一、基础概念界定
1. 人工智能（AI）
- 定义：接受训练可模拟人类智能的计算系统，具备学习功能，能依据经验与新数据提升性能，通过多种输入解决问题、实现目标。
- 关键分支：生成式 AI 可独立决策并采取行动，应用于自动驾驶汽车、媒体推荐引擎、DALL-E 和 Midjourney 等图像生成工具；企业 AI 是将生成式 AI 及相关技术应用于业务工作负载，利用企业数据增强系统，如客户服务、个性化营销、HR 和财务助手。
2. AI Agent
- 核心定义：软件实体，可接收任务、感知环境、按角色执行操作并从经验中调整，能依据设定目标，结合训练内容、所属应用及运行环境制定计划、完成任务，还具备学习迭代、扮演特定角色、连接数据源和自主决策的能力。
- 关联概念：Agentic AI 指专注于积极追求目标，而非仅执行简单任务或响应查询的系统，自主生成式系统可主动启动操作，如客户服务 AI 主动向承运商查询运输延迟情况；与检索增强生成（RAG）结合，能让大语言模型利用企业或特定角色的外部数据源，生成更丰富、准确且贴合受众的回复，例如 IT 支持服务 Agent 可结合客户互动历史解决问题，并提供文档链接或创建服务单。
二、AI Agent 核心解析
1. 工作原理
AI Agent 融合多种技术实现目标，以推荐 Agent 和客户服务 Agent 为例：
- 推荐 Agent：运用机器学习分析大量数据集识别模式，借助自然语言处理理解用户请求并沟通，通过与企业工具（如 ERP 系统、数据库、物联网传感器）或外部数据源（如互联网）的接口收集信息。
- 客户服务 Agent（查询货物位置）：首先访问含特定订单信息（发运 ID、交货方法、下单日期）的数据库；接着用这些数据通过 Web 服务界面查询承运商数据库，获取实时跟踪信息和预计交货日期；同时查看货物当前位置及过往运输时长，若遇特殊情况（如飓风影响运输），可推断物流延时并告知客户。
2. 优势
| 优势类别 | 具体说明 |
|---|---|
| 全天候可用 | 可持续运行无停机时间，通过云端部署，能在客户、员工等目标用户所在的任何地点操作 |
| 准确性 | 执行重复性任务时减少人为错误，依托大量数据做更准确决策（需确保数据源准确、及时更新且完整），还能判断自身是否有足够信息做高质量决策，必要时主动获取更多数据 |
| 一致性 | 遵循规范性流程和程序，保证每个任务执行方式一致，大幅减少因人类疲劳或员工操作差异导致的结果不同 |
| 节约成本 | 自动执行重复性任务降低运营成本，发现并提出流程优化建议，减少因错误造成的金钱损失 |
| 数据分析能力 | 处理和解释大量数据集，用于长期计划、欺诈检测、预测性维护（避免设备故障）等分析活动，自身无法分析时可调用其他工具 |
| 高效性 | 自动执行任务和流程，让人类员工专注于更复杂、具战略性的工作，且全年无休无需放假 |
| 个性化 | 助力企业开展 AI 驱动的营销活动，精准触达特定客户群，提高转化率并降低营销成本，满足消费者对企业记住其购买历史、偏好等信息的需求 |
| 可扩展性 | 相较于招聘新员工，部署和拓展 AI Agent 更简单、成本更低，但需慎重为其安排新角色，评估新任务工作质量，确保数据和资源充足，同时培训员工充分利用 Agent |
3. 挑战
- 适应性问题：虽能随时间学习改进，但面对快速变化的环境、意外请求或结果时会遇挑战，易出现过拟合（模型过度适应训练数据，难以处理新数据），且能力范围有限，无法胜任超出自身定位的任务。
- 复杂性难题：专注于特定、机械化任务的 AI Agent 较易使用，但若任务复杂度提升、涉及功能变广，设计、实施和维护难度会显著增加，需从小范围尝试逐步推进。
- 数据依赖风险：高质量数据是 AI Agent 良好表现的关键，与人力资本管理、ERP 等系统集成的 Agent 虽有数据优势，但需优化以处理交互和数据交换，企业需确保数据源准确、及时且可用。
- 解释性局限：初代生成式 AI 系统是 “黑匣子”，输出难解析；Agent 虽能更好解释决策过程和参考数据，从简单任务逐步过渡到复杂工作以帮助企业专业人士理解，但仍存在一定解释门槛。
- 资源密集需求：与其他 AI 一样，需大量计算能力和存储资源，云技术应用的 Agent 依赖提供商配置合适资源，本地部署的 Agent 则需 IT 部门保障资源充足。
- 安全隐患：需访问企业专有信息且可能记录交易结果，存在敏感数据泄露风险；可能成为不良行为者的新攻击途径，要求企业安全团队掌握新技能，持续评估数据丢失风险，并建立完善的安全控制机制。
4. 组成部分
- 行动：通过执行器或接口与环境交互，包括物理行动（转动旋钮、操作自动驾驶汽车、控制机械臂）、认知行动（在多个选项中决策、列出实现目标的方法）、沟通行动（撰写电子邮件、转录音频、问答互动）。
- 目标 / 效用：目标定义期望结果，如人力资源数字助手根据招聘人员和经理意见制定职位描述；效用衡量目标实现程度，以数值表示，如游戏 Agent 效用可通过获胜次数衡量，自动驾驶汽车效用基于安全记录和骑手得分评估。
- 学习：从完成的任务中吸取经验改善结果，虽 LLM 停止训练后不再学习，但 Agent 可通过观察专有数据与问题的组合效果提升任务表现，还能通过有监督学习、无监督学习、强化学习等额外训练获取新知识，如招聘人员对 Agent 生成的职位描述打分，可指导 Agent 未来优化。
- 记忆力：存储过去经验信息，检索并用于决策以适应变化情况，是 Agent 长期提升性能的关键。
- 感知：借助传感器或其他机制收集环境信息，如摄像头识别物体和检测模式，麦克风捕捉处理语音提问，传感器还可辅助操纵物体或在物理世界导航。
- 推理：基于数据、规则、概率和学习模式做逻辑决策，识别多种选择并依据可用信息和结果标准确定理想行动方案，是 Agent 决策的基础。
5. 类型
| 类型 | 核心特点 | 示例 |
|---|---|---|
| 简单反射 Agent | 依据一组条件 / 动作规则行动，仅根据输入响应，不考虑广泛上下文或历史 | 仅能响应预定义关键字或短语的简单聊天机器人 |
| 基于模型的反射 Agent | 拥有与功能相关的环境内部模型，决策前会考虑当前情况和操作影响 | 自动驾驶汽车，需追踪周围道路事物运动，决定行驶速度及应对障碍物的措施 |
| 基于目标的 Agent | 在反射 Agent 基础上构建，根据长期目标规划行动，决策过程更复杂 | 国际象棋、围棋 Agent，需提前预测多步棋路，制定获胜策略（可能短期牺牲） |
| 基于效用的 Agent | 按所需效用决策，效用即一段时间内目标实现的成功程度，选择更具战略性、能提升积极结果或减少消极结果的行动，可平衡竞争目标 | 致力于减少能源使用或增加高利润产品销量的 Agent |
| 学习 Agent | 摄取新数据，根据与用户的交互调整响应，持续提高性能 | 电影、音乐、商品推荐引擎，推荐准确性随时间提升 |
三、AI Agent 实践应用
1. 使用场景
| 领域 | 具体应用 | 说明 |
|---|---|---|
| 交通 | 自动驾驶汽车 | 根据周围环境导航并做出决策 |
| 媒体娱乐 | 内容推荐 | Netflix、YouTube 等平台通过个性化内容提高用户参与度 |
| 客户服务 | 自动聊天机器人 | 回答超出预制答案的客户查询，提升客户满意度 |
| 金融 | 自动交易系统、欺诈检测 | 辅助金融服务公司开展交易和风险防控工作 |
| 游戏 | NPC（非玩家角色） | 通过自适应行为让游戏开发人员专注于主线开发 |
| 医疗卫生 | 疾病诊断、患者护理管理 | 基于匿名患者记录和医学图像训练，识别模式以预测结果、风险因素并提出方案 |
| 个人辅助 | 虚拟助手（Siri、Google Assistant） | 通过与客户交互学习，提供日常服务 |
| 零售 | 个性化沟通与推荐 | 如 Neostar 二手车平台的 Agent，通过电子邮件向客户发送产品推荐和选车建议，吸引客户访问网站 |
| 制造业 | 机器人控制 | AI 驱动的机器人在制造和装配线中执行拣货、打包、质量控制等任务 |
| 智能家居 | 家庭自动化管理、安全防护 | 管理家庭自动化系统、回答口头问题，借助 AI 检测和应对安全摄像头、门铃、警报器的潜在威胁 |
| 供应链 | 库存与物流优化 | 分析库存数据识别滞销商品、检测需求模式变化，调整库存水平以降低持有成本 |
2. 6 个优秀实践
- 设定明确目标：定义可实现、可衡量、可量化的目标，避免模糊表述，确保目标在 Agent 能力和资源范围内；制定 KPI 衡量成功率，利用数据优化模型。
- 持续学习：虽微调 Agent 核心 LLM 不实际，但可改善决策和任务所需数据；嵌入应用的 Agent 由供应商决定 LLM 训练完善时机及交互记录存储调用方式；定制 Agent 需更频繁优化记忆技术和数据输入频率；企业自建 Agent 需提前制定相关流程并灵活调整。
- 文档管理：技术文档需包含 Agent 组件、数据流、决策过程图表，新代码、算法模型及操作数据记录；运营文档需有用户交互手册、IT 维护指南（含故障排除）、数据源集成说明；同时跟踪共享 Agent 性能 KPI，生成结果图表。
- 人工监督：像培养新员工一样，逐步向 Agent 分配任务并监督成果；提供全面监督直至团队信任其自主工作，分配监督角色并纳入治理结构，确保人员可干预且 Agent 能接收人工反馈。
- 鲁棒性测试：部署前后在不同场景全面审核 Agent，开展验证性测试以基准或实际流程结果衡量性能；单独测试各组件并观察交互情况，确保 Agent 从外部系统（ERP、数据库）提取数据无瓶颈，同时进行用户体验测试。
- 安全措施：对 Agent 使用的数据加密并在适当时匿名化，建立强大访问控制；将网络、基础设施安全，安全编码，监视与事件响应及保障实践扩展到 AI 系统；AI 卓越中心需在 Agent 上线监督管理中发挥关键作用，无该中心则需及时构建。
3. 实施步骤
以零售商上线需求预测 Agent（为开学季规划）为例：
- 定义任务与目标：明确 Agent 任务为预测背包、笔记本、儿童服装等产品需求，列出具体目标。
- 确定关键要素：梳理功能流程、所需访问数据（历史销售数据、市场趋势、经济指标、客户人口统计与购买历史、季节性趋势数据、促销活动历史）、相关业务专家及可访问的工具和其他 Agent。
- 系统集成与专家协作：将 Agent 与库存管理、ERP、供应链计划工具等集成，邀请产品线人类专家提供见解，提升预测准确性。
- 反馈与优化：定期评估 Agent 表现，收集客户和专家反馈，确定改进领域，必要时与软件提供商合作调整；同时确保具备足够计算资源，避免性能问题影响项目推进。
4. 示例
| 类别 | 具体示例 | 说明 |
|---|---|---|
| 对话式 Agent | 工业环境中的交互 Agent | 可与制造设备、物联网设备交互，也能与人类或其他软件程序交互 |
| 功能性 Agent（用户代理 Agent） | 招聘经理 Agent | 执行记录候选人技能和经验等需求，协助撰写并发布招聘启事的任务 |
| 现场服务 Agent | 为技术人员提供信息，自动安排日程，辅助诊断，助力高效现场服务工作流 | |
| 应收账款文员 Agent | 简化付款处理，启动催款程序改善现金流，生成应收账款绩效报告 | |
| 客户支持 Agent | 为人工客服或客户提供信息，增强客户支持职能 | |
| 体检场景相关 Agent | 接待员 Agent 办理体检手续，护士 Agent 测量体重、血压等生命体征，汇总访问信息的 Agent 协助医生 | |
| 监督 Agent | 用户代理监督型 Agent | 像乐团领导者一样带领其他 Agent，推动目标实现所需的计划和推理，可决定替人类行动或联系他人获取人机反馈 |
| 效用 Agent（基于任务的 Agent） | 编程 Agent | 使用 HTML、Java、Python 等语言执行特定任务 |
| 对话式 Agent | 接收人类任务，按发起方需求沟通工作流任务结果 | |
| 文本生成 Agent | 汇总正文、生成文本范例，为长篇稿件提供思路 | |
| 数据库查询 Agent | 执行 SQL 查询等数据检索相关任务 | |
| RAG Agent | 协调检索 LLM 所需的特定新数据，辅助其响应提示词或执行任务 | |
| 调度程序 Agent | 安排与利益相关者的会议以推进项目 | |
| 搜索 Agent | 确定 Web 搜索、文档搜索等理想搜索类型，调用适当工具执行任务 | |
| 技能提升 Agent | 依据文档推荐完成任务（如创建招聘信息、员工创建概要信息）所需技能 |
四、OCI Generative AI Agents 介绍
- 核心能力：结合 LLM 和 RAG 功能，支持员工、合作伙伴、客户直接查询经企业数据扩充的知识库；可快速创建个性化 AI Agent，并嵌入企业商业应用和流程；通过自然语言界面提供信息更新，允许用户直接执行操作。
- 产品动态：OCI Generative AI RAG Agent 已作为首批 Oracle AI Agent 正式上市，旨在解决传统聊天机器人回复无法解决问题的痛点，为用户提供情境化、准确的信息，同时助力企业提升服务质量。
五、常见问题解答（FAQ）
1. AI Agent 有哪些类型？
包括简单反射 Agent、基于模型的反射 Agent、基于目标的 Agent、基于效用的 Agent、学习 Agent：
- 简单反射 Agent：按条件 / 动作规则行动，仅响应输入，不考虑上下文。
- 基于模型的反射 Agent：有环境内部模型，决策前考虑当前情况和操作影响。
- 基于目标的 Agent：在反射 Agent 基础上，按长期目标规划行动。
- 基于效用的 Agent：具备特定功能，可被其他 Agent 调用执行任务（如查询数据库、发邮件）。
- 学习 Agent：摄取新数据，根据用户交互调整响应，提升性能。
2. AI Agent 有哪些真实例子？
企业层面：Oracle Digital Assistant 会话式 AI 平台，企业可借助其创建客户服务等应用的聊天机器人和虚拟助手，构建专属 AI Agent。
个人层面：Alexa、Google Assistant、Siri 等虚拟助手，可设置闹钟、发送消息、搜索信息。