的本体或嵌入，以增强代理对上下文的理解和决策能力。”
关于安全性和合规性，Immuta 公司研究副总裁 Joseph Regensburger 说，AI Agent具有身份，因此访问复杂的人工智能链和知识图谱需要像控制人类访问一样进行控制。Regensburger 建议：“在访问控制解决方案中捕捉法规和业务协议的频繁变化，并对所有潜在的人类和机器行为者强制执行。” 跟上不断变化的业务规则对于确保AI Agent不会根据过时的使用协议进行开发至关重要。
开发AI Agent的技术和平台
Appian、Atlassian、Cisco Webex、Cloudera、Pega、Salesforce、SAP、ServiceNow 和 Workday 等企业平台已宣布在其工作流程和用户体验中嵌入AI Agent功能。例如，Workday 的招聘代理可以帮助 HR 招聘人员寻找和招聘人才，而 Atlassian 的人工智能虚拟服务代理可以帮助自动处理一级支持问题。
一些平台还为主题专家和非技术业务用户提供了开发自己的 AI Agent的功能。Salesforce Agent Builder 允许非技术用户创建定制的 AI Agent。用户可以描述代理的角色并选择要完成的工作的主题，人工智能会将这些主题映射到平台上可以执行的活动中。其他具有AI Agent创建功能的平台包括 Cisco Webex AI Agent Studio、ServiceNow Agentic AI 和 Tray.ai Merlin Agent Builder。
AI Agent开发的第一种选择是直接从平台供应商那里获得服务，他们使用你的数据进行代理分析，然后提供 API 来执行事务。第二种选择是低代码或无代码、自动化和数据结构平台，它们可以为代理开发提供通用工具。
“低代码和专业代码工具将混合用于构建代理，但低代码将占主导地位，因为业务分析师将有权构建自己的解决方案，”Copado 宣传高级副总裁 David Brooks 说，“这将有利于企业快速迭代满足关键业务需求的代理。专业编码人员将使用AI Agent来构建服务和集成，从而提供代理服务。”
第三种选择是使用代码、AI Agent构建器或 LLM 应用程序框架原生开发AI Agent。
“你既可以使用Python或C++等原生语言构建AI Agent，也可以使用AutoGen、LangGraph或CrewAI等框架，但这些框架可能无法很好地扩展，也没有足够的防护措施。” Aisera公司首席执行官Abhi Maheshwari说，还需要现代化的数据基础设施，如数据湖或Lakehouse。数据还必须与领域相关，并 “使用 LLM 或 RAG 微调等技术进行无缝集成。”
希望成为AI Agent开发先行者的企业可能需要重新审视其数据管理平台、开发工具和更智能的 devops 流程，以便能够大规模开发和部署代理。
“为了加速Agent开发，企业需要一套强大的工具，使他们能够大规模地设计、定制、部署和监控代理。”IBM watsonx.ai 产品管理总监 Maryam Ashoori 说，“这包括针对功能调用进行优化的模型、协调代理并将其与更广泛的企业工具集连接起来的中间件、优化运行、技术护栏和治理功能，以确保它们按预期运行。这还需要满足广泛用户和技能组合的工具，从面向开发人员的专业代码工具到面向业务用户的低代码和无代码工具，以便将它们嵌入日常工作流程。”
测试AI Agent
测试 LLM 和验证准确性需要人类测试人员、自动化和合成数据来进行基本的准确性测试，而更复杂的技术则利用二级人工智能模型和生成对抗网络 (GAN) 来进行大规模测试。
Couchbase公司负责人工智能、数据和分析的产品和战略副总裁拉Rahul Pradhan说：“通过复杂的可观测性工具、反馈回路和回退机制来测试准确性，将有助于企业建立对AI Agent的信任，这标志着利用能够自主执行任务的代理的飞跃。”
AnswerRocket公司首席技术官兼联合创始人Mike Finley表示，可以分两个阶段对AI Agent进行准确性测试：
要求AI Agent提供记录在案的证明点，其中使用或引用的任何事实都包括其来源，做出的任何决定都包括描述其输入的记录在案的逻辑步骤。
人工智能核查员监督代理，其工作是观察其他AI Agent的工作，审查准确性，同时寻找微妙的线索，如语气的变化。
AI Agent将重新定义劳动力
LLM 和 RAG 在生成式AI方面受到了广泛的关注，而AI Agent如何影响各种业务工作流程的生产率，则要看AI Agent的潜力。随着越来越多的平台提供Agent和可扩展的开发平台，可能会出现新的人类和人工智能责任。
“AI Agent将重塑工作场所并创造新的角色，例如‘代理经理’，负责监督专业代理，从战略上指导这些系统，并确保与业务角色保持一致。”Augury公司战略副总裁Artem Kroupenev表示，“随着多代理系统的发展，可能会出现类似人力资源部门的部门来管理人类和AI Agent的混合劳动力，重点是培训、协调和绩效指标。这种混合方法可以将人类的直觉与机器的效率结合起来，从而提高生产力。”
发展的关键可能不在于开发AI Agent有多容易，而在于组织是否以及如何信任它们，员工是否接受它们的能力。
作者Isaac Sacolick是数字转型学习公司StarCIO的总裁，他指导企业来领导组织的转型变革。
来源：IT168企业级