AI Agents的崛起，创业公司及巨头的agents布局版图

Executive Summary

区别于传统AI和生成式AI，Agentic AI 的特点是能够自主感知、推理、行动和学习，从而将效率、适应性和创新提升到新的水平。本文主要探讨Agentic AI的演变、其核心功能、商业应用、市场趋势和现实世界中的创新，同时对其变革潜力进行了未来展望。

Understanding AI Agents

AI已从基于规则的自动化稳步发展到能够在复杂多变的环境中做出决策的复杂机器学习系统。Agentic AI 或AI Agents是指能够独立感知、推理、行动和学习，主动追求目标并具有实时适应能力的自主系统。这些系统可增强决策能力，实现高效协作，并可根据反射能力、目标导向能力、效用能力、学习能力和分层能力进行分类。

Key Characteristics of Agentic AI Systems:

1.Autonomous Operation:展示独立决策能力，在无人监督的情况下执行复杂任务

2.Goal-Driven Performance:利用先进的机器学习技术，包括强化学习和进化算法，实现指定目标

3.Dynamic Adaptation:针对环境变化和前所未有的情况，表现出复杂的行为变化

4.Strategic Decision Framework:执行综合分析协议，进行情景评估、战略规划和行动优化，以实现既定目标

5.Self-Governed Functionality:通过积极的环境参与，在物理和虚拟领域保持自主运行

6.Advanced Problem Resolution:运用先进的分析方法应对复杂的挑战，并提出创新的解决方案

7.Multi-Domain Application:展示了在工业自动化、科学研究和客户体验优化等不同领域的多功能性

8.Performance Enhancement Protocol:持续监控运营指标，实施系统性改进，以实现最佳效率

9.Environmental Intelligence:保持对行动环境的深入了解，确保适当、有效地执行决策

10.Collaborative Intelligence:促进multi-agent systems的协调工作，以实现复杂的业务目标，如应急响应和物流优化

Classifications of Agentic AI

• Simple Reflex Agents: 使用预定义规则对输入做出反应。

• Model-Based Reflex Agents: 利用内部环境模型做出决策

• Goal-Based Agents: 评估为实现特定目标而采取的行动。

• Utility-Based Agents: 优化决策，使预期结果最大化。

• Learning Agents: 通过环境反馈提高性能

• Hierarchical Agents: 在多个层级之间高效地分配任务。

• Multi-Agent Systems: 协作或竞争解决复杂问题。

The Evolution of Agentic AI: Transitioning from Rule-Based Systems to Autonomous Intelligence

Agentic AI的发展表明，它正从简单的基于规则的系统向复杂的、能够独立决策和解决问题的autonomous agents转变。

How does it work?

Agentic AI利用data-driven agents和大模型（LLMs）来自主执行任务、与外部工具集成、通过防护栏确保精确性，并不断改进决策和运营效率。

Data Flywheel: The Catalyst for Scalability in Agentic AI

在AI领域，数据飞轮描述了一个循环反馈回路，在这个回路中，持续使用会产生新的数据，从而不断完善模型和算法，提高其有效性。这种迭代过程提高了Agentic AI systems的可扩展性和效率。

• Agentic AI通过自动执行任务和利用实时反馈回路来改进强化学习和整体系统性能，从而简化流程。然而，由于专业知识的差距和缺乏足够的基础设施，部署AI agents仍然十分复杂。

• 英伟达™（NVIDIA®）NIM Agent Blueprints等工具通过提供可定制的工作流程来简化实施工作，从而应对了这些挑战。
• 数据飞轮的有效性在很大程度上依赖于经过微调的AI模型以及兼顾成本效益、安全性和可扩展性的弹性基础设施。
  
  
  
  

• Autonomous Decision-Making: 允许系统根据当前的数据输入独立实现目标

  
  

• Continuous Adaptation: 根据环境的持续反馈，动态调整行动和行为

  
  

• Advanced Applications: 应用于机器人、自动驾驶汽车和虚拟仿真等领域

  
  

• Handling Complex Scenarios: 通过灵活的算法和可扩展的系统，在不断变化的条件下有效运行

  
  

• Seamless Integration: 轻松连接需要即时决策和互动响应的平台

  
  

• Content Generation:利用对大型数据集的深入了解，创造独特的产出

  
  

• Advanced Applications: ：为内容创建、语言处理和创意自动化方面的创新提供动力

  
  

• Scalability and Complexity Management: 高效处理不断增加的数据量和复杂模型

  
  

• Integration and Adaptation: 根据训练有素的数据定制输出，同时顺利集成到流程中

  
  

• Limited Real-Time Flexibility: 主要提供固定输出，实时互动或适应能力极低

• SentinelOne 在 2019 年获得了 1.2 亿美元的 D 轮融资，反映了人们对AI驱动的安全应用的早期兴趣。
  
  

• Abnormal Security获得 2.5 亿美元 D 轮融资
• Emergence AI获得 9,720 万美元融资，彰显了advanced AI solutions的扩展潜力

  
  

• Sana Labs 的 5500 万美元融。

  
  

• Codium 的 4000 万美元 A 轮融资，强调了人们对各种AI应用日益增长的兴趣

• Use Cases: 工作流程自动化、流程协调、运行优化
  
  

• Use Cases:  CRM自动化、销售自动化、企业通信
  
  

• Use Cases: 财务流程自动化、业务流程自动化、自动索赔
  
  

• Use Cases: 软件开发、代码生成、代码测试
  
  

• Use Cases: 人力资源自动化、法律自动化、品牌保护
  
  

• Use Cases: 网络安全、数据分析、自主网络导航

  
  

• 它具有自我迭代、持久内存以及与 1,000 多种工具无缝集成等功能，可提供灵活、安全的自动化，克服了传统 RPA 的局限性

  
  

• CrewAI 拥有 1800 万美元的融资和不断扩大的 150 个测试版客户群，正将自己定位为AI驱动的企业自动化领域的领导者
  
  

• BabyAGI ：从列表中提取任务，通过AI agents执行任务，并根据结果生成新任务，从而形成一个连续的循环

  
  

• 这种循环方法使其能够实时学习和调整
  
  

• OpenAI: 利用NLP来创建和完善与指定目标相一致的任务

  
  

• Pinecone: 存储任务结果并检索上下文，确保高效执行和调用

  
  

• LangChain:处理与任务优先级和执行相关的决策过程
  
  

• Dynamic Prioritization: 分析实时输入（如 API、电子邮件），根据紧迫性和重要性调整任务顺序

  
  

• Context-Aware Execution: 利用内存和任务上下文高效执行任务，并由security agent监督关键操作

  
  

• Continuous Learning: 在每个执行周期后完善任务-结果对，不断提高准确性和性能

  
  

• Scalable Management: 动态生成和更新任务列表，确保无缝适应不断变化的优先级和工作负载
  
  

• 定义模型的特性、任务和目标

  
  

• 将复杂的任务分解成较小的、易于管理的步骤，从而有效地解决问题

  
  

• 利用推理和迭代改进来优化响应。

  
  

• 整合网络访问、内存和 I/O 操作，以保证连续性和执行力

  
  

• 通过 run() 命令执行任务和目标
  
  

• Task Segmentation: 将任务划分为更小的、可操作的组件，以便高效执行

  
  

• Memory Use: 利用标记来存储和检索任务数据和优先级

  
  

• Attention: 动态更新优先事项，同时保持对目标的关注

  
  

• Decision-Making: 通过有效分配资源，执行具体任务计划

  
  

• Feedback: 通过评估结果不断完
  
  

  
  

• Agentic AI通过自动化工作流程和减少人工操作来提高运营效率

  
  

• 通过实现实时决策和促进更快地适应市场变化，提高了灵活性和创新能力

  
  

• UiPath 和 GoodGist 等平台简化了重复性工作流程，包括理赔处理（DGTAL）和人力资源任务（CollegeVine），减少了人工操作，大大节省了成本和时间

  
  

• 其他平台，如 LangChain、Autogen、MetaGPT 和 ChatDev，都有助于开发和部署AI Agents

• Assess: Conducting an AI readiness audit and pinpoint high-impact use cases.
  评估：进行AI readiness audit，找出影响较大的使用案例。

  
  

• Prototype: 开发最小可行的Agentic AI Solution并验证指标

  
  

• Scale: 制定实施计划，以便更广泛地采用

  
  

• Monitor: 跟踪关键绩效指标、反馈回路和持续更新
  
  

<End>