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 1Agentic 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 adoptionrollout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 2Agentic 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 modelsLLMs、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Agent2AgentA2A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 ProtocolMCP规定了一个类似的机制用于 动态工具发现。借助mcp://URIsagents 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 modelsSLMs。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 toolsmarketplacePlanner - reasoning layerPersonalization layerOrchestration layerObservability layer包含 logging、checkpointing 等Integration layer与 enterprise systems 集成Shared memory layer长期与短期记忆图 3Agentic 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 modelsLLMs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 4Agentic 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 searchMIPS。为了快速检索会使用 approximate nearest neighborsANN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 6Agentic 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 7Agentic 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 modelLLM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 MicrosoftPeople AI Guidebook by GoogleMachine 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 9Agentic 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 10Customer Service Desk 的 Agentification作者绘图在今天的 contact center 中一篇 knowledge baseKBarticle / standard operating procedureSOP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 modelsLLMs来自动化scripts、APIs 和 UI/UX。图 11Customer 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 graphDAG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 AgentProduct AgentSLA AgentPersonalization AgentResponsible AI AgentAudio (Speech) AgentRAG 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/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】