代理式AI（Agentic AI）

代理式AI（Agentic AI，也称智能体式AI）指能够自主规划、决策并执行多步骤任务的AI系统。它不只是回答问题，而是把目标拆解成步骤、调用工具、执行操作、检查结果并修正，直到任务完成。这种从“被动应答”到“主动执行”的转变，被视为大模型落地的重要方向，因为它让AI真正接入业务流程，而不只是停留在对话框里。

与生成式AI的区别

生成式AI的交互模式是“你问一句，它答一句”，输出即终点；代理式AI的模式是“你给一个目标，它自己想办法完成”，输出只是过程的一环。一句流行概括是：生成式AI会说话，代理式AI会做事。这也带来不同的评估标准——前者看回答质量，后者看任务是否真正达成、代价是否可接受、过程是否可追溯。

核心能力

• 规划：把大目标拆解为有序的子任务，并判断它们之间的依赖关系。
• 工具调用：使用搜索、代码执行、接口调用与软件操作来改变外部世界。
• 反馈回路：检查执行结果，失败时重试或更换策略，形成自我评估与纠错。
• 记忆：保存中间状态与历史经验，支撑长任务不跑偏。

典型应用与基础设施

常见落地包括自动写代码并部署、深度研究类产品、自动化办公流程与全流程客服。支撑它们的基础设施也在成型：MCP（Model Context Protocol，模型上下文协议）统一了模型与外部工具的连接方式，智能体之间的协作协议探索多方分工，记忆与检索组件则负责长期状态。这些标准让智能体从单个脚本走向可组合、可复用的系统。

实践要点

• 约束权限边界：给智能体的工具权限应最小化，高危操作需人工确认。
• 设计可观测性：完整记录每一步的输入与输出，否则故障无法定位。
• 控制成本与步数：设置最大轮次与预算，避免陷入无限循环。
• 从窄任务切入：流程清晰、判定标准明确的任务最容易跑通。

常见误区

• 把它当成更强的聊天机器人：它的价值在于执行，而非对话本身。
• 忽视失败处理：真实环境中失败是常态，缺少兜底会放大风险。
• 追求全自动：人机协同往往比完全放手更可靠，也更早产生业务价值。