【代理工作流】为什么焦点已经从人工智能代理转移到代理工作流

我们发现自己正处于一个阶梯上，从这里开始，大型语言模型被引入到具有类人数字交互的人工智能代理中。但是…

商业 AI 实践的转向：从 AI 代理到代理化工作流与数据综合

为什么（暂时）减少对 AI 代理的关注？

近年来，Salesforce 和 Service 等公司大举转向 AI 代理（AI Agents），然而，AI 代理在准确性方面尚未达到可大规模应用的水平。

如果我们抛开市场营销的炒作，审视现有的 AI 代理技术，虽然它们在原型和演示阶段表现优秀，但在实际生产环境中的准确性仍然不足。

例如，Claude AI Agent 计算机接口（ACI）的性能仅达到人类的 14%。

下方来自 TheAgentFactory 的图表展示了 AI 代理在成本、执行步骤和成功率方面的现状。可以看到，AI 代理的成功率仅约 20%。

这些数据清晰地揭示了 AI 代理当前的现实状况。

现状分析：AI 代理的瓶颈

最近，随着 OpenAI Operator 的发布，AI 在计算机操作和 Web 浏览任务上的准确率提升至 30%-50%，但仍低于人类 70% 以上的能力水平。

此外，研究表明，能够访问 Web 的 AI 代理容易受到恶意弹窗攻击，增加了安全风险。

目前，AI 代理主要有两种执行任务的方式：

1. 基于 Web 浏览器（如 Webvoyager、OpenAI Operator）
2. 直接控制操作系统 GUI（如 Anthropic）

这些方法均通过 GUI 作为 API 来与 AI 代理交互。早期的尝试依赖于单独的 API，但由于每个 API 需要单独开发和集成，成本过高，且许多商业应用甚至没有 API，导致此方法难以推广。

为什么关注代理化工作流（Agentic Workflows）？

越来越多的研究表明，现代知识工作流程存在严重低效。例如，某研究报告指出，知识工作者有 30% 的时间花在搜索信息上。

此外，知识工作者在回答复杂问题、整合多个文档信息时也面临挑战。

代理化工作流（Agentic Workflows）通过推理和任务分解，将复杂任务拆解为更小的子任务，并以有序的方式串联执行，如下图所示。

这种方法能够引入 可观测性（Observability）、可检查性（Inspectability）和可发现性（Discoverability），从而提高任务的透明度和执行效率。

数据综合的价值

在未来，数据综合（Data Synthesis）将变得至关重要。例如，代理化工作流可以帮助知识工作者综合工作数据和资源，并生成完整的答案。

大模型提供商也在向用户体验层扩展，而不只是提供模型本身。例如，ChatGPT 的 “Deep Research” 功能并不是一个新模型，而是一种新的代理化能力，能够在互联网上进行多步研究，以解决复杂问题。这种方法能够在数十分钟内完成通常需要人工花费数小时的研究任务。

这正是 LlamaIndex 提出的“Agentic RAG”概念的核心，即在特定时间点为“单个用户”综合数据，从而提高任务效率。

未来几个月，我们预计会看到对 个性化代理化工作流 和 信息综合 的广泛关注，类似于“桌面编排”（Desktop Orchestration）。

AI 推理与问题解决能力的提升

现代 AI 模型正在逐步将推理（Reasoning）作为核心能力，使其能够通过任务拆解来解决复杂问题。

这一趋势的背后，是 AI 通过将问题分解为多个子任务，并系统性地逐步解决的策略。

通过这种方式，AI 能够模拟人类的思维过程，从而提供更精准和细致的回答。

任务分解策略不仅提升了解决问题的效率，也让 AI 决策的过程更具透明性，使用户能够更容易理解 AI 的推理过程。

早期，用户需要在提示词（Prompt）中手动包含推理指令，并通过少样本示例（Few-shot learning）训练模型模仿人类的推理方式。

结语

企业不应只关注某些流行工具或技术趋势，例如曾经的 RAG（检索增强生成）公司、Prompt Engineering（提示工程）等，而应将重点放在 解决现实业务挑战 上。

科技的发展日新月异，新技术几乎每天都在涌现，每种技术都承诺能够颠覆行业。

但真正的创新不在于掌握最新技术，而在于如何将这些技术应用于现实世界，以创造真正的价值。

无论是 提升客户体验、优化业务流程，还是 解决社会问题，核心问题始终是：我们如何利用技术创造有意义的解决方案？

只有秉持这种思维方式，企业才能 确保自身的长期竞争力，并在快速变化的技术浪潮中保持领先。