AI Agents的未来是事件驱动的

AI Agents将通过自主解决问题、自适应工作流程和扩展性来改变企业运营。但真正的挑战不是建立更好的模型。

Agents需要访问数据、工具，并具备跨系统共享信息的能力，其输出可供多种服务(包括其他代理)使用。这不是人工智能问题：这是基础设施和数据互操作性问题。他需要的不仅仅是将命令链拼接在一起：它需要一个由数据流驱动的事件驱动架构(EDA)

人工智能的演进

人工智能的第一波浪潮：预测模型

人工智能的第一波浪潮围绕传统的机器学习，专注于狭义任务的预测能力

构建这些模型需要大量的专业知识，因为它们是专门针对个别用例而设计的。它们是特定于领域的，其领域特异性嵌入在训练数据中，这使得它们难以重新利用。如果是新的领域将重新调整模型

总结：这种方法缺少可扩展性

人工智能的第二波浪潮：生成模型

由深度学习驱动的生成式人工智能标志着一个转折点

这些生成模型并不局限于单一领域，而是在庞大而多样的数据集上进行训练，使其能够在各种情况下推广。它们可以生成文本、图像甚至视频，从而开辟出令人兴奋的新应用。然而，这股浪潮也带来了自身的挑战。

生成模型是固定的，无法纳入新的或动态的信息，而且很难adapt。微调可以满足特定领域的需求，但成本高昂且容易出错。微调需要大量数据、大量计算资源和机器学习专业知识，因此在许多情况下都不切实际。此外，由于LLM是在公开数据上进行训练的，因此它们无法访问特定领域的信息，从而限制了它们准确回答需要上下文的问题的能力。

例如，假设要生成模型推荐根据用户的个人健康史、位置和财务目标定制的保险政策

在这种情况下，你提示LLM,它会生成响应。显然，该模型无法提供准确的建议，因为它缺乏对相关用户数据的访问权限。没有它，响应要么是通用的，要么是完全错误的。

复合人工智能弥补了差距

为了克服这些限制，Compound AI系统将生成模型与其他组件(如编程逻辑、数据检索机制和验证层)集成在一起。这种模块化设计使AI能够组合工具、获取相关数据并制定输出，而静态模型无法做到这一点。

例如：在保险推荐示例中

• 检索机制从安全数据库中提取用户的健康和财务数据
• 该数据被添加到提示组装期间提供给LLM的上下文中
• LLM使用组装的提示来生成准确的响应

这一过程被称为检索增强生成(RAG)通过相关数据动态的纳入模型的工作流程，弥补了静态人工智能与现实需求之间的差距。

虽然RAG可以有效的处理此类任务，但它依赖于固定的工作流程，这意味着必须预先定义每个交互和执行路径。这种僵化使得处理更复杂或动态的任务变得不切实际，因为无法对工作流程进行详尽编码。手动编码所有可能得执行路径非常耗费人力，并且最终受到限制。

固定流架构的局限性导致了第三次人工智能的兴起：AI Agents

AI Agents的崛起

虽然人工智能已经取得了进步，但我们正在达到LLMS的极限

据报道，尽管谷歌的Gemini接受了更大规模数据集的训练，但未达到内部预期。OpenAI及其下一代Orion模型也报告了类似的结果。

Salesforce首席执行Marc Benioff最近在《华尔街日报》的“Future of Everything”播客中表示，我们已经达到了LLMS所能达到的上限。他认为，未来在于autonomous agents “能够独立思考、适应和行动的系统，而不是像GPT-4这样的模型”。

Agents带来了一些新东西：动态、上下文驱动的工作流程。与固定路径不同，代理系统会根据当前情况动态确定下一步。这使得它们成为解决当今企业面临的各种不可预测、相互关联的问题的理想选择

Agents彻底颠覆了传统的控制逻辑

Agents使用LLM来驱动决策，而不是由程序来指示每一步。它们可以推理、使用工具和访问内存 “所有这些都是动态的”。这种灵活性允许实时演变的工作流程，使代理比任何基于固定逻辑构建的代理都强大的多。

设计模式如何塑造更智能的Agents

AI Agents的优势不仅在于其核心能力，还在于构建其工作流程和交互的设计模式。这些模式使Agents能够解决复杂问题、适应不断变化的环境并有效协作。

Agents的常见设计模式

反思：通过自我评估来改进

反思功能让Agents能够在采取行动或提供最终响应之前评估自己的决策并改进输出。此功能让代理能够发现并纠正错误，改进推理并确保更高质量的结果。

工具的使用扩展了代理能力

与外部工具交互可以扩展代理的功能，使其能够执行检索数据、自动化流程或执行确定性工作流等任务。这对于需要严格准确性的操作尤其有价值，例如数据计算或数据库查询，这些操作的精度是不可协商的。工具的使用弥补了灵活决策与可预测、可靠的执行之间的差距。

规划将目标转化为行动

具有规划能力的代理可以将高级目标分解为可操作的步骤，并按逻辑顺序组织任务。这种设计模式对于解决多步骤问题或管理具有依赖关系的工作流程至关重要。

多智能体协作：模块化思维

就像传统的系统设计一样，将问题分解为模块化组件可以使其更易于维护、扩展和调整。通过协作，这些专业代理可以共享信息、划分职责并协调行动，以更有效的应对复杂挑战。

总结：Agents不仅仅执行工作流程，它们还还重塑了我们对工作流程的看法

它们是构建可扩展、适应性强的AI系统的下一步–突破了传统架构的限制和LLM的当前限制

Agentic RAG: 自适应和上下文感知检索

Agentic RAG通过使其更具动态性和情境驱动性来改进RAG。Agents不再依赖固定的工作流程，而是可以实时确定它们需要什么数据、在哪里找到这些数据以及如何根据手头的任务优化查询。这种灵活性使Agentic RAG非常适合处理需要响应能力和适应性的复杂、多步骤工作流程。

例如,Agents在制定营销策略时可能会先从CRM中提取客户数据，然后使用API收集市场趋势，并在出现新信息时改进其方法。通过记忆保留上下文并迭代查询，Agents可以生成更准确、更相关的输出。Agentic RAG将检索、推理和行动结合在一起。

Agents扩展带来的挑战

Agents的扩展(无论是单个Agents还是分布式系统)取决于其轻松访问和共享数据的能力。Agents需要从多个来源(包括其他Agents、工具和外部系统)收集信息，以做出决策并采取行动。

将Agents连接到所需的工具和数据从根本上来说是一个将Agents连接到所需的工具和数据从根本上来说是一个分布式系统问题。这种复杂性反应了设计微服务时面临的挑战，其中组件必须高效通信，而不会产生瓶颈或严格的依赖关系。

与微服务一样，Agents必须高效沟通，并确保其输出在整个系统中有用。与任何服务一样，它们的输出不应仅仅循环回AI应用程序-它们应该流入其他关键系统，如与微服务一样，Agents必须高效沟通，并确保其输出在整个系统中有用。与任何服务一样，它们的输出不应仅仅循环回AI应用程序-它们应该流入其他关键系统，如数据仓库、CRM、CDP等平台。

可以通过RPC和API连接Agents和工具，但这是紧密耦合系统。紧密耦合使得扩展、调整或支持统一数据的多个消费者变得更加困难。Agents需要灵活性。它们的输出必须无缝的送到其他Agents、服务和平台，而不是将所有内容锁定在严格的依赖关系中。

那么，解决方案是什么？

答案是：通过事件驱动实现松耦合

事件驱动架构入门

如果我们通过直接RPC或API调用连接服务，就会产生大量相互依赖关系。如果一项服务出现故障，则会影响连接路径上的所有节点。

EDA解决了这个问题。EDA允许组件通过事件进行异步通信，而不是紧耦合的同步通信。服务不会相互等待-它们会对实时发生的事情做出反应。

未来的事件驱动的Agents

AI的未来不仅仅是构建更智能的Agents,而是要创建能够随着技术进步而发展和扩展的系统。随着AI堆栈和底层模型的快速变化，僵化的设计很快就会成为创新的障碍。这了跟上步伐，我们需要优先考虑灵活性、适应性和无缝集成的架构。EDA是这一未来的基础，它使Agents能在动态环境中蓬勃发展，同时保持弹性和扩展性。

具有信息依赖关系的Agents作为微服务

Agents类似于微服务：它们是自主的、解耦的，并且能够独立处理任务。但Agent更进一步。

例如：客服人员可以从CRM中提取客户数据、分析实时数据并使用外部工具，同时与其他客服人员共享更新。这些互动需要一个系统，让客服人员可以独立工作，但仍能流畅的交换关键信息。

EDA通过充当数据的“中枢神经系统”来解决这一挑战。它允许Agents异步广播事件，确保信息动态流动而不会产生严格的依赖关系。这种解耦使Agents可以自主运行，同时无缝集成到更广泛的工作流程和系统中。

保持上下文完整的同时进行解耦

EDA通过解耦工作流并实现异步通信，EDA允许堆栈的不同部分(Agents、数据源、工具和应用程序层)独立运行。

以当今的AI堆栈为例。MLOps团队管理RAG等管道，数据科学家选择模型，应用程序开发人员构建界面和后端。紧耦合的设计迫使所有团队陷入不必要的相互依赖，从而减慢交付速度，并使其更难适应新工具和技术的出现。

使用事件驱动架构扩展Agents

EDA是向Agents系统转变的支柱。它能解耦工作流程，同时实现通信，从而确保Agents能够大规模高效运行。kafka这样的平台体现了EDA在Agents驱动系统中的优势：

• 水平可扩展性：kafka的分布式设计支持添加新的Agents或消费者而不会出现瓶颈，确保系统轻松增长。
• 低延迟：实时事件处理使Agents能够立即响应变化，确保快速可靠的工作流程
• 松耦合：通过kafka topic而不是直接依赖进行通信，Agents保持独立且可扩展。
• 事件持久性：持久的消息存储保证传输过程中不会丢失任何数据，这对于高可靠性工作流程至关重要

数据流使整个企业的数据能够持续流动。中枢神经系统充当实时数据流的统一骨干，无缝连接不同的系统、应用程序和数据源，以实现高效的Agents通信和决策。

这种架构非常适合Anthropic的模型上下文协议(MCP)等框架。

EDA解决了MCP旨在解决的许多挑战。MCP需要无缝访问各种数据源、实时响应和扩展性，以支持复杂的多Agents 工作流。通过解耦系统并实现异步通信，EDA简化了集成并确保代理可以在没有严格依赖的情况下使用和生成事件。

人工智能的未来是事件驱动的Agents

人工智能领域正在快速发展，架构也必须随之发展。

EDA是构建灵活、有弹性且可扩展的Agent系统的关键。他可以解耦组件、实时工作流，并确保Agent可以无缝集成到更广泛的生态系统中。

采用EDA的企业不仅能生存下来，还能在新一轮AI创新中获得竞争优势。