【技术随谈】第7篇

【AI Agent vs Agentic AI】系列第3篇

1.引言

虽然AI智能体在通过工具增强推理实现狭窄任务自动化方面取得了重大进步，但近期文献指出其在复杂、动态和/或协作场景中的可扩展性存在显著约束[1][2][3]。这些限制催生了更先进范式的发展：多智能体协同AI（Agentic AI）。这类新兴系统通过结构化通信[4][5][6]、共享记忆[7][8]和动态角色分配[9]，扩展传统AI智能体能力，使多个智能实体能协作追求目标。

如先前研究所示，AI智能体将LLM与外部工具和API集成，可执行范围受限的操作（如响应客户查询、执行文档检索或管理日程）。然而随着用例日益需要跨动态环境的上下文保持、任务互依性和适应性，单智能体模型已显现出明显局限性。多智能体协同AI系统代表智能架构的新兴类别，其中多个专业智能体通过协作推理和多步规划协同实现复杂高层目标[10]。这类系统由模块化智能体组成——每个负责更广泛目标的特定子组件，并通过集中式协调器或分布式协议进行协调[5][11]。这标志着从单智能体架构向以动态智能体间协作为特征的系统级智能的概念性转变。

2.Agentic AI核心特征

Agentic AI范式的关键是目标分解——用户需求目标被规划智能体自动解析并划分为更小可管理任务[12]，这些子任务随后分布在智能体网络中。多步推理与规划机制促进这些子任务的动态排序，使系统能实时适应环境变化或部分任务失败。这种智能体架构确保即使在不确定性下也能稳健执行任务[9]。

智能体间通信通过分布式通信通道（如异步消息队列、共享记忆缓冲区或中间输出交换）协调，实现无需持续中心监督的协作[9][13]。此外，反思推理与记忆系统使智能体能跨多次交互存储上下文，评估过往决策并迭代优化策略[14]。这些能力共同使多智能体协同AI系统展现出超越个体智能体操作限制的灵活、自适应、合作与协作智能。

上图通过智能家居系统类比AI智能体与多智能体协同AI的区别。传统AI智能体形式的智能恒温器作为独立智能体运行，接收用户定义温度设置，自主控制供暖或制冷系统以维持目标温度[15][16]。虽然展示有限自主性（如学习用户日程或无人时降低能耗），但其孤立运行单一明确定义任务，不参与更广泛环境协调或目标推断。

对比之下，嵌入综合智能家居生态的多智能体协同AI系统包含多个专业智能体协同管理天气预报、日常调度、能源定价优化、安全监控和备用电源激活等多元模组。这些智能体通过动态通信、共享记忆状态和协作对齐行动实现高层系统目标（如实时优化舒适度、安全与能效）。例如，天气预报智能体预报接下来会出现一波热浪，促使能源管理智能体协调在峰值电价前利用太阳能预冷。同时系统可能在住户外出时延迟高耗能任务或激活监控系统，跨领域整合决策。这一案例体现从任务特定自动化到自适应编排智能的架构与功能跨越[9]。

3.Agentic的技术演进与对比分析

为系统把握从生成式AI到AI智能体再到多智能体协同AI的演进，我们构建以生成式AI为基准的基础分类体系。虽然AI智能体与多智能体协同AI系统代表日益自主与交互的系统，两种范式均以生成架构（特别是LLM和LIM）为基础。

源自对AutoGen[17]和ChatDev[18]等知名框架的细致分析，表 1列出AI智能体与多智能体协同AI系统在定义、自主性等级、任务复杂度处理能力、协作模式、学习适应范围以及典型应用领域等方面的基本区别。

表1： AI Agent与Agentic AI的差异对比

虽然表 1阐明AI智能体与多智能体协同AI系统的基础差异，但需要更精细分类以理解这些范式如何从更广泛的生成式AI框架中涌现并与之关联。具体而言，从静态生成式AI系统到工具增强型AI智能体，再到协作式多智能体协同AI生态的演进，不仅是结构性的，更是功能性的——涵盖启动机制、记忆使用、学习能力和编排策略如何在智能体谱系中演化。此外，近期研究指出"生成式智能体(Generative Agent)"等混合范式的出现——将生成建模与模块化任务专业化结合，使多智能体协同AI格局进一步复杂化。

为捕捉这些微妙关系，表 2系统梳理了生成式AI、AI智能体、多智能体协同AI系统和推理生成式智能体四个AI系统在任务触发、目标适应、时间连续性、记忆运用和行动协调等方面的特征。

表2：四类AI系统的差异对比

多智能体协同AI系统通过引入内部编排机制和多智能体协作框架显著区别生成式AI、AI智能体。例如AutoGen[17]和ChatDev[18]等平台通过任务分解、角色分配和递归反馈循环例证智能体协调。在AutoGen中，一个智能体可能担任规划者，另一个检索信息，第三个合成报告，各自通过共享记忆缓冲区通信，并由监控依赖关系和整体任务进展的协调者智能体管理。这种结构化协调允许更复杂的目标追求，同时通过明确划分责任范围与验证协议（如Waitgpt中的模式检查[19]）增强系统可靠性。这种自主性扩展需要持久记忆架构来维护跨智能体与长时间范围的上下文一致性，以及集中式或分布式协调层来仲裁交互并解决冲突。这些进步共同促成系统级智能的涌现——其中整体能力超越个体组件总和，使复杂、动态和开放式环境中的自主协作成为可能。

图注：AutoGen Agents组成示意图

4.架构演进：从基础组件到系统智能

尽管AI智能体（AI Agents）与多智能体协同AI（Agentic AI）系统均采用模块化设计原则，但多智能体协同AI显著扩展了基础架构，以支持更复杂、分布式且自适应的行为。这一转变始于定义传统AI智能体的核心子系统——感知（Perception）、推理（Reasoning）和行动（Action）。多智能体协同AI通过集成高级组件（如专用智能体、高级推理与规划、持久记忆和编排层）增强了这一基础。

基础AI智能体通常由四个主要子系统构成：

感知模块：接收来自用户或外部系统的输入信号，进行数据预处理[20][21]

知识表示与推理(KRR)模块：应用符号化、统计或混合逻辑进行决策[22]

行动选择与执行模块：将决策转化为外部行动[20]

基础学习与适应机制：有限的历史感知和参数调整能力[23][24]

多智能体协同AI系统继承了这些模块化特性，但通过以下关键架构创新实现能力跃升：

专业化智能体集群：如MetaGPT采用企业部门架构建模智能体[25]

高级推理与规划：整合ReAct[26]、思维链[27]和思维树[28]等框架

持久化记忆架构：包括情景记忆[29][30]、语义记忆[31][32]和向量记忆[33][34]

编排层/元智能体：协调智能体生命周期和依赖关系的中央管理系统[17][18]

这些增强功能共同使多智能体协同AI能够支持需要持续上下文、分布式协作、多模态协调和战略适应的场景。应用范围涵盖协同检索-摘要-起草文档的研究助手（如AutoGen流水线），到并行监控物流、供应商绩效和动态定价模型的智能供应链系统。

5.未来展望：自主协作智能体的发展路径

从孤立的感知-推理-行动循环，转向协作式且具备自评估能力的多智能体工作流，标志着智能系统架构设计的关键转折点[35]。这种演进使智能体不仅能执行行动，还能反思、学习并持续改进，将多智能体协同AI定位为新一代AI基础设施。

当前研究前沿集中在以下几个方向：

更复杂的协调机制：完善任务分配和冲突解决算法[17][18]

记忆系统的优化：实现更高效的知识共享和检索[34][36]

混合架构设计：结合生成式AI与专业智能体的优势[37]

评估框架建立：量化多智能体系统的协作效能[21]

这些技术进步将推动多智能体协同AI在复杂系统管理、分布式决策和自适应协作等领域的应用，最终实现"系统智能超越个体总和"的愿景[17]。随着AutoGen、ChatDev等框架的成熟，人工智能正在进入多智能体协同的新纪元。

参考文献

向上滑动查看所有参考文献

[1]Z. Wu, C. Yu, C. Chen, J. Hao, and H. H. Zhuo, “Models as agents: Optimizing multi-step predictions of interactive local models in model-based multi-agent reinforcement learning,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 37, pp. 10435–10443, 2023.

[2]Z. Feng, R. Xue, L. Yuan, Y. Yu, N. Ding, M. Liu, B. Gao, J. Sun, and G. Wang, “Multi-agent embodied ai: Advances and future directions,” arXiv preprint arXiv:2505.05108, 2025.

[3]A. Feriani and E. Hossain, “Single and multi-agent deep reinforcement learning for ai-enabled wireless networks: A tutorial,” IEEE Communications Surveys & Tutorials, vol. 23, no. 2, pp. 1226–1252, 2021.

[4]R. Zhang, S. Tang, Y. Liu, D. Niyato, Z. Xiong, S. Sun, S. Mao, and Z. Han, “Toward agentic ai: generative information retrieval inspired intelligent communications and networking,” arXiv preprint arXiv:2502.16866, 2025.

[5]U. M. Borghoff, P. Bottoni, and R. Pareschi, “Human-artificial interaction in the age of agentic ai: a system-theoretical approach,” Frontiers in Human Dynamics, vol. 7, p. 1579166, 2025.

[6]E. Miehling, K. N. Ramamurthy, K. R. Varshney, M. Riemer, D. Bouneffouf, J. T. Richards, A. Dhurandhar, E. M. Daly, M. Hind, P. Sattigeri, et al., “Agentic ai needs a systems theory,” arXiv preprint arXiv:2503.00237, 2025.

[7]W. Xu, Z. Liang, K. Mei, H. Gao, J. Tan, and Y. Zhang, “A-mem:Agentic memory for llm agents,” arXiv preprint arXiv:2502.12110,2025.

[8]C. Riedl and D. De Cremer, “Ai for collective intelligence,” Collective Intelligence, vol. 4, no. 2, p. 26339137251328909, 2025.

[9]D. B. Acharya, K. Kuppan, and B. Divya, “Agentic ai: Autonomous intelligence for complex goals–a comprehensive survey,” IEEE Access, 2025.

[10]R. Surapaneni, J. Miku, M. Vakoc, and T. Segal, “Announcing the agent2agent protocol (a2a) - google developers blog,” 4 2025.

[11]L. Hughes, Y. K. Dwivedi, T. Malik, M. Shawosh, M. A. Albashrawi, I. Jeon, V. Dutot, M. Appanderanda, T. Crick, R. De’, et al., “Ai agents and agentic systems: A multi-expert analysis,” Journal of Computer Information Systems, pp. 1–29, 2025.

[12]P. Bornet, J. Wirtz, T. H. Davenport, D. De Cremer, B. Evergreen, P. Fersht, R. Gohel, S. Khiyara, P. Sund, and N. Mullakara, Agentic Artificial Intelligence: Harnessing AI Agents to Reinvent Business,Work and Life. Irreplaceable Publishing, 2025.

[13]H. P. Moravec, “The stanford cart and the cmu rover,” Proceedings of the IEEE, vol. 71, no. 7, pp. 872–884, 1983.

[14]P. R. Lewis and S?. Sarkadi, “Reflective artificial intelligence,” Minds and Machines, vol. 34, no. 2, p. 14, 2024.

[15]A. I. Hauptman, B. G. Schelble, N. J. McNeese, and K. C. Madathil,“Adapt and overcome: Perceptions of adaptive autonomous agents for human-ai tea

[16]Z. Deng, Y. Guo, C. Han, W. Ma, J. Xiong, S. Wen, and Y. Xiang,“Ai agents under threat: A survey of key security challenges and future pathways,” ACM Computing Surveys, vol. 57, no. 7, pp. 1–36, 2025.

[17]Q. Wu, G. Bansal, J. Zhang, Y. Wu, B. Li, E. Zhu, L. Jiang, X. Zhang, S. Zhang, J. Liu, et al., “Autogen: Enabling next-gen llm applications via multi-agent conversation,” arXiv preprint arXiv:2308.08155, 2023.

[18]C. Qian, W. Liu, H. Liu, N. Chen, Y. Dang, J. Li, C. Yang, W. Chen, Y. Su, X. Cong, et al., “Chatdev: Communicative agents for software development,” arXiv preprint arXiv:2307.07924, 2023.

[19]L. Xie, C. Zheng, H. Xia, H. Qu, and C. Zhu-Tian, “Waitgpt: Monitoring and steering conversational llm agent in data analysis with on-the-fly code visualization,” in Proceedings of the 37th Annual ACM Symposium on User Interface Software and Technology, pp. 1–14,2024.

[20]K. Pandya and M. Holia, “Automating customer service using langchain: Building custom open-source gpt chatbot for organizations,”arXiv preprint arXiv:2310.05421, 2023.

[21]H. Zhang, Z. Li, F. Liu, Y. He, Z. Cao, and Y. Zheng, “Design and implementation of langchain-based chatbot,” in 2024 International Seminar on Artificial Intelligence, Computer Technology and Control Engineering (ACTCE), pp. 226–229, IEEE, 2024.

[22]H. Yang, S. Yue, and Y. He, “Auto-gpt for online decision making: Benchmarks and additional opinions,” arXiv preprint arXiv:2306.02224, 2023.

[23]E. Ephrati and J. S. Rosenschein, “A heuristic technique for multi-agent planning,” Annals of Mathematics and Artificial Intelligence, vol. 20,pp. 13–67, 1997.

[24]S. Kupferschmid, J. Hoffmann, H. Dierks, and G. Behrmann, “Adapting an ai planning heuristic for directed model checking,” in International SPIN Workshop on Model Checking of Software, pp. 35–52, Springer, 2006.

[25]S. Hong, X. Zheng, J. Chen, Y. Cheng, J. Wang, C. Zhang, Z. Wang, S. K. S. Yau, Z. Lin, L. Zhou, et al., “Metagpt: Meta programming for multi-agent collaborative framework,” arXiv preprint arXiv:2308.00352, vol. 3, no. 4, p. 6, 2023.

[26]S. Yao, J. Zhao, D. Yu, N. Du, I. Shafran, K. Narasimhan, and Y. Cao,“React: Synergizing reasoning and acting in language models,” in International Conference on Learning Representations (ICLR), 2023.

[27]J. Wei, X. Wang, D. Schuurmans, M. Bosma, F. Xia, E. Chi, Q. V. Le, D. Zhou, et al., “Chain-of-thought prompting elicits reasoning in large language models,” Advances in neural information processing systems, vol. 35, pp. 24824–24837, 2022.

[28]S. Yao, D. Yu, J. Zhao, I. Shafran, T. Griffiths, Y. Cao, and K. Narasimhan, “Tree of thoughts: Deliberate problem solving with large language models,” Advances in neural information processing systems, vol. 36, pp. 11809–11822, 2023.

[29]C. DeChant, “Episodic memory in ai agents poses risks that should be studied and mitigated,” arXiv preprint arXiv:2501.11739, 2025.

[30]A. M. Nuxoll and J. E. Laird, “Enhancing intelligent agents with episodic memory,” Cognitive Systems Research, vol. 17, pp. 34–48, 2012.

[31]G. Sarthou, A. Clodic, and R. Alami, “Ontologenius: A long-term semantic memory for robotic agents,” in 2019 28th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN), pp. 1–8, IEEE, 2019.

[32]A.-e.-h. Munir and W. M. Qazi, “Artificial subjectivity: Personal semantic memory model for cognitive agents,” Applied Sciences, vol. 12,no. 4, p. 1903, 2022.

[33]A. Singh, A. Ehtesham, S. Kumar, and T. T. Khoei, “Agentic retrieval augmented generation: A survey on agentic rag,” arXiv preprint arXiv:2501.09136, 2025.

[34]R. Akkiraju, A. Xu, D. Bora, T. Yu, L. An, V. Seth, A. Shukla, P. Gundecha, H. Mehta, A. Jha, et al., “Facts about building retrieval augmented generation-based chatbots,” arXiv preprint arXiv:2407.07858,2024.

[35]R. Sapkota, K. I. Roumeliotis, S. Pokhrel, and M. Karkee,“From self-learning to self-evolving architectures in large language models: A short survey,” May 2025. TechRxiv preprint DOI:10.36227/techrxiv.174838070.09235849/v1.

[36]J. Guo, N. Li, J. Qi, H. Yang, R. Li, Y. Feng, S. Zhang, and M. Xu,“Empowering working memory for large language model agents,” arXiv preprint arXiv:2312.17259, 2023.

[37]J. S. Park, J. O’Brien, C. J. Cai, M. R. Morris, P. Liang, and M. S. Bernstein, “Generative agents: Interactive simulacra of human behavior,” in UIST 2023 - Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, Association for Computing Machinery, Inc, 10 2023.