综述：AI Agent 与 Agentic AI 有什么区别？

一、什么是 Agent？​

2.1 核心特征​

在这篇综述论文中，AI Agent 被定义为能够在特定数字环境中执行目标导向任务的自主软件实体。它有几个核心特征：​

•

自主性（Autonomy）： 在设定目标后，能在一定程度上独立运作，减少人工干预。​

•

反应性和适应性（Reactivity and Adaptation）： 能够感知环境（如用户输入、API 响应）的变化，并根据变化调整自己的行动。一些 Agent 还具备简单的学习能力，能从反馈中改进。​

2.2 如何实现这些能力​

Agent 并不是自己拥有了超能力，而是在 LLM/LIM 这个「大脑」的基础上，增加了几个关键模块，形成一个经典的 「感知 - 推理 - 行动 - 观察」循环（Perceive-Reason-Act-Observe Loop） ：​

​

​

​

2.3 典型应用​

如果生成式 AI 是一个只会在书房里写作的作家，那么 AI Agent 就是一个拥有智能手机（工具）、笔记本（记忆）和任务清单（目标）的私人助理。你能让它帮你查资料（调用搜索引擎）、发邮件（调用邮件 API）、安排会议（调用日历工具），甚至帮你写一份简单的报告（LLM 生成内容）。它能独立完成这些任务，但通常一次只专注于一件事情，而且任务的复杂性不能太高。​

​

论文中列举了一些 AI Agent 的典型应用：​

•

客户支持聊天机器人： 理解客户问题，调用后台 API 查询订单状态，生成定制化回复。​

•

自动化邮件助手： 根据邮件内容自动分类、标记优先级、甚至起草回复。​

•

智能日程助手： 理解含糊的日程指令，检查日历，协调参与者时间，自动创建会议。​

•

基础数据报告生成： 根据自然语言查询，连接数据库，生成简单的报告或图表。​

​

这些应用都体现了 AI Agent 在特定任务上的自主性和工具使用能力。但是，AI Agent 的自主性仍然是「任务内」的自主，它通常需要一个明确的起点和目标，并且在面对高度复杂、需要多方协作、或目标会动态变化的任务时显得力不从心。​

​

三、什么是 Agentic AI？​

这篇论文把 Agentic AI 理解为协同作战的智能体「团队」，更接近 Multi-Agent 的概念。代表了一种范式转变，指的是由多个 AI Agent 组成的，能够相互协作、动态协调、共同追求一个高层级复杂目标的系统。​

​

3.1 核心特征​

•

多 Agent 协同（Multi-Agent Collaboration）： 系统由多个具备不同能力或角色的 Agent 组成。例如，在一个软件开发 Agentic AI 系统中，可能有一个 Agent 负责需求分析（Product Manager Agent），一个负责架构设计（Architect Agent），一个负责编写代码（Coder Agent），一个负责测试（Tester Agent），甚至还有一个负责协调整个流程（CEO Agent）。​

•

任务动态分解与分配（Dynamic Task Decomposition and Assignment）： 当接收到一个复杂的高层目标时，Agentic AI 系统能够将其自动分解为多个更小的、可由不同 Agent 处理的子任务，并动态地分配给合适的 Agent。​

•

Agent 间通信与协调（Inter-Agent Communication and Coordination）： Agent 团队成员之间需要能够有效地沟通、共享信息、同步状态、协商决策。这通常通过标准化的通信协议、消息队列或共享内存来实现。​

•

编排层/元 Agent（Orchestration Layer / Meta-Agent）： 这是 Agentic AI 系统的「大脑」或「指挥中心」。它负责管理整个 Agent 团队，监控任务进度，解决 Agent 之间的冲突，确保所有 Agent 的努力都朝着最终的高层目标前进。它可以是一个独立的 Agent，也可以是系统的一个核心组件。​

•

持久记忆（Persistent Memory）： Agentic AI 系统通常拥有比单 Agent 更强大的记忆能力，而且这种记忆是共享的。团队成员可以访问共同的知识库（语义记忆）、任务历史（情景记忆）或向量数据库（向量记忆），确保信息一致性和上下文连续性，支持长期、多阶段的任务。​

​

3.2 举例说明​

​

​

如果 AI Agent 是你的私人助理，那么 Agentic AI 就是一个由不同专业人士组成的团队，比如一个小型创业公司或者一个项目小组。有负责市场调研的、有负责产品设计的、有负责编程实现的、有负责测试的，还有一个项目经理来协调大家的工作。他们可以共同完成一个复杂的项目，比如开发一个新软件，这远超单个私人助理的能力范围。​

论文中用了一个形象的类比：​

​

•

AI Agent就像一个智能恒温器：它能自主调节温度（特定任务），甚至学习你的习惯，但在整个智能家居系统中是孤立的。​

•

Agentic AI就像一个完整的智能家居系统：恒温器、智能照明、安防系统、能源管理、日程助手等多个 Agent 协同工作。天气预报 Agent 告知即将降温，能源管理 Agent 决定提前使用太阳能预热，日程 Agent 知道你快下班了，安防 Agent 确认门窗已锁。所有 Agent 互相通信，共同优化家里的舒适度、安全性和能耗，实现一个高层级的目标——「打造一个舒适、安全、节能的家」。​

​

3.3 典型应用​

•

多 Agent 研究助手： 一个 Agent 检索文献，一个 Agent 提取数据，一个 Agent 分析结果，一个 Agent 撰写报告，共同完成一篇研究综述。​

•

智能机器人协调： 在仓库或农场，多个机器人（拣货机器人、运输机器人、巡检无人机）作为 Agent 协同工作，优化整体物流或生产效率。​

•

协作式医疗决策支持： 不同 Agent 分析患者数据、检索最新指南、模拟治疗方案，为医生提供全面的决策支持。​

•

自动化软件开发： ChatDev、MetaGPT 等框架模拟软件开发团队，Agent 扮演不同角色，自动完成从需求分析到代码实现的整个流程。​

•

网络安全事件响应： 不同 Agent 监测网络流量、分析威胁情报、评估风险、执行隔离操作，协同处理安全事件。​

​

这些应用都展现了 Agentic AI 通过「团队协作」来处理复杂、动态、需要多领域知识和能力的任务的强大潜力。​

​

四、核心差异小节​

​

​

​

​

​

•

生成式 AI： 能「说」，不能「做」，被动，无工具，无协作。​

•

AI Agent： 能「说」，能用「工具」独立「做」简单事，任务内自主，单体，有工具，无协作。​

•

Agentic AI： 能「说」，能让「团队」用「工具」协同「做」复杂事，系统级自主，多 Agent，有工具，强协作，有编排，有共享记忆。​

​

五、挑战与局限​

5.1 单体 Agent 的固有局限​

•

缺乏因果理解： LLMs 擅长发现相关性，但不理解因果关系。这导致 Agent 在面对从未见过的情况或需要模拟干预时表现脆弱，容易犯低级错误。​

​

•

继承 LLM 的局限性：​

◦

幻觉： Agent 可能会一本正经地胡说八道，生成虚假信息，这在需要高准确性的应用中是致命的。​

◦

推理深度不足： 尽管有 CoT 等技术，LLM 在处理需要深层逻辑推理和复杂规划的问题时仍然可能力不从心。​

•

规划与恢复能力有限： 单体 Agent 在执行长流程、多步骤任务时，如果中间某一步失败或出现意外，往往难以有效地检测错误、理解原因并自主恢复或调整计划。​

​

5.2 多 Agent 系统带来的复杂性​

Agentic AI 不仅继承了 AI Agent 的挑战，还因为其多 Agent、协作的特性引入了新的、更复杂的难题：​

​

•

因果性挑战被放大： 当多个 Agent 相互作用时，一个 Agent 的行动可能对其他 Agent 产生复杂的影响。缺乏因果理解会导致 Agent 难以预测彼此行为的连锁反应，容易出现协调失误或错误级联。​

•

通信与协调瓶颈： 如何让不同 Agent 之间高效、准确、无歧义地沟通？如何动态地分配任务、管理依赖、同步状态？缺乏标准化的协议和鲁棒的协调机制会导致效率低下甚至系统崩溃。​

•

涌现行为的不可预测性： Agent 之间的复杂互动可能产生设计者未曾预料到的系统整体行为。这既可能带来惊喜，也可能导致危险或偏离目标的行为，难以预测和控制。​

•

可扩展性与调试复杂性： 随着 Agent 数量和交互复杂度的增加，Agentic AI 系统的行为变得越来越难以理解和调试。追踪一个错误的根源可能需要在多个 Agent 的对话、记忆和行动记录中穿梭。​

•

信任、可解释性与验证： 如何理解 Agentic AI 系统为何做出某个决策？如何确保它的行为是安全可靠的？多 Agent 的黑箱特性使得验证和解释变得异常困难，尤其是在高风险应用中。​

•

安全与对抗风险： Agentic AI 的攻击面更大。攻击者可能通过污染某个 Agent 或操控 Agent 间的通信来破坏整个系统。​

•

伦理与治理挑战： 当多个 Agent 共同导致一个负面结果时，责任如何界定（可归责性）？Agent 之间的互动是否会放大偏见？如何确保 Agent 团队的目标与人类价值观保持一致？这些都是复杂且亟待解决的伦理和治理问题。​

​

六、解决方案与发展方向​

​

​

•

强化感知与工具使用： 通过检索增强生成（RAG） ，让 Agent 能够获取并利用最新的外部知识，减少幻觉。改进函数调用和工具集成框架，让 Agent 能更灵活、更可靠地与各种外部系统互动。​

•

增强推理与规划： 发展更高级的Agentic 循环（如 ReAct 的变体），让 Agent 能更深入地思考和规划。探索因果建模，让 Agent 理解世界运行的内在机制。引入模拟规划，让 Agent 能在虚拟环境中测试策略。​

•

构建强大的记忆系统： 发展持久记忆架构，包括情景记忆（记住经验）、语义记忆（结构化知识）和向量记忆（高效检索），让 Agent 能够维持长期上下文并共享知识。​

•

优化多 Agent 协作： 完善多 Agent 编排框架，实现更智能的任务分解、角色分配和冲突解决。发展标准化的Agent 间通信协议（如 A2A），提高协作效率和互操作性。引入反思与自我批评机制，让 Agent（或 Agent 团队）能够评估自身表现并进行修正。​

•

提升可信赖性： 发展监控、审计和可解释性管道，记录 Agent 的决策和互动过程，提高透明度，便于调试和追溯责任。​

•

构建治理感知架构： 设计具备角色隔离、权限控制、安全沙箱等功能的架构，确保 Agent 行为符合规范。探索伦理对齐方法，让 Agent 团队的目标与人类价值观保持一致。​

​

未来的 AI Agent 将变得更加主动、具备因果推理能力、持续学习并更加可信赖。而 Agentic AI 将朝着大规模多 Agent 协作、统一编排、持久记忆、模拟规划和领域专业化的方向发展，最终形成能够处理极其复杂、动态、开放任务的智能体生态系统。​

​

甚至有研究者提出了更为激进的设想，例如论文中提到的AZR（Absolute Zero）框架 （注：我们之前也分享过这篇文章的解读）。它提出了一种零数据的强化自我博弈推理方法，让 Agent 通过自己生成问题、自己尝试解决、并利用可验证的反馈机制（比如代码执行结果）来学习和提升能力，而无需依赖大规模人类标注数据。如果这种方法成功，将可能催生出能够持续自主学习和进化的 Agent 系统，这无疑是 Agentic AI 的下一个重要里程碑。​