Agentisk AI hänvisar till avancerade AI-system som autonomt kan analysera data, uppnå komplexa mål och anpassa sig i realtid genom att lösa flerstegsproblem med låg till minimal mänsklig intervention. Enkelt uttryckt kan de för en given miljö (dataekosystem) förstå uppgiften, samla in data från källorna, generera lösningar med en resonemangsmodell som RAG/LLM och agera utifrån den via åtkomst till verktyg och API:er. Det består helst av skyddsräcken i form av bekräftelser eller godkännanden från människor; och en återkopplingsslinga.
Funktionerna hos grundläggande modeller (som vanligtvis används i generativ AI) har accelererat tillväxten och utvecklingen av Agentic AI-modeller. Detta gör generativ AI och grundläggande modeller till ett utmärkt komplement till Agentic AI-arbetsflöden, eftersom de kan bedöma situationen för att brainstorma och skapa tydliga steg för innovativa lösningar. Man tänker på LLM:er som hjärnan bakom Agentic AI.
Med tanke på att AI-agenter är ett framväxande område finns det inga grundläggande ramverk för att utvärdera eller utveckla dem. Generellt sett följer agentisk AI strukturen:
- Börjar med ett mänskligt kommando/diskussion
- Förtydliga uppgiften och skapa exekveringsflödet
- Utför varje steg i planen genom att anropa nödvändiga verktyg/miljöer
- Pausa eller kontrollera för mänsklig feedback
- Uppgiftsslutförande
Även om det kanske inte är så enkelt, är tanken att ha en planerare, utvärderare och utförare som utför sin egen del och sedan överför sin output till nästa nedströmsaktivitet som ett system med flera agenter.
Några av de områden där folk har börjat se automatiseringsresultat i Agentics AI-modeller är:
Leverantörskedjeagenter som automatiskt kan justera lagernivåer baserat på efterfrågesignaler i realtid Arbetskraftsplaneringsagenter som dynamiskt kan schemalägga arbetskraft IT-incidentresponser kan kategoriseras i flera arbetsflöden baserat på deras prioriteringar och incidenttyper, och vissa problem som enkelt kan åtgärdas kan snabbt lösas med AI. AI-agenter kan identifiera ineffektiviteter i CI/CD-processer, såsom långa byggtider eller ostabila tester, och föreslå förbättringar. Kundtjänstfrågor kan dirigeras till lämpliga avdelningar Som vi tidigare nämnt arbetar agenter i sina miljöer och anropar de verktyg/funktioner de vill ha – så det finns mycket utrymme för saker som kan automatiseras. Allt vi behöver göra är att utforska.
Exempel på Agent AI-ramverk PS I de flesta fall kan du behöva automatisering eller arbetsflöden men inte agentbaserad AI. Så tänk på flödet och utförandet innan du vill börja med agenter.