设计高效的 Agentic AI Workflows：从企业流程到 Agent 执行图
- 引言
围绕 ChatGPT（更广义地说，是 generative AI）的讨论，如今已经演进到 agentic AI。ChatGPT 主要是一个能够生成文本回复的 chatbot，而 AI agents 则可以自主执行复杂任务，例如完成一笔销售、规划一次旅行、预订机票、安排承包商完成家装工作、点一份披萨。下图展示了 agentic AI 系统的演进过程。
图 1：Agentic AI 演进（作者绘图）
Bill Gates 最近描绘了这样一个未来：我们会拥有一个能够处理并响应自然语言、并完成多种不同任务的 AI agent。Gates 以规划旅行为例：通常情况下，这需要你自己预订酒店、机票、餐厅等。但 AI agent 可以利用它对你偏好的了解，代表你预订并购买这些内容。
简而言之，AI agents 之所以如此流行，是因为原则上它们可以应用于今天仍由手工执行的任何enterprise流程。
因此，我们基本上可以把从客服台到工业流程的一切都 agentify，例如 HVAC optimization；甚至还可以利用 agents 来构建底层的软件、数据和 ML engineering pipelines。为了实现这一 agentification 过程，我们需要一种新的整体性学科，覆盖完整的 agentic 生命周期，从：
- 捕获 agentic use-case 的需求
- 到设计 agents（一个好的 agent hierarchy 应该是什么样？哪些 agentic skills 和 tools 适用？）
- 到在 agentic platform 上进行安全且可扩展的实现
- 到这些 agents 的治理与维护。
在这一 agentification 过程中，需要牢记的原则包括：
- 常见做法是将手工流程 1:1 映射到 agentic 流程。这是一种低效的映射。设计者应当记住，agent 并不受例如 HR 流程的约束 😃 因此，software agent 可以做不同的事情，而且可以以不同于人类的方式去做。
- 与此同时，就像从security角度看，人类是链条中最薄弱的一环，单个 agent 也可能破坏整个执行过程。因此，这里没有例外；如果一个 agent 变得rogue，我们甚至也不会知道该责怪谁、罚谁、解雇谁等。因此，建议以同样的极致谨慎来设计所有 agents，并配合 logging、observability 和 responsible AI guardrails。
在下文中，我们将深入探讨这一agentification过程：第 2 节识别 agentic 生命周期及其不同阶段。第 3 节概述用于实现该 agentic 生命周期的 agentic AI platform 参考架构。
在第 4 节中，我们将深入探讨 agentification 的设计过程，重点包括与人类 / SMEs 的协同规划，以及通过 adoption（rollout）计划将企业流程转化为 agentic workflows。
第 5 节给出一个case study，将 agentification 过程应用于客服台，第 6 节则总结全文并展望未来方向。
- Agentic AI 生命周期管理
构建和运营 AI agents 所涉及的典型阶段如图 2 所示。
图 2：Agentic AI 生命周期管理（作者绘图）
首先，我们需要定义use-case：这包括定义问题陈述、理解其业务背景、数据需求与可用性，并为 agentic AI 解决方案设定清晰目标，量化投资回报率（RoI）。
其次，我们需要一个 reasoning models / large language models（LLMs）、agents 和 tools 的marketplace——实践中，临时定义 agents 并即时构建企业工具集成并不可行 😃。
例如，Agent2Agent（A2A）协议规定了 Agent Card（一个 JSON 文档）的概念，它充当 agents 的数字“名片”。它包含以下关键信息：
Identity: name, description, provider information.Service Endpoint: The url where the A2A service can be reached.A2A Capabilities: Supported protocol features like streaming or pushNotifications.Authentication: Required authentication schemes (e.g., "Bearer", "OAuth2") to interact with the agent.Skills: A list of specific tasks or functions the agent can perform (AgentSkill objects), including their id, name, description, inputModes, outputModes, and examples.客户端 agents 随后可以通过解析各自的 Agent Cards 来发现远程 agents——以判断某个远程 agent 是否适合某项任务、如何为其 skills 组织请求，以及如何与之安全通信。
同样地，Model Context Protocol（MCP）规定了一个类似的机制，用于 动态工具发现。借助mcp://URIs，agents 可以解析并检索关于工具能力、要求以及交互方式的完整元数据。
A2A 和 MCP 都基于对 agents 和 tools 的文本 / 自然语言描述。在我此前的一篇 paper 中，我指出过一些场景，在这些场景中，这样的方式可能并不充分，而
我们需要一种更形式化的、基于能力 / 约束的发现模型，以实现对 tools 和 agents 的精确且自动化的发现。
第三，我们需要设计 agenticlogic（为实现目标而制定的计划）。在这里，我们需要区分 deterministic agents 和 autonomous agents——因为它们的设计和执行方式截然不同。
对于deterministicagents，主要是（静态地）在开始时定义一个 orchestration schema，并预先确定 agents / tools。相较之下，对于autonomousagents，则仅限于将 use-case 目标作为 prompt 提供给一个 LLM / reasoning model。
然后 planner 会动态定义执行计划，并具备在过程中调整计划的能力——本质上是根据 memory 中的 observations 对环境做出反应。
第四，我们需要考虑针对inferencing优化 agents 的部署。随着 generative AI 和 LLMs 规模的增大，业界一度非常关注将 LLMs 优化 / 量化为 small language models（SLMs）。考虑到当下大多数 agents 都聚焦于 enterprise workflows，这一点似乎被稍微降权了。
我确信，随着更多 agents 上线生产环境，cost optimization和 power efficiency 将会再次成为关注焦点。
因此，这一阶段的重点是主动思考如何优化 agentic deployments——尽可能将其部署到 edge devices 上。
更多细节可参考我之前关于 Agentic AI 推理规模估算 的文章。
最后，我们讨论governance层。现实一点说，没有这一层，任何 agent 都不可能在企业中投入生产——而且它们本来也不应该被允许这样做。一个典型例子是 JP Morgan 的 CISO 关于安全且具韧性的 agentic architectures 需求而发布的广泛流传的 信件。
随着 OpenAI 的 Agent SDK 发布，guardrails 似乎也已成为 agentic AI 生态中的一等公民。
总体而言，端到端 observability 不仅对 agent 卡住时的恢复至关重要，也对 agent 开始偏离既定脚本时的 rollback 策略至关重要。
简而言之，关键结论是：在生产环境中构建可靠且值得信任的 agents，远不只是写几行代码那么简单。😃
- Agentic AI 参考架构
图 3 展示了一个 agentic AI platform 的关键组件，以容纳上一节识别出的生命周期阶段：
- Agents（和 tools）marketplace
- Planner - reasoning layer
- Personalization layer
- Orchestration layer
- Observability layer（包含 logging、checkpointing 等）
- Integration layer（与 enterprise systems 集成）
- Shared memory layer（长期与短期记忆）
图 3：Agentic AI Platform 参考架构（作者绘图）
给定用户任务后，我们提示一个 LLM 进行任务分解——这与 generative AI 有重叠。不幸的是，这也意味着当今的 agentic AI systems 受限于 large language models（LLMs）的reasoning能力。比如，GPT4 对如下 prompt 的任务分解：
Generate a tailored email campaign to achieve sales of USD 1 Million in 1 month, The applicable products and their performance metrics are available at [url]. Connect to CRM system [integration] for customer names, email addresses, and demographic details.
其结果如图 4 所示：（分析产品）-（识别目标受众）-（创建定制 email campaign）。
图 4：Agentic AI 执行营销活动（作者绘图）
随后，LLM 会监控执行 / 环境，并在需要时自主调整。在这个案例中，agent 意识到它无法达成销售目标，于是自主添加了以下任务：
（寻找替代产品）-（利用客户数据对 emails 进行personalize）-（执行 A/B testing）。
这就引出了对personalization层的需求。类比将 LLMs 微调为面向特定领域的 LLMs / SLMs，
我们认为，需要针对 enterprise specific context（适用的 user personas 和 use-cases）对（通用）AI agents 进行定制 / 微调，以推动它们在企业中的采用。
图 5 展示了基于 user persona 的 AI agents fine-tuning 的参考架构。关于该主题的详细讨论，请参阅我之前关于 为 Agentic AI 个性化 UX 的文章。
图 5：基于 user persona 的 AI agents 微调（作者绘图）
鉴于需要编排多个 agents，因此需要一个支持不同 agent 交互模式的integration layer，例如 agent-to-agent API、向人类提供输出的 agent API、人类触发 AI agent、AI agent-to-agent with human in the Loop。底层的 AgentOps platform 需要支持这些集成模式。
还需要指出的是，对于大多数 use-cases，与 enterprise systems 的集成（如本例中的 CRM）都是必要的。这可以通过 MCP 来实现，即（动态地）将 tools 连接到企业数据所在的外部系统。
鉴于此类复杂任务具有长时间运行的特性，memory management对 Agentic AI systems 至关重要。一旦初始 email campaign 启动，agent 需要持续监控该 campaign 1 个月。
这既涉及任务之间的 context sharing，也涉及在长时间内维持执行上下文。
这里的标准做法是将 agent 信息的 embedding 表示保存到 vector store database 中，以支持 maximum inner product search（MIPS）。为了快速检索，会使用 approximate nearest neighbors（ANN）算法，它返回近似的 top k-nearest neighbors，以准确率为代价换取巨大的速度提升。
图 6 展示了 agentic AI systems 的全面 memory management，包括 short-term memory 和 long-term memory 模块。关于该主题的详细讨论，请参阅我之前关于 Agentic AI 的长期记忆 的文章。
图 6：Agentic AI 记忆管理（作者绘图）
- 与 SMEs 协作进行 Agentic 流程设计
在本节中，我们展示如何利用协作式、有人辅助的模型来完成 agentic task fulfillment。如今，在 agentic 生命周期中引入人类参与，主要仍是从oversight的角度出发——以满足任何大型企业中的法律与合规要求 😃
我们建议将人类作为 agentic 生命周期中的一等公民纳入其中 **（**而不仅仅是 supervisor / reviewer），并提供合适的 UI/UX 来支持此类交互 / 干预。
下面列出了需要规划的关键人工干预点——如图 7 所示：
（类似 agentic state 的 checkpointing，征求人工反馈的频率和格式很重要。）
图 7：Agentic AI 的 Human-in-the-Loop 干预点（作者绘图）
- Co-plan：验证并规划，确保生成的计划（orchestration graph）与给定的用户意图相符。
- Co-execute：当 agent / tool 的响应不符合分配任务，或人类认为 agent 将无法实现其（长期）目标时，用户可以间歇性暂停（suspend）执行并给出反馈。
- Co-comply：用户可以标记关键且不可逆的任务（例如付款），并确保在批准任务之前，已应用符合企业政策的正确 guardrails。
- Co-memorize：优化 memory，审查关键的 long-term memory 概念，优化存储，确保可复用性以及 agent 性能优化。
这还辅以一个持续改进模块，该模块从历史交互中学习，以优化未来的人类干预。
4.1 与 SMEs 协同规划 Agentic UX
在本节中，我们深入探讨 co-planning 过程。我们考虑这样一种场景：将现有流程文档（standard operating procedures - SOPs、process maps）作为设计 agentic workflows 的起点。关键步骤如下所示（如图 8 所示）：
图 8：利用现有流程文档 / SOPs 进行 agentic 流程设计（作者绘图）
- 以 SOPs、process maps 等形式Ingest流程知识，以启动 agentic 流程设计。
- 提示一个 large language model（LLM）从 use-case SOP 中提取适用步骤列表——并将它们映射到 agent functions。
- 对于每个步骤，添加描述，并包含原始文档中的参考内容，以便对该步骤进行ground并尽量减少 hallucinations。
- 将复杂步骤Decompose为更小的 **** 原子步骤 / 任务，尤其是那些由逻辑 OR 连接条件的步骤。这也包括通过合并相同和 / 或重叠步骤来删除重复项。
- 为每个步骤生成正面（合规）和负面（违规）示例。这些示例有助于消除歧义，并确保在实际实现阶段的一致性。
提供一个conversational接口，使 SMEs 能够重新设计生成的（初始）agentic 流程步骤——从而避免对糟糕的手工流程进行 agentification。该 conversational interface 还可以标记不匹配项并提出修复 / 优化步骤。
验证后的流程会与已注册的 agents 和 tools / 可用的 agentic marketplace 中的资源进行匹配，以最大化reuse并强制执行合规性。
4.2 推动企业采用的 Agentic AI 变更管理
在本节中，我们讨论用于支持 agentic AI use-cases 在企业中成功 rollout 的设计原则。鉴于其复杂性，需要进行变更管理，主动向用户普及 AI agent 的能力（以及局限性）——从而设定现实的用户预期。
这里我们不打算凭空发明一个新框架，而是借鉴“enterprise friendly”的 Microsoft、“developer friendly”的 Google 以及“user friendly”的 Apple——以便无缝推动 agentic AI 在企业 use-cases 中的采用。
让我们看看这三家领导者推荐的 AI 设计框架：
- Human-AI Interaction 指南 by Microsoft
- People + AI Guidebook by Google
- Machine Learning: Human Interface Guidelines by Apple
下表（图 9）汇总了这三份规范在AgentOpspipeline 不同阶段中的原则和最佳实践。
图 9：Agentic AI 设计与部署原则（作者制表）
- Agentification Case Study - Customer Service Desk
在本节中，我们展示如何使用 AI agents 对典型的 customer service desk 进行重新设计（如图 10 所示）——通过提供更高效、更个性化的服务来创造业务价值。
图 10：Customer Service Desk 的 Agentification（作者绘图）
在今天的 contact center 中，一篇 knowledge base（KB）article / standard operating procedure（SOP）定义了由 human agent 执行的一套系统化步骤工作流。它本质上是一个预定义流程，包含逐步说明，用于解决重复出现的客户问题。
图 11 展示了前文第 3 节提出的参考 agentic AI platform，并将其适配为执行 customer service desk 的特定任务。用户交互和数据交互步骤都可以通过结合 tools 的 large language models（LLMs）来自动化：scripts、APIs 和 UI/UX。
图 11：Customer Service Desk 的 Agentic AI Platform 参考架构（作者绘图）
LLMs 可以生成面向用户的问题，解释用户输入，提取相关信息，并生成状态消息和确认信息。APIs 可用于检索结构化和非结构化数据，然后 reasoning LLM 可以有效利用这些数据做出决策 / 决定下一步。
可以将 KB article / SOP 视为一个 directed acyclic graph（DAG），其中每个节点代表一个步骤，而边代表从当前状态出发的可能分支（结果 / 下一步）。
我们假设存在一个面向 AI Agents 的KB article repository，其中文章为每个步骤包含以下详细信息：
- action_id：要执行步骤的 action 标识符。
- action_type：定义 action 的类型，例如api_call、get_user_input、retrieve_ext_knowledge。
- action_metadata：对于get_user_input，它包含预期从用户获取的输入，或要传达给用户的信息。对于 action typeapi_call，它包含相应的 API endpoints，以及进行调用所需的输入参数。
基于 LLM 的 agents 随后可以以自主方式执行 KB article 中的步骤。在本例中，相关的 customer service desk agents 包括：
- Customer Agent
- Product Agent
- SLA Agent
- Personalization Agent
- Responsible AI Agent
- Audio (Speech) Agent
- RAG based KB Retrieval Agent
- (Gen AI based) Email Response Generation Agent
关于这一 use-case 的详细讨论，请参阅我之前关于 用于 Customer Service Desk 的 Agentic AI 的文章。
- 结论
Agentic AI 是一种强大的范式，具有颠覆当今企业中许多业务流程的潜力。本文重点讨论了这一“agentification”过程。
agentification 过程从一个当下本质上仍需要大量人工干预的手工流程开始。我们概述了一种方法，用于将底层流程 agentify，从而实现高度自动化。
我们展示了如何利用现有流程文档（SOPs、process maps）以及协作式的人类 / SME 输入来简化 agentic 设计过程。随后，我们将这一过程映射到可用 / 已注册的 agents 和 tools，以最大化复用。最后，我们给出了一个将 agentification 过程应用于交付广泛使用的企业流程的 case study，在本例中是对 customer service desk 的优化。
我们相信，鉴于企业流程不断演进，这种简化的 agentification 方法有潜力创造显著的业务价值。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～