AI应用范式变革:Agentic AI

发布时间:2025-06-23 作者:中兴通讯 郜艳琴,杜永生

        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。