智能体是我们用来与人工智能交互的工具。它们可以自动执行通常需要人类参与的复杂任务，例如自然语言处理。
智能体（AI agent 或者叫 AI 代理）是一种软件组件，它能够代表用户或系统执行任务。用户可以将代理组织成系统，从而编排复杂的工作流程 、协调多个代理之间的活动、 运用逻辑解决棘手问题，并评估用户查询的答案。
如果您曾经与客户服务聊天机器人互动过，或者要求人工智能模型为您写一首十四行诗，那么您可能已经熟悉智能体的基本版本。如果您注意到自从人工智能通过 ChatGPT 进入主流以来，其性能有所提升，那么您并没有错。虽然智能体的各个版本已经存在多年，但当今人工智能模型的自然语言处理能力已经释放出许多新的可能性 ，使代理系统能够规划、协作和完成任务，甚至学习提高自身的性能。随着代理变得越来越准确，公司可以越来越多地使用它们来实现组织流程的自动化，并帮助提高员工的日常工作效率。
麦肯锡高级合伙人拉里·哈马莱宁 (Lari Hämäläinen) 表示：“新一代人工智能的发展非常迅速。如今，人机结合的成果可以带来卓越的品质和生产力 。” 短期和长期记忆结构的最新发展使这些智能体能够更好地个性化与内部和外部用户的互动，这意味着无论被要求做什么，智能体都能迅速变得更好。
展望未来，智能体将变得更好；简而言之，它们正在从思考转化为行动 。在过去的 18 个月中，谷歌、微软、OpenAI 和其他公司都投资了软件库和框架，以支持代理功能。随着 Microsoft Copilot、Amazon Q 以及谷歌即将推出的 Project Astra 等基于大型语言模型 (LLM) 的应用程序的出现，代理正在从基于知识的工具转变为基于行动的工具。在不久的将来，代理可能会像今天的移动应用程序一样普及。
有哪些不同类型的智能体？
智能体可以根据其能力、角色、技能以及训练目标进行分类。以下是目前正在开发的一些代理的非详尽列表：
个人增强（“副驾驶”代理）。 这些代理充当个人用户的副驾驶，旨在增强用户的生产力和能力。副驾驶代理，例如微软的 365 Copilot 和 OpenAI 的 ChatGPT，可以协助起草内容、编写代码或检索知识。在某些情况下，副驾驶代理可以充当“智能”助手，根据用户的特定工作流程进行定制。当然，这类代理的效果取决于每个员工自身的积极性和投入。
工作流自动化平台。 这类代理专注于自动化单步或多步任务或小型工作流程，充当人工智能驱动的流程协调器和现有工作流程的执行器。这类代理的示例包括微软的 Copilot Studio 和 Salesforce 的 Agentforce（目前正在开发中）。由于这些代理主要应用于现有流程，因此成功的关键在于实施、变更管理和代理管理方面的大量投入。
面向领域解决方案的原生 智能体。 这些代理是针对特定业务领域或功能构建的解决方案。例如，AI 驱动的客户服务系统或 AI 赋能的软件开发流程。原生 智能体以 AI 为核心，重新构想特定领域，而非将 AI 叠加到现有角色或工作流程上的传统 智能体。
AI 原生企业及其运营模式。 这些智能体贯穿于整个企业运营模式，而非应用于单个工作流程或职能。在这种情况下，企业将经历端到端的 AI 优先重新设计，其中交互层、流程、组织结构甚至商业模式都将得到重新构想。许多组织在首次进行数字化转型时都经历过如此巨大的变化，同样的情况很可能也会发生在 AI 领域。
人工智能虚拟员工。 人工智能虚拟员工是指能够充当员工或团队成员的代理，是最具颠覆性的代理类别。这些虚拟员工可以让人工智能在公司现有模式下运行，从而帮助公司规避全面的组织转型，从而更快地获取价值。
这些 智能体并非互相排斥。许多组织会寻求混合方案——例如，在自动化部分工作流程的同时，推出个人 AI 副驾驶，并试点一些虚拟员工。
智能体如何工作？
智能体能够支持跨行业和业务功能的高度复杂且模糊的用例。它们可以使用为人类设计的工具（例如 Web 浏览器），也可以使用为计算机设计的工具（例如 API）。这种兼具两种能力的能力使 智能体能够灵活地跨组织内部和外部的技术架构运行，而无需对这些架构进行重大修改。
智能体的工作过程通常遵循四个步骤 （图 1）：
用户向代理系统提供一项任务。AI 代理自主工作，规划并推导出如何完成该任务。
代理系统负责规划、分配和执行工作。AI 代理系统将工作流程分解为任务和子任务，管理代理将这些任务分配给其他专门的子代理。这些专门的子代理会利用先前的经验和所学到的领域专业知识，相互协调，并利用组织和外部数据来执行任务。
代理系统可以迭代地改进输出。 代理系统可能会请求额外的用户输入，以确保准确性和相关性。最终输出完成后，代理系统可能会请求用户提供反馈。
代理执行操作。 代理执行任何必要的操作以完全完成任务。
图1
任何智能体的部署都应包含一系列控制措施 。例如，建设性反馈循环允许代理审查和改进其工作。智能体还可以通过编程自学解决问题或将问题上报给人类经理。代理之间还可以更好地协同工作：评论专家代理可以审查创建者代理创建的计划并要求迭代，从而获得更好的输出。一些智能体甚至可以直接向经理提问。组织还可以开发专门的代理，根据道德和偏见问题自动测试和纠正其他代理的输出。
智能体与大语言模型 (LLM) 有何关系？
智能体与不同的 AI 模型协同工作来完成任务。当用于与人类交流时，智能体会与具备自然语言处理能力的 LLM 协同工作。以自动驾驶汽车为例，它运行在一系列与各种 AI 模型协同工作的代理上。负责理解用户目标的 智能体可能会使用 LLM。但负责确保汽车左转安全的代理则会使用高度专业化的设计模型，而不是 LLM，来执行特定类型的决策。
智能体如何影响业务增长？
麦肯锡估计，从长远来看，企业级人工智能用例每年可创造高达 4.4 万亿美元的价值。然而，企业若不能迅速应用人工智能来重塑和变革工作方式，就无法将这一潜力转化为业务增长和生产力提升。相比其他传统技术，智能体能够更快、更好、更经济地挖掘这片巨大的价值宝藏。
但新一代人工智能的价值远不止于常见工作任务的自动化。麦肯锡预测，企业可以部署智能体来帮助重塑流程并实现 IT 基础设施的现代化。这可能包括从切换到更易于使用的编程语言、过渡到提供更多功能的现代框架、重组系统使其更加模块化以及将应用程序迁移到更便宜的云计算环境中运行等各个方面。技术领导者可以使用多个专门的智能体（每个代理都有不同的角色和专业知识）来协作完成复杂的任务，并根据人类的反馈进行实时迭代。然而，真正的价值来自于协调代理以完成离散任务以及整个软件开发流程。
一些行业已经在定期部署智能体。例如，客户服务机器人已经成为许多面向客户的网站的必备工具。根据麦肯锡对新一代人工智能经济潜力的研究 ，使用新一代人工智能客服代理的组织每小时的问题解决率提高了 14%，处理问题的时间减少了 9%。麦肯锡高级合伙人 Jorge Amar 表示：“随着时间的推移，我预计新一代智能体将提高客户满意度并创造收入。它们在销售新服务或满足更广泛的需求方面将发挥关键作用。这将为公司开辟更广泛的客户体验选择 ，例如提供更多与人工代理的高接触互动作为优质服务。”
更一般地说，支持人工智能的代理可以通过三种重要方式简化复杂用例的自动化：
代理可以更轻松地应对难以预测的情况。 基于规则的系统在遇到规则设计者未曾预料到的情况时往往会崩溃。相比之下，Gen 智能体系统可以处理给定用例的各种场景。由于它们基于已在大型非结构化数据集上训练的基础模型构建，因此 Gen 智能体可以实时适应不同的场景并执行专门的任务。
代理系统可以用自然语言来指挥。 自然语言处理可以让用户比以往更快、更轻松地编码复杂的工作流程。使用自然语言处理编码的 Gen 智能体可以让更广泛的工作者设想并使用 AI 工具来实现成果，而无需专门编程或协调更大的 IT 项目。
代理可以与现有的软件工具和平台协同工作。Gen 智能体运行在基础模型上，这使得代理能够使用工具并在更广泛的数字生态系统中进行通信。如果没有基础模型，这些功能将需要大量的人工来集成系统或整理不同系统的输出。代理可以显著减少跨系统集成所需的工作量和返工。
此外，麦肯锡合伙人 Aaron Bawcom 表示：“当智能体协同工作时，它们的能力可以根据环境的变化而增强。它们可以发展出意想不到的行为和技能，这些行为和技能并非经过明确编程，其整体效果大于各部分的总和。这就是所谓的涌现式人工智能。”
公司与智能体合作的真实例子是什么？
中国科技公司联想已在其两个主要业务领域部署了人工智能客服：软件工程和客户支持 。联想解决方案与服务集团首席技术官胡晓明表示，联想软件工程师的效率已提升高达 15%。联想首席运营官兼战略负责人姚琳补充道，客户服务部门的呼叫处理效率也实现了两位数的提升。
迄今为止，联想已将新一代智能体改进为虚拟助手。姚期智设想，未来智能体将成为人类的副手，独立完成任务。
智能体还有哪些其他企业用例？
以下三个假设的用例可以让我们一窥未来智能体的可能性：
贷款承保。 由多个专业代理组成的智能体系统可以处理各种信用风险场景。过去，这通常是一个耗时且高度协作的过程，涉及汇编、分析和审查与借款人、贷款类型和其他变量相关的各种信息。
代码文档和现代化。 大型企业的遗留软件应用程序和系统通常存在安全风险，并可能减缓业务创新的步伐。智能体可以帮助简化这些系统现代化的流程。例如，一家公司可以部署一名专门的代理作为遗留软件专家来分析旧代码，而另一名质量保证代理可以审查文档并不断改进人工智能的输出，以确保准确性并符合组织标准。
在线营销活动。 设计、启动和运行在线营销活动可能是一个复杂且多层次的过程，涉及许多不同的人员。单个 智能体系统可以根据公司营销专业人员的意见，开发、测试和迭代营销活动创意。然后，数字营销代理可以收集洞察来制定策略和文案，而设计代理则可以构建定制内容。
组织在采用智能体时面临哪些障碍？
麦肯锡合伙人 Nicolai von Bismarck 表示，建立信任是采用智能体技术的一大障碍 ：“我们发现，所有年龄段的客户——甚至是 Z 世代 ——仍然更喜欢通过实时电话交谈来获得客户帮助和支持。” 他继续说道，一家银行通过创建一种架构来解决这个问题，该架构会在与客户分享答案之前检查智能体是否存在错误或“幻觉”，从而减少错误响应的数量并建立信任。
麦肯锡合伙人罗杰·罗伯茨表示：“能够从人工智能中获取最大价值的公司，将是那些与客户、员工和利益相关者建立信任的公司。人们必须足够信任人工智能，才能将任务移交给他们。公司的道德决策必须植根于每个组织独特的价值观，以及将人类置于人工智能生态系统中心的社会价值观。”
麦肯锡高级合伙人阿马尔表示，随着企业扩大智能体规模，另一个挑战将是变革管理。“这远比简单地推出一套新工具要复杂得多，”他说道。“企业需要重新规划各项职能的运作方式 ，以便从新一代智能体中获得全部价值。”
这种重塑的一部分包括采用新技术，以及对现有技术进行调整，使其更好地与基于机器学习和新一代人工智能的工具协同工作。组织还应调整其运营模式，以支持正在迭代开发新服务的小型团队。此外，领导者应制定激励措施，帮助员工学习如何使用并信任新工具。
最后，“在部署智能体时，数据保护是领导者关注的一大重点，”麦肯锡合伙人 Bawcom 表示。正在推进智能体项目的公司应该谨慎实施适当的安全、运营和数据控制措施。目前有许多不断发展的方法和解决方案——既有现成的，也有定制的。
智能体如何改变组织的技术架构？
智能体的激增可能会改变组织运行其技术项目的方式。麦肯锡预测，IT 架构将从传统的以应用程序为中心的模式转变为一种新的多代理模型 。在这种架构中，技术领导者可以管理多达数千个代理，这些代理彼此之间以及与人类和外部程序之间进行通信，以实现共同目标。
以下是技术领导者可以在其当前环境中部署代理的三种方式（图表 2）：
超级平台。 这些是下一代第三方业务应用程序，例如协作工具或客户关系管理 (CRM) 程序，其中包含内置的智能体。例如，用户可以部署 CRM 超级平台来运行销售报告，同时自动与公司的分析工具通信。在过去，这需要针对特定用例进行编程。
AI 包装器。 这些工具允许企业服务通过 API 与第三方服务进行通信和协作，而无需暴露公司专有数据。例如，银行可以围绕内部开发的 AI 驱动信用风险模型构建一个支持 A 代的包装器。该 AI 包装器可以启动操作，例如要求供应商的 LLM 根据客户数据和信用评分生成风险因素，而无需向供应商甚至 LLM 透露数据。
定制 智能体。 员工可以通过微调预训练的 LLM 或使用检索增强生成 (RAG) 访问公司专有数据，开发定制的 智能体。例如，在客户服务环境中，员工可以将客户数据、呼叫中心记录和公司政策输入现有模型，以创建 智能体，协助呼叫中心员工回答客户问题。
组织需要调整其 IT 架构，以更好地服务于这些新的以代理为中心的工作流程，并允许持续迭代和改进 。
图2
组织可以采取哪些步骤来实现智能体？
领导者可以关注三个重要领域 ：
仔细审查任何耗时长且需要大量人员的技术提案。 这意味着要审查所有大型提案，以确定人工智能如何降低成本并缩短工期。领导者应该对那些声称包含人工智能功能的提案保持警惕，因为这些功能的价值潜力可能有限或只是辅助性的。
聚焦最大问题。 小规模的举措通常只会导致小规模的成果。因此，企业最好识别出最大、最复杂的技术问题——那些成本高昂、耗时多年且造成严重技术债务的问题——并专注于利用人工智能来解决这些问题。
提前考虑人才、技术和运营模式的影响。 随着多代理方法的规模扩大，领导者需要了解并规划其对业务的影响。这些影响包括重新思考人才战略和技能再培训计划，相应地调整运营模式，以及重新评估运营和资本支出。
智能体的演进才刚刚开始，还有许多学习和发现有待探索。智能体领域的许多工作正在从实验室走向全面展开。智能体提供新功能，帮助人们重新构想各行各业、各种规模的组织的工作方式。
参考文章：
“ 为什么投资人工智能信托会带来回报 ”，2024 年 12 月 18 日， 罗杰·罗伯茨
“ 从银行业人工智能中获取价值：重塑企业 ”，2024 年 12 月 9 日， Carlo Giovine 、 Larry Lerner 、 Renny Thomas 、Shwaitang Singh、Sudhakar Kakulavarapu 和 Violet Chung 与 Yuvika Motwani 共同发表
“ 人工智能助力 IT 现代化：更快、更便宜、更好 ”，2024 年 12 月 2 日，Aaron Bawcom 和 Matt Fitzpatrick 与 Chi Wai Cheung、Dan Collins 和 Dante Gabrielli 共同发表
“ 企业技术的下一章：四代人工智能变革将重塑商业技术 ”，2024 年 12 月 2 日， James Kaplan 、Mark Gu 和 Megha Sinha
“ 规划 2030 年数据和人工智能驱动型企业的道路 ”，2024 年 9 月 5 日， Asin Tavakoli 、 Holger Harreis 、 Kayvaun Rowshankish 和 Michael Bogobowicz
“ 为什么代理是生成式人工智能的下一个前沿 ”，2024 年 7 月 24 日， Lareina Yee 、 Michael Chui 和 Roger Roberts 与 Stephen Xu 共同发表
“ 企业中新一代智能体的前景与现实 ”，2024 年 5 月 17 日， Jorge Amar 、 Lari Hämäläinen 和 Nicolai von Bismarck
“ 生成式人工智能的经济潜力：下一个生产力前沿 ”，2023 年 6 月 14 日， Alex Singla 、 Alex Sukharevsky 、Eric Hazan、 Kate Smaje 、 Lareina Yee 、 Michael Chui 、Rodney Zemmel 和 Roger Roberts
普华永道发布“agent OS”，一个供人工智能智能体交互的新平台。...
四大事务所正在竞相开发最佳的 AI 解决方案。
德勤和安永刚刚进入竞争的下一阶段——与员工并肩工作的 AI 智能体。
智能体 AI 可能会重塑咨询公司的商业模式。...
《数字化转型》2025年第3期刊发第十四届全国人大代表，美的集团党委副书记、集团副总裁兼首席财务官钟铮署名文章《积极打造工厂智能体，因地制宜发展新质生产力》，全文为您分享如下：...