今天小編分享的互聯網經驗：Agentic workflow加速Agentic AI到來，AI Agent成為重要實現方式，歡迎閲讀。
文｜王吉偉
就在國内還在大談特談AI Agent的時候，國外技術圈的風向變了。他們不再談論AI Agent如何如何，而是轉頭開始交流Agentic AI。
雖然Agentic AI的概念可以追溯到上世紀IBM深藍象棋系統（Deep Blue chess-playing system）出現的90年代，但讓它再次進入公眾視野的卻是大語言模型的真正應用。尤其是AI Agent和Autonomous Agent的具體應用，讓Autonomous AI再次被熱議，包含AI Agent的工作流更是直接讓Agentic AI成為AI領網域更炙手的話題。
這個進程與變化，仍然要感謝OpenAI。2023年6月，OpenAI應用研究主管翁麗蓮(Lilian Weng)撰寫了《LLM Powered Autonomous Agents》一文，定義了目前很多開發者都在用的AI Agent主流技術框架。（文章地址：https://lilianweng.github.io/posts/2023-06-23-agent）
2023年12月，OpenAI發表《Practices for Governing Agentic AI Systems》白皮書，介紹了Agenticness、Agentic AI Systems及Agents的區别，并正式為Agentic AI Systems下了定義。自此，Agentic AI 也正式進入了技術人的視野。（白皮書地址：https://openai.com/index/practices-for-governing-agentic-ai-systems/）
真正讓Agentic AI出圈的，還是人工智能領網域領軍人物、DeepLearning.AI與Landing AI創始人兼CEO吳恩達教授提出的Agentic Workflow。2024年3月26日，吳恩達教授在紅杉資本（Sequoia Capital）的人工智能峰會（AI Ascent）上發表了一次主題為《Agentic Reasoning》的演講，分享了當下AI Agent的4種主流設計模式。
在最近的2024年Snowflake峰會開發者日上，他又發表了題為《How Al Agentic workflows could drive more Al progress than even the next generation of foundation models》的演講，進一步揭開了Agentic AI神秘面紗，并指它可能是比下一代基礎模型更具潛力的AI 展方向。（視頻地址：https://www.youtube.com/watch?v=q1XFm21I-VQ）
兩次演講，讓Agentic AI真正成為技術人所熱衷探讨的話題。
AI Agent與Agentic AI 看起來非常相似，以至于看起來就像是将"AI Agent"的兩個單詞互換位置，一般人甚至看不出什麼區别。但若細細品味，僅從單詞性質名詞與形容詞的區别上，就能體會到Agent與Agentic些許不同。而作為人工智能的概念或者技術名詞，兩者所代表的意義區别還是非常明顯的。
那麼，到底什麼是Agentic AI？它有哪些創新與特性？與AI Agent有什麼區别？什麼又是Agentic Workflow？有哪些特征？它的四種主流設計模式又是什麼？本文，從Agentic AI到Agentic Workflow，王吉偉頻道一次為大家説清楚。
什麼是Agentic AI？
在《Practices for Governing Agentic AI Systems》白皮書中，OpenAI認為（Agentic AI systems）智能體人工智能系統的特征是能夠采取行動，這些行動在很長一段時間内持續地有助于實現目标，而不必事先明确規定其行為。
白皮書将系統的智能性（Agenticness，還可以翻譯為主動性代理性能動性）程度定義為系統在有限的直接監督下适應性地實現復雜環境中的復雜目标的程度，并将這種智能性細分為目标復雜性、環境復雜性、适應性和獨立執行四個組成部分。
▲ OpenAI定義的Agentic AI Systems，來源：《Practices for Governing Agentic AI Systems》
artificiality将Agentic AI Systems定義為能夠以不同復雜性感知、推理和行動的系統，以将人類思維擴展到我們當前經驗之外。該定義，更加強調了感知、推理和行動這三種能力。
基于以上兩個Agentic AI Systems定義，結合業界對于Agentic AI的各種觀點，不難歸納出Agentic AI這一概念所代表的深刻含義。
Agentic AI（智能體AI代理式AI能動AI），也稱為自主AI（Autonomous AI），是指被設計用來通過理解目标、導航復雜環境，并在最少的人工幹預下執行任務的系統，能夠通過自然語言輸入獨立和主動地完成端到端任務。通常被設計為更具自主性和适應性，不僅能處理數據，還做出決策、從互動中學習，并采取積極的步驟來實現復雜目标。
Agentic AI可以設定目标，從互動中學習，并自主做出決策，轉變業務運營和客户互動。功能與人類員工非常相似，可以掌握細微的環境，設定和追求目标，通過任務進行推理，并根據不斷變化的條件調整他們的行動。
例如，雖然傳統AI可能協助創建客户支持腳本或甚至根據客户輸入生成個性化響應，但Agentic AI則更進一步。它可以自主處理客户查詢，從開始到結束解決問題，甚至根據客户的回應跟進客户。Agentic AI可以模仿人類通常用來實現目标的推理、執行和糾正航向機制，體現了一種更精細的技術運作機制和管理方法。
事實上，Agentic AI背後的理念是賦予機器代理權，這意味着它們可以設定目标、規劃，并采取行動來達到這些目标。Agentic AI能夠預測需求、建議行動，并做出與設定目标一致的決策，其功能更像是一個合作夥伴而不僅僅是一個工具。因此，它代表了人工智能的根本轉變，旨在以最少的人工幹預自主理解和管理復雜的工作流程。
Agentic AI的創新與特性
這裏，為了體現Agentic AI的創新與特性，需要将其與傳統AI做一下對比。
傳統 AI（Traditional AI），也稱為狹義AI（Narrow AI），主要在特定算法和設定規則上運行。這些系統旨在執行定義明确的任務，例如對數據進行排序、識别照片中的人臉、翻譯語言、執行預定義的流程或基于數據庫回答常見問題解答。傳統人工智能的範圍僅限于其編程，缺乏偏離其給定指令或獨立學習新經驗的能力。
傳統AI擅長于狹義的任務，需要在明确的指令下運行。它能在具有明确規則的結構化環境中茁壯成長，并在流程嚴格劃分的場景中有效運作，但會受到其有限的範圍、對人類指導的依賴以及難以适應不可預見變化的限制。
此外，傳統AI主要是為了自動執行特定的重復性任務，在有限的範圍内提高速度和效率，但它們在處理需要整體理解和戰略判斷的復雜工作流程方面存在不足。
Agentic AI則利用大型語言模型 （LLM）、可擴展的計算能力和龐大的數據集等進步，提供了一種更加動态和靈活的方法。它結合了強化學習（RL）和決策理論，可以從互動中學習并随時間優化。不僅能對情況做出反應，而且能積極地參與決策過程。
可以説，Agentic AI就是為了自主性而構建的，旨在駕馭復雜的現實世界場景，并能夠随着情況的發展調整其策略。這标志着從AI作為需要人類輸入的工具或專業系統，到作為能夠獨立行動和與現實世界互動的協作夥伴的深刻轉變。
Agentic AI 的功能更像是人類員工，掌握自然語言提供的復雜上下文和指令，開始設定目标，通過子任務進行推理，并根據不斷變化的條件調整決策和行動。
因此，Agentic AI的關鍵創新主要體現于以下幾點：
大型語言模型（LLMs）：這些模型能夠理解詳細的人類語言，使人與人之間的互動更加自然，使Agentic AI能夠理解細微的人類語音和文本。
可擴展的計算能力：增強的計算能力，使Agentic AI能夠管理復雜的任務并訓練復雜的模型。
大規模數據集：通過分析大量的數據，Agentic AI可以學習和随着時間的推移提高其性能，使其更有效地處理動态環境，豐富的數據集也使其能夠理解和解釋復雜的上下文和目标。
互聯性：Agentic AI擅長與其他系統和信息源連接及互動，并能夠無縫集成到現有的工作流程中，增強了其解決復雜問題和做出復雜決策的能力。
Agentic AI的主要特性，也可以總結為：
自治性：Agentic AI以高度獨立性運作。擁有明确的目标和對周圍環境不斷演變的理解，這些系統能夠自主做出決策并啓動行動，最小化對直接人類監督的依賴。
适應性：與它們的前身不同，Agentic AI系統不僵硬或脆弱。它們被設計為學習、進化和适應。它們通過分析模式、根據變化調整策略以及通過模拟和自省來完善決策過程，展現出無與倫比的靈活性。
主動性：Agentic AI不僅對外部刺激做出反應，還能主動與環境互動，尋找實現目标的機會，在潛在問題完全顯現之前預測它們，并獨立設計解決方案。
語言理解：憑借解釋自然語言的高級能力，這些系統可以精确地遵循復雜的指令。
工作流程優化：Agentic AI可在子任務和應用程式之間高效轉換，确保以最佳方式執行流程以實現預期結果。
現在，像CrewAI、Langraph及Autogen等開創性框架，正在為Agentic AI的發展鋪平道路。開發人員可以在這些平台設計和部署AI Agent團隊，每個Agent都有獨特的技能、知識庫和通信界面。通過協調協作，這些Agent團隊可以自主導航和執行復雜的工作流程，适應動态條件和不斷變化的需求。
這些進步，使Agentic AI能夠超越僅僅遵循指令來設定獨立目标、制定戰略和适應，從而為實現復雜目标提供動态方法。
Agentic AI與AI Agent的區别
雖然AI Agent這個詞組與Agentic AI長的很像，基本就是"AI在後"與"AI在前"的區别，但兩個概念還是有很大區别的。
對于Agent和Agentic這兩個單詞，吳恩達教授在文章中提到：與其以二元方式選擇某個系統是否是Agent，不如将系統視為具有不同程度的Agent特性更有用。與名詞"Agent"不同，形容詞"Agentic"允許我們思考這類系統，并将它們全部納入這一不斷發展的領網域中。
原文：Rather than having to choose whether or not something is an agent in a binary way, I thought, it would be more useful to think of systems as being agent-like to different degrees. Unlike the noun "agent," the adjective "agentic" allows us to contemplate such systems and include all of them in this growing movement.
原文鏈接：
https://www.deeplearning.ai/the-batch/welcoming-diverse-approaches-keeps-machine-learning-strong
也就是説，名詞"Agent"僅用于表明某個產品或項目是否為AI Agent是否具備了智能特性，而形容詞"Agentic"則意味着AI產品或項目的Agentic特性有多強能否體現更強大主動性、自治性和适應性。前者仍在探讨Agent產品或項目的相關特性，後者則在探讨產品的智能程度，顯然後者更有意義。
從AI Agent到Agentic AI，即使當前所探讨的内容仍是AI Agent相關的技術、產品或解決方案，但立足點已經截然不同，這是一個認知上的重大轉變。如果説AI Agent仍然屬于產品思維，Agentic AI已經上升到戰略思維。Agentic AI進一步代表了一類AI技術、產品、方案、生态乃至戰略的總體集合，必然也會像GenAI等詞匯一樣被更多的組織放到其戰略報告之中。
從定義和概念而言，AI Agent是一種能夠感知環境、進行決策和執行動作的智能實體。它們通常基于機器學習和人工智能技術，具備自主性和自适應性，在特定任務或領網域中能夠自主地進行學習和改進。其核心功能可以歸納為三個步驟的循環：感知、規劃和行動。
Agentic AI是具有更高程度自主性的AI系統，它們能夠主動思考、規劃和執行任務，而不僅僅依賴于預設的指令。它強調的是系統可以具有不同程度的"能動性"（Agentic特性），而不僅僅局限于被動執行指令。
兩者的主要區别，主要在于以下幾點：
AI Agent更側重于智能實體的基本功能和自主性，而Agentic AI則強調系統在更高層面上的自主決策和問題解決能力。
AI Agent可以看作是實現Agentic AI的一種技術手段或組件，而Agentic AI則是AI Agent在特定工作流程和目标導向下的一種表現形式。
Agentic AI的概念更寬泛，涵蓋了從傳統AI系統到高度自主智能體的一系列發展階段，而AI Agent通常指的是具備一定感知、決策和行動能力的智能實體。
對于兩者的區别，我們説了這麼多。但當探索Agentic AI的時候，你會發現更多内容仍舊是AI Agent相關的，或者説是"Agent+工作流"相關的。吳恩達教授也提到，Agentic AI的實現關鍵在于"智能體工作流（Agentic Workflow）"，它通過循環迭代的方式逐步優化結果，更接近于人類解決問題的思維模式。
因此，如果説Agentic AI聚焦的是戰略層面指向組織技術發展目标，AI Agent則正是在戰術層面實現這個目标的主要方法。
既然涉及到了Agentic Workflow這一概念，這裏也來聊一聊。
什麼是Agentic Workflow？
自從吳恩達教授分享了Agentic workflow的四種設計方法之後，Agentic workflow變得越發炙手可熱。雖然這個概念并不是全新的，但在大語言模型和AI Agent應用日益壯大的情況下，Agentic Workflow也正在變得炙手可熱。
匯總各方人士的觀點與看法之後，可以對Agentic Workflow做出以下解釋。
Agentic Workflow可以翻譯為智能體工作流代理工作流能動工作流，核心是一個智能體系統，其中多個AI Agent通過利用自然語言處理 （NLP） 和大型語言模型 （LLM） 協作完成任務。這些智能體能夠自主感知、推理和行動，以追求特定目标，形成強大的集體智慧，可以打破孤島，集成不同的數據源，并提供無縫的端到端自動化。
作為一個復雜的系統和迭代過程，Agentic Workflow旨在提高業務流程的效率和有效性。它使用AI Agent與業務設定無縫集成，部署在Agentic Workflow中的AI Agent能夠高精度地協作和執行復雜任務。
Agentic workflow架構圖 來源：codiste
從開發角度而言，Agentic Workflow是指一種迭代、互動式的AI開發方法，使用大型語言模型和AI Agent來執行任務，其中AI Agent能夠參與更動态和自我反思的過程，這是一種更迭代和多步驟的方法。
從自動化角度來看，Agentic Workflow代表了傳統自動化方法的重大轉變。傳統自動化方法通常依賴于嚴格的預定義腳本或人機互動流程，通過利用多個專業AI Agent協同工作的能力，Agentic系統可以動态導航和适應企業工作流程的復雜性，因此有望将各行各業的生產力和創新提升到新的水平。
簡單來説，Agentic Workflow是一個復雜的迭代和多步驟過程，用于互動和指示大型語言模型，以更準确地完成復雜的任務。在此過程中，單個任務被劃分為多個更易于管理的小任務，并在整個任務完成過程中留出改進空間。
此外，Agentic Workflow還涉及部署多個AI Agent來執行特定的角色和任務。這些Agent配備了特定的個性和屬性，使他們能夠高精度地協作和執行定義的任務。
Agentic Workflow的另一個關鍵亮點是使用先進的提示工程技術和框架。該過程包括思維鏈、計劃和自我反思等技術，使AI Agent能夠：
将復雜的任務分解為可管理的任務；
确定任務順序；
遇到困難時調整任務計劃；
自我反思自己的產出并确定需要改進的領網域；
提示的工程技術和多智能體方法使AI Agent能夠自主計劃、協作、确定和執行完成任務的必要步驟。
舉個例子，如果你直接使用LLM寫一篇關于Agentic AI的文章。在傳統方法中，需要輸入一個提示，指示LLM 撰寫這個主題的文章。這就像要求某人從頭到尾寫文章，不審查研究來源、檢查大綱并改善内容的語氣和質量。
這種傳統的零樣本方法使用LLM，在撰寫文章的過程中沒有留下迭代、反饋和改進的餘地，大大降低了輸出的準确性和質量。
但在Agentic Workflow并不需要給出撰寫文章的提示，僅需要提出目标要求，它就能将任務分解為更小的任務，一般會有如下的任務分解步驟：
首先從可靠的來源研究該主題；
創建帶有标題和副标題的博客大綱；
分析、修改和改進大綱；
撰寫博客初稿；
校對和編輯博客以确保高内容質量
在Agentic Workflow工作模式下，LLM被指示按照一個循序漸進的過程完成更大的任務，且每個步驟的輸出充當下一個任務的輸入。
這意味着，Agentic Workflow這種迭代和協作模型，将與LLM 的互動轉換為一系列可管理、可改進的步驟，從而允許在整個任務完成過程中進行持續改進和調整。
Agentic Workflow的主要特征與三大支柱
通過以上解析和案例，我們可以總結Agentic Workflow的主要特征如下：
以目标為導向：工作流中的座席由明确的目标驅動，并共同努力實現預期的結果。
适應性：該系統可以動态地适應不斷變化的環境，從過去的經驗中學習，并随着時間的推移優化其性能。
互動：座席相互通信和協作，以及與人類用户進行通信和協作，以收集信息、提供更新并做出決策。
與傳統工作流自動化相比，Agentic Workflow具有多種優勢。它們可以處理更復雜的多步驟流程，這些流程需要上下文感知決策，并且可以适應新情況，而無需大量重新編程。此外，自然語言處理的使用允許人與系統之間更直觀地互動，從而減少對專業技術知識的需求。
在Agentic Workflow中，AI Agent是一個自主驅動的動态問題解決器，用于處理復雜且不斷發展的任務，從而提高工作效率。
AI Agents、提示工程技術（Prompt Engineering Techniques）和生成式AI網絡（Generative AI Networks，GAIN） 是Agentic Workflow的三大支柱。它們在Agentic Workflow中的作用，簡單介紹如下：
AI Agent：Agentic Workflow的核心是AI Agent，它們本質上是大型語言模型（LLMs）的復雜實例。
提示工程技術與框架：Agentic Workflow的一個關鍵方面是使用高級提示工程技術和框架。
生成式AI網絡（GAINs）：通過部署生成式AI網絡（GAINs），Agentic Workflow得到顯著增強，它們體現了多代理協作的原則。
三大支柱的詳細内容，可以參考下面的思維導圖。
▲ 點擊看大圖
除了三大支柱，Agentic Workflow的核心組成部分還包括AI增強、倫理考量、人工智能互動和适應性學習，各項解析如下圖。
此外，關于Agentic Workflow的常見工作流程及可重用的LLM配置檔案組件，大家可以參考論文：A Survey on LLM-Based Agents: Common Workflows and Reusable LLM-Profiled Components.
各種工作的業務流程從傳統流程轉向Agentic Workflow，标志着我們将能夠通過AI實現更優越成果的轉變。實驗證明，即便是不太先進的LLMs，參與這些復雜的、多層次的工作流程時，也能產生顯著的成果。對于這一點，大家将在下面對Agentic Workflow的四種設計模式的介紹中有更深的感觸。
多説一句，Agentic Workflow也讓國產大語言模型和各種開源大語言模型擁有了更多用武之地，這在當前的國際大環境下還是非常重要的。
當然，我們還應該認識到，在目前的技術前提下，這些增強的工作流程要求用户有足夠的耐心。因為Agentic Workflow固有的迭代、協作過程也更加耗時，往往需要幾分鍾甚至幾小時來完成某個任務。過長的任務執行時間，也是Agentic Workflow遇到的主要問題之一，更是被吐槽體驗不夠的重要因素。
但相對于它能提供的遠超過傳統方法的分析深度、創造力和解決問題的能力，在很多應用場景中大家仍然願意嘗試，這也預示着巨大的市場潛力。
Agentic Workflow的四種主流設計模式
在介紹Agentic Workflow之前，先考慮一個問題，為什麼需要AI Agent/Agentic Workflow？
目前，對于ChatGPT、文心一言、Kimi等大語言模型的使用，大多數人仍然是用簡單的語句直接提問（一部分原因在于不會寫結構化提示詞），比如：幫我寫一篇關于Agentic AI的文章。這種提問方式，在技術領網域叫作零樣本提示。
零樣本提示（zero-shot prompting）是指LLM模型在沒有針對具體任務進行專門訓練的情況下，僅依賴于提示詞（prompt）和預訓練中獲得的廣泛語言知識來執行任務的能力，它可以很好地檢驗大語言模型的能力。這種方法靈活性高、适用範圍廣，且無需為每個特定任務準備專門的訓練數據。但由于缺乏特定任務的訓練，其生成質量無法保證。
具體到用户與大語言模型的互動，如果用户讓ChatGPT寫一篇關于XX的論文，ChatGPT會一次性給出回復。在這個過程中，它只會執行"生成"這個任務。
這個過程，與真實世界完成工作任務的流程是不同的。比如寫論文時，一般會先起草一個初稿，再進行評估、分析、修訂，迭代出第二、第三個版本，直到滿意為止。我們處理工作、學習等任務時都是這樣，會将其分解為按步執行的流程并按照流程來操作，以保證工作的完成的質量。
▲ 零樣本提示與Agentic Workflow的區别 來源：吳恩達教授紅杉峰會分享
也就是説，想要讓大語言模型更出色的完成我們的交給它的工作，最好也使用類似人類的分部執行的流程步驟。
AI Agent就是來做這個工作的，它能通過自然語言了解用户所輸入零樣本提示詞的意圖，并将這個用户給定的需求目标任務規劃分解為多個流程步驟，将簡單的提示詞轉化為更精細的機構化提示詞，并可以調用聯網、代碼等各種工具插件去進一步執行并完成所分解的各種子任務。
顯然，這樣的工作方式已經無限接近于人類。
Zero-shot prompting模式和AI Agent模式的任務執行效果，非常明顯。吳恩達教授團隊分别以"Zero-shot prompting"模式和AI Agent模式使用GPT-3.5和GPT-4，得出了幾個結論：
1、Zero-shot模式下，模型在沒有具體任務示例的情況下，僅依賴于其預訓練的知識來執行任務。這種情況下比拼的是模型的通用基礎能力，所以GPT-4得表現好在意料之中。
2、添加了Agentic Workflow的AI Agent在任務執行中的表現顯著提升，不論基座模型是GPT-3.5還是GPT-4。
3、即使基座模型是GPT-3.5，通過添加Agentic Workflow将其設計為AI Agent後，性能表現也超過了Zero-shot模式下的GPT-4。
吳恩達教授還總結和介紹了四種較為常見的設計模式，分别是反饋（Reflection）、工具使用（Tool Use）、規劃（Planning）和多智能體協作（Multi-agent Collaboration）。
反饋（Reflection）設計模式是一種讓AI模型通過自我反思和迭代改進來提高任務執行能力的方法。在這種模式中，模型不僅生成初始解決方案，還會通過多次反饋和修改，不斷優化其輸出。
工具使用（Tool Use）設計模式是一種讓AI模型通過調用外部工具或庫來增強任務執行能力的方法。在這種模式中，模型并不僅僅依賴于自身的知識和能力，而是利用各種外部資源來完成任務，從而提高效率和準确性。
規劃（Planning）設計模式是一種通過提前計劃和組織任務步驟來提高效率和準确性的方法。在這種模式中，模型将復雜任務分解為多個步驟，并依次執行每個步驟，以達到預期的目标。
多智能體協作（Multiagent Collaboration）設計模式是一種通過多個智能體之間的合作來提高任務執行效率和準确性的方法。在這種模式中，多個智能體分擔任務，并通過相互交流和協作，共同完成復雜任務。
PS：以上标有 Andrew Ng的圖片，都來自吳恩達教授紅杉峰會分享。
AI Agent/Agentic Workflow可以更好幫助用户與大語言模型互動，幫助用户更好的完成各種任務。這将極大地拓展AI的使用場景，有效地提高任務完成質量，因此對AI應用的落地至關重要。
在這個分享中，吳恩達教授将Agent參與的流程稱作Agentic Workflow，而不是AI Agent workflow，顯然後者更注重AI Agent參與的workflow而不是AI Agent本身。從這一點，也能看出AI Agent與 Agentic AI的簡單區别。
對于AI Agent參與的業務流程自動化，RPA超自動化、ERP、CRM、BI等技術廠商早已在現有技術生态下引入了AI Agent架構，且表現出的任務執行能力更強。對于這個選題，王吉偉頻道會在另一篇文章中與大家交流。
Agentic AI的概念已經講清楚，而後面要實現這個目标并使其繁榮，就要看各種AI Agent的構建方式以及各種融合AI Agent的Agentic Workflow解決方案了。
在Agentic Workflow的構建方面，吳恩達教授給出的四種主流設計模式，已經給于開發者及企業很大啓發。
目前很多AI Agent構建平台已經支持這四種設計模式，企業及個人都已能在這些平台構建符合需求Agentic Workflow。還有很多開源項目也在進一步優化Agentic workflow的構建流程，對于廣大組織的私有化部署都是極大的利好。
此外很多技術供應商也已在引入AI Agent的基礎上進一步構建Agentic Workflow，能夠讓用户更簡單快捷的應用各種智能工作流。
在Agentic Workflow構建上，王吉偉頻道也會在後面寫幾篇文章與大家分享相關的體驗感受。大家想在哪些方面進行交流，歡迎踴躍留言。
後記：握住Agentic AI的商業脈搏
當前AI應用有一個大趨勢，幾乎所有應用都在向AI Agent和RAG的方向發展與遷移。這意味着，如果所有的AI應用都走向AI Agent模式，未來的workflow都将變成Agentic Workflow。
從吳恩達教授的Zero-shot prompting與Agentic Workflow來看，任何加持了Agentic模式的大語言模型都能領先大模型本身很多，這意味着接下來組織與企業的業務流程效率将會翻倍提升。
在王吉偉頻道看來，即使ChatGPT背後的大語言模型迭代到GPT-4以後的更高版本，Agentic AI也會是更高效的大語言模型使用方式。不然，OpenAI也不會發表本文開頭所提到的白皮書，來詳細闡述大語言模型、AI Agent與Agentic AI Systerm的關聯與區别了。
通過各種系統與集成大語言模型，或者在大語言模型的基礎上做工具與平台擴展，對于大語言模型的應用效率及體驗會更高，已是被驗證的事實。
從AI技術發展歷史來看，智能體的理念要先于AI，且一直以來AI都是作為Agent的技術實現路徑，大語言模型亦不例外。因此在機器學習和深度學習火爆以後，大家都在關注的是AlphaGo和AI換臉技術。現在大語言模型火了，人們關注更多的也是AI Agent、Agentic Workflow以及接下來的Agentic AI。
當然，Agentic AI也不是玄之又玄的東西，只是把AI Agent以及Agentic Workflow在内的各種應用與生态歸納成了一類。但不可否認的是，它勢必會在未來很長一段時間内成為各大組織與商業領網域的口頭禅，也會成為這一階段AI的重要體現形式。
當下，全民皆談智能體讓AI Agent越發審美疲勞，國外更多則在談Agentic AI。就連吳恩達教授也在文章中提到：當看到一篇談論"Agentic"工作流程的文章時，更有可能閲讀。
大家的眼球開始被Agentic AI吸引，是否還會足夠關注AI Agent？這是否意味着AI Agent已然勢微？對于這些問題，大家不要忘了前面我們的探讨：AI Agent是Agentic AI的實現方式，Agentic Workflow是Agentic AI的關鍵。
所以，從"道"的層面關注Agentic AI戰略發展趨勢，從術的層面關注AI Agent不斷推陳出新的各種框架、技術與解決方案，你将會把握住整個Agentic AI乃至AGI時代的商業脈搏。
