论文Agentic Systems: A Guide to Transforming Industries with Vertical AI Agents探讨了代理系统（Agentic Systems）的快速发展及其在行业中的转型作用。随着传统软件即服务（SaaS）平台的局限性逐渐显现，尤其是在处理动态和复杂环境时，企业迫切需要更具智能化和上下文感知能力的解决方案。本文提出了一种基于大型语言模型（LLM）的垂直人工智能（Vertical AI）代理系统，能够提供面向行业的智能服务，显著提升业务效率。
论文作者为Fouad Bousetouane，来自The University of Chicago。
一、引言
随着人工智能和现代软件系统的不断发展，代理系统（Agentic Systems）应运而生，并迅速成为面向特定行业的智能解决方案的核心组成部分。传统的SaaS（软件即服务）平台虽然能够满足多种行业的基本需求，但在面对动态变化、复杂环境和领域特定挑战时往往力不从心。因此，本文提出了一种基于大型语言模型（LLM）的垂直人工智能（Vertical AI）代理系统，通过引入领域特定的智能，能为行业提供更为精准、灵活的服务。
1.1 传统SaaS平台的局限性
传统的SaaS平台通常是横向扩展型的，能够满足大多数行业在标准化流程和规模化运营上的需求。它们主要通过提供标准化的工具，帮助企业管理工作流、执行常规任务并保持操作的一致性。这些平台的优势在于其广泛的适用性，能够快速扩展以适应不同的行业需求。然而，这种通用化的设计往往牺牲了针对行业特定需求的适应性，导致它们在处理动态环境、复杂决策和非结构化数据时，显得力不从心。
行业实例：
- 电子商务：传统平台可以高效处理在线交易、产品目录管理和订单跟踪等常规任务，但在分析客户购买行为、预测季节性需求波动或动态调整库存时，却常常需要大量的定制化工作，无法自动响应快速变化的市场需求。
- 多渠道营销：尽管现有工具能够管理不同渠道的营销活动，并提供自动化模板和流程，但它们依赖于预定义的工作流，难以在客户偏好变化、市场趋势变化或竞争策略调整时进行即时的应变。
- 库存管理：虽然这些系统能够实时跟踪库存并根据预设的阈值触发重新订购，但它们通常缺乏预测供应链中断、应对突发需求波动或利用外部市场信息优化采购策略的能力。
1.2 向上下文感知系统的转变
为了弥补传统SaaS平台的不足，企业逐渐转向上下文感知系统（Context-Aware Systems）。这些系统能够实时地集成外部数据，并根据环境变化动态调整工作流和决策过程。上下文感知系统具备以下几个特点：
- 理解动态环境：能够实时理解和调整外部环境变化带来的影响。
- 数据转化为决策：无需大量人工干预，能够自动将原始数据转化为可执行的决策。
- 适应变化的场景：根据不断变化的环境和需求灵活调整操作。
然而，即使上下文感知系统在一定程度上解决了实时适应性的问题，但它们仍然面临许多挑战，特别是处理复杂、不确定的任务时，依然受限于预定义规则和结构化数据的输入。
行业实例：
- 供应链管理：传统的供应链管理工具能够跟踪库存，但在应对突发事件（如天气变化或地缘政治风险）时，往往无法有效预测和调整。
- 医疗保健：传统的预约系统能够管理预约，但却缺乏根据实时健康数据优先处理紧急患者的能力。
二、垂直AI代理解决方案的兴起
随着行业面临越来越复杂和领域特定的挑战，垂直AI代理系统（Vertical AI Agents）作为一种解决方案应运而生。垂直AI代理通过将行业特定的知识与上下文感知系统结合，能够提供定制化的解决方案，实现了从通用系统到行业专用系统的跨越。它们不仅能够响应环境变化，还能针对特定任务进行深度优化。
2.1 垂直AI代理的操作优势
垂直AI代理相较于传统系统的优势在于其能够嵌入行业知识和精细调优的智能，以应对复杂的、领域特定的挑战。通过结合行业专业知识与上下文感知能力，垂直AI代理能够实现：
- 领域专长：这些代理系统结合了针对特定领域的推理引擎（如医疗、法律、金融领域的LLM），能够高效处理领域内的复杂问题。例如，在医疗领域，垂直AI代理能够分析医学影像、识别疾病模式，并为医生提供精确的诊断建议。
- 实时动态适应：垂直AI代理可以在复杂和变化的环境中持续适应，处理实时数据，自动调整决策和操作。例如，在供应链中，代理系统能够实时获取库存波动数据，根据市场需求的变化自动优化库存管理策略。
- 端到端工作流自动化：通过将数据处理、决策和执行任务的过程自动化，垂直AI代理能够减少人工干预、提高效率并降低成本。例如，财务风险评估代理能够自动收集财务数据、进行风险分析并生成报告。
三、什么是LLM代理？
3.1 定义
LLM代理是基于大型语言模型的自主智能系统，具备内存、推理引擎、认知技能和工具模块等核心组件。这些组件使得LLM代理能够在动态和复杂的环境中独立运行、适应变化并执行高度复杂的任务。每个模块有其独特功能，共同协作解决现实中的复杂问题。
3.2 LLM代理与LLM工作流的区别
LLM代理与传统的LLM工作流存在根本的不同。LLM工作流是一个预定义的、线性处理流程，依赖于固定步骤的执行，因此缺乏灵活性。而LLM代理则能够进行推理、适应并动态调整其操作，适应复杂的目标和变化的环境。因此，LLM代理比传统的工作流更加智能和灵活，能够处理更加复杂和多变的任务。
3.3 LLM代理的核心模块
- 记忆模块：记忆模块是LLM代理能够保持上下文一致性和个性化响应的核心。通过存储历史互动、用户偏好和领域特定知识，记忆模块确保LLM代理能够在多轮交互中维护一致性，并基于过往经验提供更加个性化和精准的响应。
- 推理引擎：推理引擎是LLM代理的大脑，负责根据输入的信息进行推理、决策和规划。推理引擎通过整合记忆模块、认知技能和工具模块的输入，保证代理能够适应复杂的操作环境并提供高效的解决方案。
- 认知技能模块：认知技能模块为LLM代理提供了针对特定任务的推理能力。例如，在金融领域，认知技能模块可以进行风险评估，在法律领域进行合同审查，在医疗领域进行影像诊断。
- 工具模块：工具模块增强了LLM代理的环境感知能力，能够通过集成不同的工具和API，获取、检索并处理外部数据。这些工具包括知识检索系统（如RAG系统）、动态API集成以及用于与传统结构化数据系统（如数据库）互动的接口。
四、代理系统的定义、分类及应用
4.1 定义
代理系统是由多个LLM代理组成的智能框架，旨在自动化复杂任务并优化各行业的工作流。代理系统具有模块化设计，能够灵活适应不同的应用需求。通过不同代理的协同工作，代理系统能够解决更加复杂的业务需求。
4.2 设计模式的灵活性
尽管目前没有统一的设计标准，代理系统的架构在业内和学术界已经取得了显著进展。不同的设计模式使得代理系统在灵活性、适应性和扩展性上具有巨大优势。例如：
- 行业实践：微软的AutoGen框架、OpenAI的Assistants API和Google的Vertex AI Agent Builder。
- 学术研究：Magentic-One系统和MedAide医疗助手系统。
4.3 代理系统的分类
代理系统可以根据其结构、作用范围和交互模式分为三类：
- 任务特定代理：这些代理专注于解决特定问题或执行特定任务，如知识检索路由器（RAG Agent Router）。
- 多代理系统：多个代理协同工作，以处理互相关联的问题或共同实现目标。
- 人类增强代理：这些代理与人类合作，在一定程度上进行任务执行并根据人类反馈进行修正，如医疗诊断系统。
五、结论与未来展望
5.1 结论
本文详细探讨了代理系统在现代行业中所起的转型作用。随着企业面临越来越复杂和领域特定的挑战，传统的SaaS和上下文感知系统已无法满足需求。垂直AI代理系统通过结合领域特定的智能和上下文感知能力，为各行业提供了更为精准和高效的解决方案。
5.2 未来方向
未来的工作将专注于：
- 标准化框架的开发：推动代理系统的标准化和互操作性。
- 领域智能的扩展：扩展垂直AI代理在更多领域的应用能力。
- 人机协作的强化：加强人类与代理系统之间的合作，提升系统的可靠性和信任。
- 伦理与监管问题的解决：确保代理系统的使用符合伦理和监管要求。
随着垂直AI代理系统的不断发展，它们将在行业自动化和智能化方面发挥重要作用，为未来的技术进步提供强大的支持。