《AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges》
这篇综述论文旨在严格区分人工智能代理（AI Agents）与智能体人工智能（Agentic AI），通过提供结构化的概念分类、应用图谱和挑战分析，阐明两者在设计理念和功能上的差异。研究的核心目标是为开发稳健、可扩展且可解释的人工智能驱动系统提供明确的路线图。
AI Agent的基础理解
AI Agent被定义为在特定数字环境中为实现目标导向的任务执行而设计的自主软件实体 。它们能够感知结构化或非结构化输入，基于上下文信息进行推理，并启动行动以实现特定目标，通常作为人类用户或子系统的代理 。
AI Agent的核心特征包括：自主性（部署后以最少的人工干预独立行动的能力）；任务特定性（为狭窄范围的任务进行优化，如调度、查询或过滤）；以及反应性与适应性（响应环境变化并利用反馈循环和基本学习启发式方法的能力）。大型语言模型（LLM）和大型图像模型（LIM）作为核心推理和感知引擎，极大地加速了AI Agent的基础性进展 。生成式AI被定位为智能体智能的前身，它能生成新内容但缺乏自主性和目标追求 ；而AI Agent则通过集成外部工具、提示工程和增强的推理机制来推进这些能力 。
语言模型作为AI Agent发展的引擎
将LLM集成为核心推理引擎是推动从反应式生成模型向自主、目标导向的AI Agent转变的关键驱动力 。这些最初为自然语言处理任务训练的模型，日益被嵌入到需要自适应规划、实时决策和环境感知行为的框架中 。为了克服仅生成式系统的局限性（如幻觉、静态知识），研究人员提出了工具增强的LLM代理，这些系统将外部工具、API和计算平台集成到代理的推理流程中，从而实现实时信息访问、代码执行和与动态数据环境的交互 。例如，ReAct框架通过结合推理（思维链提示）和行动（工具使用），使LLM在内部认知和外部环境交互之间交替进行，展现了这种增强功能 。
从AI Agent基础看Agentic AI的出现 (The Emergence of Agentic AI from AI Agent Foundations)
尽管AI Agent在通过工具增强推理自动化狭窄任务方面取得了显著进展，但其在复杂、多步骤或协作场景中的可扩展性限制催生了更高级的范式：Agentic AI 。
Agentic AI通过允许多个智能实体通过结构化通信、共享内存和动态角色分配来协同追求目标，从而扩展了传统代理的能力 。其核心概念飞跃在于从执行孤立任务的单个代理转变为由多个专业代理协作以实现复杂、高级目标的协调系统 。这种转变的关键驱动因素包括目标分解、多步骤规划、跨智能体通信以及反思性推理和记忆系统 。
一个形象的例子是智能家居系统：一个AI Agent可能是一个单独控制温度的智能恒温器 ，而一个Agentic AI系统则是一个由天气预报、日程安排、能源优化等多个专业代理协同工作的完整生态系统，共同实现舒适、安全和节能的总体目标 。论文通过多个表格详细对比了生成式AI、AI Agent以及Agentic AI在核心功能、架构组成、操作机制、范围与复杂性、交互与自主性等多个维度的关键差异 。
架构演进：从AI Agent到Agentic AI系统
Agentic AI显著扩展了AI Agent的基础架构（感知、推理、行动），通过集成专业化代理、高级推理与规划、持久性内存和编排等高级组件来实现更复杂、分布式和适应性的行为 。基础AI Agent通常包含感知模块（处理输入信号）、知识表示与推理模块（应用逻辑）、行动选择与执行模块（转化决策为行动）以及基本的学习与适应机制 。Agentic AI系统则在此基础上增强，例如采用专业代理的集合（每个代理负责特定功能，如MetaGPT中的角色扮演），嵌入递归推理能力（如ReAct, CoT）以进行动态规划和适应 ，整合持久性内存架构（如情景记忆、语义记忆、向量记忆）以跨任务周期或会话保持知识 ，并引入编排层或元代理来协调子代理的生命周期、管理依赖关系和解决冲突（如ChatDev中的虚拟CEO元代理）。
AI Agent与Agentic AI的应用
AI Agent主要应用于客户支持自动化和内部企业搜索（如Salesforce Einstein, Notion AI自动回答查询、检索文档），邮件过滤和优先级排序（如Microsoft Outlook, Superhuman中的智能分类和任务提取），个性化内容推荐和基础数据报告（如Amazon, YouTube根据用户行为推荐内容，Tableau Pulse通过自然语言生成报告），以及自主调度助手（如x.ai, Reclaim AI自动协调会议和管理日历）。相比之下，Agentic AI的应用展现了更广泛和动态的能力，例如多智能体研究助手（如AutoGen, CrewAI协同完成文献综述、专利检索），智能机器人协调（如农业领域的无人机群协同测绘和干预，仓库自动化中的多机器人协作），协作式医疗决策支持（如ICU中诊断、治疗和监测子系统同步工作），以及多智能体游戏AI和自适应工作流程自动化（如AI Dungeon中NPC的动态交互，企业中处理法律审查或事件升级的专业模块）。
AI Agent与Agentic AI的挑战与局限性
AI Agent面临的主要挑战包括：缺乏因果理解能力，仅能识别统计相关性而非因果关系，导致在非常规情境下表现脆弱 ；继承了LLM的固有限制，如产生幻觉（貌似合理但错误的信息）、提示敏感性（微小输入差异导致行为迥异）、语义理解肤浅以及计算成本和延迟问题 ；智能体属性不完整，在自主性（仍高度依赖人工定义的提示和启发式方法）、主动性（缺乏动态目标制定能力）和社交能力（对话生硬、缺乏长期记忆）方面表现不足 ；以及长期规划和恢复能力有限，难以处理需要扩展时间一致性或应急规划的复杂多阶段任务，且缺乏系统的错误检测和恢复机制 。Agentic AI系统则面临更严峻的挑战：因果关系挑战被放大，单个智能体的错误可能在系统中级联传播，导致协调失败 ；沟通和协调瓶颈，如目标对齐困难、缺乏统一语义理解、通信协议不成熟以及资源竞争 ；突现行为和可预测性问题，即智能体交互可能产生不可预见的、甚至有害的系统级行为，增加了不稳定性和安全风险 ；可扩展性和调试复杂性，随着智能体数量和角色多样性的增加，系统可靠性和可解释性维护愈发困难，且错误追踪复杂 ；信任、可解释性和验证问题，分布式多智能体架构使得行为解释和系统验证极为困难 ；安全和对抗性风险，攻击面扩大，单个智能体被攻破可能导致整个系统崩溃 ；伦理和治理挑战，责任归属模糊、偏见传播放大以及价值对齐困难 ；以及不成熟的基础理论和研究空白，缺乏标准架构、可扩展的因果发现和推理方法 。
潜在解决方案与未来路线图
为应对AI Agent和Agentic AI面临的挑战，论文提出了一系列潜在解决方案。其中包括：检索增强生成（RAG），通过从外部知识源检索信息来减少幻觉并增强上下文准确性 ；工具增强推理（函数调用），使代理能够与现实世界系统交互并执行超越纯语言建模能力的任务 ；智能体循环（推理、行动、观察），如ReAct模式，通过迭代反馈提高决策的深思熟虑性和上下文敏感性 ；记忆架构（情景、语义、向量），用于跨任务持久化信息，支持个性化和长期规划 ；具有角色专业化的多智能体编排，通过元代理或编排器分配任务、管理依赖并促进模块化 ；反思和自我批判机制，使代理能够评估自身或相互的输出以提高鲁棒性 ；程序化提示工程流程，自动化提示调整以提高通用性和减少变异性 ；因果建模和基于仿真的规划，使代理能够区分相关性和因果关系，并更稳健地规划 ；监控、审计和可解释性流程，通过日志记录和分析工具增强透明度和故障排除能力 ；以及治理感知架构，引入问责制和角色隔离以确保道德合规和安全 。未来的AI Agent预计将通过主动推理、工具集成、因果推理、持续学习和以信任为中心的操作来实现模块化智能的显著进化 。而Agentic AI则将通过多智能体扩展、统一编排、持久性内存、仿真规划、伦理治理和领域特定系统，进一步强调协作智能，成为集体机器智能的新范式 。
结论 (Conclusion)
该研究对AI Agent和Agentic AI的演变格局进行了全面的文献评估，提供了一个结构化的分类系统，突出了基本概念、架构演进、应用领域和关键局限性 。研究首先阐述了AI Agent作为模块化、任务特定的实体，其自主性和反应性受限，并以LLM和LIM作为核心推理模块 。随后，论文探讨了Agentic AI系统作为从孤立代理到协同、多代理生态系统的变革性进化，分析了其在分布式认知、持久内存和协调规划等方面的关键区别特征 。此外，研究还调查了这两种范式在客户支持、企业搜索、协作研究、机器人技术和医疗决策支持等领域的应用实例 。最后，论文深入分析了两种范式分别面临的挑战，如AI Agent的幻觉和浅层推理问题，以及Agentic AI中更为复杂的因果关系、协调瓶颈和治理等问题，为未来开发可信、可扩展的智能体系统提供了发展路线图 。