AI应用范式变革：Agentic AI

        我们正处在AI能力飞速膨胀的时代。AI的发展本质上是技术范式不断迭代的过程，而每一次技术跃迁都会

推动应用场景的革新。

        当前，以大模型为驱动的AI Agent技术，带来了更深远的范式变革——从“工具化AI”向“Agentic AI”（具备自主性的智能体）的演进。“Agentic AI”具备“规划-感知-决策-执行”的全流程闭环，也将引发自智网络从“人工驱动”到“智能体主导”的范式转换。

AI范式跃迁：从“工具执行”到“自主执行”

        AI Agent应用从对工具的编排执行逐步走向自主性的AI Agent系统。这类AI Agent应用能代表用户自主采取行动，承担复杂的任务、作出决策、执行任务并适应不断变化的环境。

大模型发展重构Agent认知底座

        大模型通过海量数据预训练，构建了通用化的“世界知识库”，能够理解复杂语境，处理跨领域任务，甚至展现初步的推理与创造能力。

• 通用智能底座：LLM（large language model）作为“大脑”，赋予Agent理解、推理和生成能力；
• 环境感知与行动：通过API、传感器、工具等接口，Agent可主动与环境交互；
• 目标驱动与进化：基于预设目标，Agent可规划路径、动态调整策略，并通过反馈持续优化。

        这一范式下，AI不再是“工具”，而是能够自主决策、长期运行、动态进化的智能体。其运行逻辑是在一个任务目标循环中调用模型，根据模型决策执行工具，并将结果反馈给模型，直至模型决定停止。

        基于大模型的Agent能够自主拆解任务目标、调用工具链、动态调整策略，形成闭环决策系统。这种“目标驱动、自主规划”的模式，标志着AI应用从“功能模块化”向“智能体中心化”的范式转移。根据Gartner预测，到2026年，超过80%的企业将部署AI Agent以重构业务流程，效率提升幅度可达40%~60%。

AI Agent应用新范式催生AI新生产转变

        当前的大模型厂商，如OpenAI、Anthropic、阿里、字节等，正从单一API输出转向构建Agent生态平台。微软推出的Copilot Studio允许企业定制专属Agent，集成内部数据与业务流程；字节推出的扣子及扣子空间，支持互联网智能体开发平台和企业应用。

        在这一趋势下，随着AI Agent应用的火爆，AI应用的快速开发平台也成为了AI价值创造的枢纽。AI Agent的交互设计，端到端快速开发和发布、部署运行，以及AI生态的整合将是AI新生产的核心要素（见图1）。

Agentic AI进化新阶段：从“被动响应”到“主动进化”

        AI正迈向Agentic新阶段，从被动执行指令转向主动学习、适应和优化。通过自我迭代与环境交互，系统能动态调整策略，实现目标驱动的持续进化，标志着智能体从工具型向代理型转变的关键跃迁。

自主性跃升：从“被动响应”到“主动进化”

        我们再来回顾一下Anthropic公司对智能体的定义：大语言模型（LLM）智能体能动态地自主指挥自己的行动和工具使用，并始终掌控完成任务的具体方式。

        虽然当前Agentic AI仍处于过渡期，但2025年3月6日发布的Manus、3月13日夸克发布的“AI超级框”、字节推出的TARS Agent，以及Genspark产品的爆火，都标志智能体正在从“工具执行者”向“目标协作，主动进化”的超级智能体跃迁。

Agentic AI工作模式：多智能体目标协作式工作

        要理解Agentic AI工作模式带来的革命性变化，我们将其与Workflow进行对比分析。

        以搜索场景为例，这种变革体现得尤为显著——它不仅重构了技术实现路径，更颠覆了人机协作的底层逻辑。一个典型的Agentic AI的搜索过程可能是这样的：

• 用户提出问题，智能体分析并拆解问题，推测用户的真实意图；
• 如果问题模糊，智能体会主动向用户提问，进一步确认；
• 智能选择搜索，可能选择进行一般性搜索，也可能根据情况选择特定的专业数据源；
• 智能整合搜索结果，并按照用户意图进行搜索输出。

        针对这样的工作模式，模型会对搜索过程和搜索历史不断学习和优化，智能体能够自主判断搜索方向和有效路径。整个搜索过程中，智能体的每一步决策和推理都会留下清晰的内部记录，从而实现一定程度的可解释性。

        从这个案例可以看出，相比传统基于规则或工作流串联的解决方案，Agentic AI实现了“静态Workflow”到“动态决策”的进化。如图2所示，整个工作由多Agent相互协同，完成“规划-决策-执行-评估”的全栈闭环。Agentic AI主要实现了3个维度的跃迁：

• 目标驱动的动态规划：摆脱预设流程的束缚，根据实时环境自主拆解任务，调整策略。
• 闭环自学习优化的能力：通过持续反馈学习改进决策路径，而非依赖人工调参。
• 资源整合的智能性：主动调用异构系统（如API/数据库/工具链），而非被动等待指令。

Agentic AI应用场景

        我们将Agentic范式延伸至自智网络，变革同样显著。在无线接入网场景中，针对故障处理及网络优化这样两个实例，我们来说明通过数据共享、策略联动和任务接力，Agentic AI范式下的“感知-决策-执行-进化”闭环运维体系。

故障处理协同：工单自动闭环‌

        场景为基站突发业务中断，系统自动处理流程如下：‌

• 故障感知：故障智能体实时监测到某5G基站的RRC连接成功率从99%骤降至72%，同时SINR（信号干扰噪声比）均值下降6dB，触发3级告警；
• 根因诊断：调用知识图谱，匹配历史案例库，自动调用数据查看、根因诊断等API/命令/工具等，排除硬件故障（设备健康度指标正常），Agent主要提供了资源整合的智能性；
• 模糊分析：根据基站-传输-动环-核心网关联拓扑，定位到因邻区天线倾角偏差引发同频干扰，Agent主要提供了目标驱动的动态规划；
• 自动修复：给出故障的修复方案及自动修复动作，针对对业务有影响的高危操作提醒用户确认执行方案及执行动作；
• 执行动态参数调整：执行将故障基站的天线下倾角从8°修正为12°的命令，收缩覆盖范围；
• 结果反馈：查看参数调整执行结果，并启动指标观测；
• 验证指标：连接成功率回升至98%，SINR恢复至18dB；
• 自动生成工单报告：推送至运维人员移动端，并标记“无需人工介入”；
• 本次修复结果被计入到Agent的共享记忆中，Agent基于强化学习的方式从中提炼场景、规则、重大诊断和定位动作，用于下一次类似场景修复；Agent提供了闭环自学习优化的能力。

优化协同：预测性网络优化

        场景为开展大型活动，网络受到流量冲击。系统处理流程如下：

• 联合预测（事件前24小时）：优化智能体预测场馆周边将出现10倍流量峰值，同时故障智能体预检该区域基站负载余量不足。
• 动态预配置（事件前2小时）：此处Agent主要提供了资源整合的智能性。优化智能体激活休眠态小区，扩容网络密度，同时调整QoS策略，优先保障视频带宽；故障智能体同步启动系统健康检查，对扩容基站进行压力测试，排除潜在硬件隐患。
• 网络优化（活动进行中）：当瞬时用户数突破预测值15%时，优化和故障智能体协同响应。优化智能体启动频谱分流流量；故障智能体监控基站CPU温度，动态限制非紧急业务以保证稳定性。此处Agent主要提供了目标驱动的动态规划能力。
• 优化结果通知（活动结束后）：自动生成网络质量报告，通过短信/APP推送报告给用户：“峰值时段用户平均速率52Mbps，达标率97%”。

Agentic AI设计范式及关键技术

        Agnetic AI产品设计逐步向用户自适应体验演进，设计逐步聚焦如图3所示的3个关键层次。

• 意图和结果的表达呈现设计：通过界面元素动态映射用户意图与系统响应，实现操作路径与反馈结果的可视化闭环表达。
• 智能体行为设计：通过拟人化反馈与预期管理，体现AI智能体的可解释性、可控性及人格化行为模式。
• 人与智能体协作机制和流程设计：聚焦人和AI双向适应性，通过动态角色分配、上下文感知、透明化决策路径和渐进式信任建立，设计可进化的协作框架，使智能体能主动预测需求、解释行为并接受干预，最终达成自然流畅的共同完成任务体验。‌

基于LLM的Agent核心关键技术

        一个Agentic系统，越是由LLM决定其行为方式，就越具有“自主性”。围绕规划、记忆、工具与感知四大核心模块，我们来看看基于LLM的Agentic AI进化关键技术。

        规划模块的关键技术包括：‌

• 分层任务推理：基于LLM进行全局规划，结合思维图谱和强化学习（RL），实现目标的多粒度拆解与动态路径优化。
• 因果推理增强：结合结构因果关系和经验数据，预判动作的长期影响，避免短视决策。
• 多Agent实时协作：采用多Agent实时协作、共享记忆、多Agent对抗等技术，实现多Agent任务分配与冲突消解。

        记忆模块的关键技术包括：‌

• 长期记忆压缩：存储关键历史信息，结合自注意力机制实现高效检索与关联。
• 短期记忆管理：采用缓存保留对话状态与环境上下文，支持多轮交互连贯性。
• 知识蒸馏与更新：通过持续学习或检索增强（RAG），动态扩展外部知识库，避免模型幻觉。
• 记忆动态增强：构建动态记忆库存储交互轨迹，利用注意力机制提取关键经验，实现记忆动态增强。

        工具模块的关键技术包括：‌

• 工具自动查找及使用：基于工具描述文本的语义嵌入匹配，自动构建工具调用方式。现实世界是开放、动态的，新的工具、API、数据源层出不穷。对于一个像人类一样使用工具的智能系统，必须具备泛化能力，能够理解新工具的功能描述，并将其纳入自己的能力版图。
• 安全沙箱验证：在受限环境（如Docker容器）中预执行高风险操作（如网络请求），验证结果可靠性后再反馈至主流程。
          Agents要基于环境、上下文、执行反馈等进行感知、判断和决策。感知模块的关键技术包括：
• 多模态信息融合：利用对齐跨模态表达空间，统一处理文本、图像、语音输入，构建环境状态表征。
• 环境动态建模：通过世界模型（world model）预测环境变化，辅助Agent预判动作影响。
• 主动感知与注意力控制：基于强化学习优化感知焦点，优先处理高价值信息（如对话中的偏好、习惯等）。‌

Agentic AI进化范式展望

        AI Agent与模型正在相互促进、加速进化，能力边界不断突破，在特定领域甚至已接近或超过人类专家水平。面对智能技术“人间一日，智能一年”的快速进化模式，我们既要拿出大胆创新的勇气迎接变革，也要保持耐心让技术在实践中逐步验证。

        技术层面，AI将从感知智能向自主决策跨越，多模态融合将推动智能体实现物理世界交互。应用层面，金融、医疗等领域率先落地，其他垂直领域也会加速向AI为中心转化。社会协作层面，人机协同将重构工作流，倒逼伦理规范与价值体系升级。设计模式将从“Reason+Tool”模式向“Learning+Reason”模式转变。

        然而，真正的Agentic AI进化将伴随着人类认知方式、协作体系，乃至价值标准的全面升级，并将开启人类发展的新篇章。