自主人工智能（AI）代理是能够为用户或系统执行任务而无需人类干预的智能系统。它们是一种特定类型的智能代理，具有独立运作、做出决策和采取行动的能力，而不需要持续的人类指导。
普通的软件代理是一个以目标为导向的程序，以有限的自主方式对其环境作出反应，以为最终用户或其他程序执行功能。智能代理通常更为先进，能够感知其环境、处理数据并以一定的适应性做出决策。相比之下，自主AI代理旨在独立运作，具备更高的适应性，使其能够在几乎没有人类影响的情况下做出更复杂的决策。
自主AI代理具有巨大的潜力。
代理通常能够在没有人类用户输入的情况下自行激活和运行。它们还可以用于启动或监控其他程序和应用。自主AI代理通常使用大型语言模型（LLMs）和像网站或数据库这样的外部来源。它们还可以利用自我学习技术不断改进。自主AI代理能够在动态环境中运作，使其非常适合复杂任务，如企业客户服务。
基于代理的计算和建模已经存在数十年，但随着生成式AI的最新创新，研究人员、供应商和爱好者正在构建更多自主AI代理。尽管这些努力仍处于早期阶段，但长期目标是提高效率、简化工作流程并推动流程的进步。例如，自主AI代理可以与机器人流程自动化（RPA）机器人协同工作，以执行简单任务，最终共同协作完成整个流程。
本文是
什么是生成式AI？生成式AI解释
- 还包括：
- 2024年8大生成式AI工具类别
- AI会取代工作吗？17种可能受影响的工作类型
- 2024年最佳19个大型语言模型
自主AI代理的特点
自主AI代理的常见特点包括：
- 自主性增强。自主AI代理相比其他代理具有更高的自主性。这意味着它们能够在更复杂的环境中运作。
- 适应性。自主AI代理可以对其环境做出反应并学习，这意味着它们能够解释数据、导航复杂障碍并调整其行为。
- 工具的可访问性。自主AI代理还可以访问客户互动数据、外部数据库、网络和传感器数据等工具。
- 记忆存储。具有内置记忆的自主AI代理意味着该代理可以从过去的经验中学习。
- 社交技能。自主AI代理能够理解自然书写的人类语言，因为它们通常使用LLMs和自然语言处理（NLP）进行训练。
自主代理如何工作？
自主AI代理必须可靠地执行复杂的上下文依赖任务，维护长期记忆，并处理伦理情况和固有偏见。
自主AI代理通常使用多种技术的组合进行操作，例如机器学习（ML）、NLP和实时数据分析。代理根据LLMs和用于训练它们的数据生成响应。
在操作中，自主AI代理通常经历以下步骤：
- 该过程通常以数据收集阶段开始，代理从各种来源收集数据。这包括来自客户互动、外部数据库、传感器或其他工具（如网络搜索、应用程序编程接口（API）或其他代理）的数据，以便更好地感知其环境。此步骤对代理正确理解其所给任务的上下文以及做出适当的决策至关重要。
- 下一步是决策过程，代理分析收集到的数据，并开始使用ML过程识别模式和预测结果。
- 在代理做出决策后，它进入执行步骤，采取一个或多个顺序行动以达到其目标。
- 代理更新其知识库，并根据经验进行任何改进。这有助于代理随着时间的推移不断改进。
AI自主代理的类型
AI自主代理根据其代理功能和能力的范围以及智能程度定义如下：
模型基础反射代理。这些代理使用其当前感知和记忆来构建对其环境的全面视图。它们可以将数据存储在记忆中，并在代理接收新信息时更新模型。
基于目标的代理。这些代理在模型基础代理存储的信息上扩展，同时还包括目标信息或有关理想情况的信息。
基于效用的代理。这些代理类似于基于目标的代理，但提供额外的效用测量，根据期望结果对可能的情景进行评分。然后，它们选择最大化期望结果的行动。评分标准的示例包括朝目标的进展、成功的概率或所需资源。
学习代理。通过使用额外的学习算法，这些代理可以逐渐改进并对其环境变得更有知识。对性能的反馈被测量，以确定性能应如何随着时间的推移而变化。
自主AI代理的优缺点
自主AI代理提供以下好处：
- 成本。AI通常在重复性任务上表现良好，可以释放人类操作员去处理更复杂或创造性的任务。
- 客户体验。当自主AI代理被放置在面向客户的位置时，可以实现更个性化和响应迅速的互动。
- 任务自动化。它们可以自动化比其他基于代理的软件更多的任务，而这些任务本来需要人类来完成。
- 响应质量。它们可以提供快速、全面的响应。
然而，这些类型的代理也带来一些挑战，包括：
- 计算要求。自主AI代理的训练和操作可能复杂，并且比其他类型的代理需要更多的计算资源。
- 数据隐私和伦理。ML模型有时会表现出偏见和不准确的结果，并且根据其用途，可能会访问用户数据。确保用户数据受到保护并且做出伦理决策的过程对某些组织来说可能很困难。
- 多代理依赖。多代理系统通常共享相同的问题或弱点。
- 技术复杂。创建和部署AI代理需要特定的技能和专业知识，这可能对较小的组织来说难以实施。
- 真正的理解。自主AI代理在需要深层上下文理解的场景中往往表现不佳，主要是由于底层LLM和计算限制。
自主代理的示例和用途
创新者和风险投资家中岛洋平在2023年3月创建了BabyAGI并将代码发布在GitHub上，激发了对自主AI代理的高度兴趣。自那时以来，许多其他开源自主AI代理工具也被发布，包括：
- AgentGPT。该平台使用户能够执行各种任务，包括简单的研究和部署自主AI代理。
- DeepWisdom MetaGPT。这个在GitHub上可用的框架可用于代码生成、项目规划和原型设计。
- Forethought AutoChain。该开发者平台通过GitHub提供其代码。
- LlamaIndex。这个开源数据编排框架可用于构建LLMs。
- Microsoft Prompt flow。作为一个托管的Microsoft项目，在GitHub上可用，该平台可用于开发基于LLM的AI应用。
供应商
包括以下几家供应商也提供自主AI产品：
- OpenAI在2023年初发布了Assistants API，以支持在云和移动设备上运行的AI辅助任务。
- Salesforce在2024年12月宣布了Agentforce 2.0，这是一个面向服务、销售、电子商务和市场营销的自主机器人平台。该版本包括专有的Atlas推理引擎，帮助Agentforce检索数据、推理和行动。
- UiPath在2023年发布了Autopilot。其RPA基础设施结合了生成式和专用AI，以在整个企业中运行自动化流程。
自主AI代理的历史
自主AI代理的早期示例之一可以追溯到1966年斯坦福研究所开发的Shakey机器人。其重点是创建一个能够通过设定适当目标、感知环境、生成实现这些目标的计划并执行该计划，同时适应环境来响应分配的任务的实体。Shakey被设计为在较长时间内作为嵌入式系统运行，执行一系列不同但相关的任务。
扩展这种方法是困难的。直到最近，大多数构建自主代理的方法都需要手动知识工程工作，涉及明确编码低级技能和模型以驱动代理行为。ML逐渐被用于学习专注的元素，如物体识别或移动机器人避障。
最近将LLMs应用于理解任务的创新产生了一种全新的、更自动化的方法。现在的重点是合成和执行任务的解决方案，而不是支持一个持续运行的代理，该代理动态设定自己的目标。这些较新的生成模型也旨在使用LLMs进行规划和问题解决。
这些创新与之前缺乏适应性的企业助手工作相区别，包括专家系统、自主代理、智能代理、决策支持系统、RPA机器人、认知代理和自学习算法。使用LLMs的自主代理在动态学习和适应性、理解上下文、做出预测和以更人性化的方式进行互动方面变得越来越好。因此，代理能够以最小的人类干预进行操作，并实时适应新信息和环境。
自主AI的未来
自主AI可以被视为RPA的进化，后者专注于点任务。LLM自主代理有潜力使更广泛的自动化能力更容易构建。
基于LLM的互联自主AI代理正在演变。
AI最终可能由自主代理驱动，导致完全自主的AI操作系统，支持与公司目标、合规性、法律标准和人类价值观更一致的更具适应性的系统。
当到来时，广泛部署聊天机器人或LLM代理技术而不涉及人类验证时，需要谨慎。代理尚未完全可靠，仍可能生成不准确的响应，这意味着必须采取预防措施和检查。
企业需要优先考虑数据安全和伦理AI实践。它们还必须开发机制，以确保这些自主代理做出的决策与组织价值观一致，并遵循法律标准。这需要解决围绕算法公平性、问责制、可审计性、透明度、可解释性、安全性和偏见缓解的问题。
在阴暗面，自主AI代理可能推动更具韧性、动态和自我复制的恶意机器人，发起拒绝服务攻击、黑客攻击企业系统、掏空银行账户和进行虚假信息活动。企业还必须考虑人类工人受到的影响，包括角色和责任。人类在创建、测试和管理代理以及决定内部代理何时何地应被允许独立运行方面将发挥重要作用。
如今，许多企业正在推出处理多项任务的聊天机器人。未来的目标是开发一个优化不同任务的领域特定代理的生态系统。埃森哲的《技术愿景2024》报告发现，全球96%的高管一致认为，AI代理生态系统将在未来三年内为他们的组织带来“重大机遇”。
埃森哲全球创新负责人兼首席软件工程师亚当·伯登表示：“我们相信，在未来十年里，我们将看到整个代理生态系统的兴起，大规模的互联AI网络将推动企业以根本不同的方式思考其智能和自动化战略。”
他展望的未来是数十亿自主代理相互连接并执行任务，显著改变商业和客户服务的格局，增强每个人的能力。例如，AI目前用于检测制造缺陷，但连接的代理最终可以实现完全自动化、无人工干预的工厂生产。“这种转变，”伯登指出，“正在推动对自主AI代理的强烈兴趣。”
随着技术的不断演变，自主AI代理的质量将继续提高。了解有关商业用途的不同AI代理的更多信息。
最后更新于2024年12月。
