这是一份全面的指南，通过实际例子和实际代码实现来分解概念，帮助理解从基本聊天机器人到复杂自主 AI 系统的演变。

演变：从 RAG 到 Agentic AI

• 阶段 1：基于 RAG 的 AI 系统

  • 以一家有 75 多名员工的公司为例，需要 HR 助理回答政策问题，传统方法是构建检索增强生成（RAG）聊天机器人，从 PDF 政策文档中提取信息并提供答案。
  • 关键特征：简单问答功能、从静态文档检索信息、无推理或规划能力、纯反应式响应。
  • 不是 Agentic AI，属于“工作流”类别。

• 阶段 2：工具增强的 AI 系统

  • 增加了行动能力，如检查剩余休假余额、申请休假等。
  • 关键特征：问答加行动执行、通过 API 与外部系统集成、基本工具使用能力、仍为反应式，非主动式。
  • 不是真正的 Agentic AI，缺乏自主规划和多步推理。

• 阶段 3：真正的 Agentic AI 系统

  • 能处理复杂的目标导向任务，如准备产假、入职新实习生等。
  • 需要多步推理、自主规划、工具协调和决策制定等能力。

定义 Agentic AI

• 简单定义：能自主决策和行动以实现目标，无需在每一步都被告知具体做什么的 AI 系统。
• 核心特征：目标导向规划、多步推理、自主决策、工具访问、知识整合、记忆。

现实世界中的 Agentic AI 例子

• AI 编码助手：如 Lovable 或 Replit，在创建应用时展示出代理行为，包括分析需求、规划开发、编写和执行代码、调试等。
• 旅行规划助手：能处理复杂的旅行请求，如预订伦敦 7 天旅行等，协调多个预订事宜。

构建 Agentic AI：代码示例

使用 Phidata 框架创建股权研究分析师代理，通过指定名称、模型、工具和指令，让代理进行推理、执行工具调用、合成报告等。

低代码和无代码解决方案

• Zapier 集成：通过 Model Control Protocol（MCP）服务器，利用可视化工作流连接多个工具，创建处理复杂多步流程的代理。
• N8N 工作流：提供拖放功能创建代理系统，可基于表单提交触发 AI 代理，连接多个服务并处理复杂推理。

关键区别

• AI 代理与 Agentic AI：AI 代理是执行特定任务的单个组件，Agentic AI 系统是包含一个或多个具有自主推理能力的 AI 代理的完整系统。
• 生成式 AI 与 Agentic AI：生成式 AI 专注于创建新内容，Agentic AI 是更广泛的系统，可能包含生成式 AI 作为组件。

设计模式

• 基于工作流的模式：如路由器模式、聚合器模式、协调器 - 工作者模式。
• 基于代理的模式：如行动 - 反馈循环、多步规划、自主执行。

开始实践

从简单的工具增强聊天机器人开始，逐步添加推理、自主决策等能力，不断监测和迭代改进。

结论

Agentic AI 是从简单聊天机器人到复杂自主系统的重要演变，关键在于通过多步推理和自主决策处理复杂目标导向任务。随着技术成熟，Agentic AI 系统将在各行业广泛应用，实现自动化和创新。未来属于能理解目标、制定计划并自主执行的 AI 系统。