适用于企业流程的Agentic AI生命周期管理

企业流程的Agentic AI生命周期管理
企业流程大变革,Agentic AI生命周期全解析
别再忽视，Agentic AI正悄然改写企业流程格局
从低效到高效，Agentic AI如何重塑企业流程
Agentic AI：开启企业流程管理“新蓝海” 的钥匙

全文约5200字，阅读时间10分钟

日常印象里只能聊天的AI，正在进化为能自主处理复杂事务的AI Agent（智能体）。

当然它可不只是只会订披萨、规划旅行这么简单，在企业中，从客服咨询到工业流程优化，再到数据管理，甚至协调一整套企业流程，AI Agent几乎能将所有人工流程接管。

要让AI Agent在企业里真正发挥作用，可不是简单开发一个程序就行。得有一套完整的管理手册，从弄清楚企业需要它做什么、怎么设计它，到安全地让它运行起来、后续怎么维护，每个环节都不能少。

这背后是一整套严谨的Agentic AI生命周期管理体系在支撑。真正的企业级智能体，需要从需求定义、设计、部署，到治理、维护，每一步都扎实可靠。就像养一个既聪明又靠谱的数字化员工，得从头培训、持续管理，还要防止它出现问题而罢工。

那该如何具体设计Agentic AI的生命周期管理体系呢？最近，在AI/ML、大数据分析等相关主题方面拥有20多年的经验的瑞士瑞银执行董事、人工智能CoE主管Debmalya Biswas，发表了一篇名为《企业流程的Agentic AI生命周期管理》的文章。

该文讨论了企业流程中Agentic AI的生命周期，强调了将手动任务转化为AI代理协调过程的重要性。介绍了Agentic AI如何超越传统的生成式AI，通过自主执行复杂任务来改变业务操作。

文章详细阐述了从需求捕获、Agent设计到安全实施、治理和维护的“智能体化”过程，并提出了在此过程中需要遵循的关键原则。还提供了一个Agentic AI平台的参考架构，其中包含代理和工具市场、规划层、个性化层、编排层、可观察性层、集成层以及共享内存层。

文章最后通过客户服务台和数据管理/数据工程这两个案例研究，展示了如何将“智能体化”应用于实际的企业场景，以提高效率和提供个性化服务。

如果你想知道Agentic AI到底能给企业带来多少改变，想了解它是怎么一步步运作的，那这篇文章正好能帮到你.跟着读下去，你会对智能体的价值有更清楚的认识。

以下是正文。

引言

围绕ChatGPT（泛指生成式人工智能）的讨论现已演进至Agentic AI领域。虽然ChatGPT本质上是能生成文本回复的聊天机器人，但AI Agent可以自主执行复杂任务，例如促成交易、规划行程、预订航班、预约服务承包商、订购披萨等。下图展示了Agentic AI系统的发展历程。

图1：Agentic AI演进示意图

比尔·盖茨近期预言了这样一个未来：我们将拥有能处理自然语言并完成多种任务的AI Agent。他以行程规划为例说明：通常这需要自行预订酒店、航班、餐厅等。但AI Agent能够根据您的偏好知识，代您完成这些预订和购买操作。

简而言之，AI Agent之所以备受关注，是因为原则上它们可应用于当前任何人工执行的企业业务流程。

因此我们几乎可以将所有流程"智能体化"——从客服台到工业流程（如暖通空调（HVAC）优化），甚至利用智能体构建底层软件、数据和机器学习工程流水线。为实现这一智能体化进程，我们需要建立完整的综合性方法论，涵盖从以下方面的完整智能体生命周期：

捕获智能体用例需求
设计智能体（优质智能体层级结构应是怎样的？适用的智能体技能与工具有哪些？）
在智能体平台上实现安全可扩展的部署
对这些智能体进行治理与维护

在智能体化过程中需谨记若干原则：

常见倾向是将人工流程与智能体流程进行1:1映射，这种映射效率低下。设计者应注意智能体不受人力资源流程等限制：）因此软件智能体能够以不同于人类的方式执行差异化操作。
同时，正如在安全链中人类是最薄弱环节，单个智能体的异常可能导致整个业务流程执行崩溃。当智能体失控时，我们既无法追究责任，也难以执行处罚或终止程序。因此建议以最高标准设计所有智能体，并同步配置日志记录、系统可观测性及负责任AI防护栏。

Agentic AI生命周期管理

构建和运营AI Agent的典型阶段，如图2所示。

图2：Agentic AI生命周期管理

首先，我们需要定义用例。包括明确问题陈述、理解其业务背景、数据需求与可用性，并为Agentic AI解决方案设定明确量化投资回报率（RoI）的清晰目标。

其次，我们需要一个推理模型/大语言模型（LLMs）、智能体与工具的市场。在实践中临时定义智能体并构建企业工具集成，并不可行。

例如，Agent2Agent（A2A）协议规定了"智能体名片"（一种JSON文档）的概念，作为智能体的数字"业务名片"。其包含以下关键信息：

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.

身份标识：名称、描述、提供商信息。服务端点：可访问A2A服务的URL。A2A能力：支持的协议功能（如流式传输或推送通知）。认证方案：与智能体交互所需的认证方案（如"Bearer"、"OAuth2"）。技能列表：智能体可执行的特定任务或功能（AgentSkill对象），包括ID、名称、描述、输入模式、输出模式及示例。

客户端智能体（Client agents）可通过解析远程智能体的名片实现发现——确定远程智能体是否适合给定任务，如何构建其技能请求，以及如何安全通信。

同理，模型上下文协议（Model Context Protocol，MCP）也规定了动态工具发现的类似机制。通过mcp://URI，智能体可解析并获取工具能力、需求及交互方法的完整元数据信息。

A2A和MCP均基于智能体与工具的文本/自然语言描述。在先前论文中，我曾强调这种描述可能不足的场景，我们需要基于能力/约束的更形式化的发现模型，以实现精准自动化的工具与智能体发现。

第三，我们需要设计智能体逻辑（实现目标的规划）。此处需区分确定性智能体与自主智能体——因其设计与执行方式存在显著差异。

对确定性智能体，主要涉及在初始阶段（静态）定义包含预设智能体/工具的编排方案；而对自主智能体，仅需将用例目标作为提示信息输入LLM/推理模型。规划器随后动态制定执行计划，并具备中途调整能力，本质上是基于内存中的环境观察做出反应。

第四，我们需要考虑优化智能体的推理部署。随着生成式AI和LLMs的大规模发展，将LLMs优化/量化为小语言模型（SLMs）曾备受关注。鉴于当前大多数智能体聚焦企业工作流，这方面优先级有所降低。但我确信，当更多智能体投入生产环境后，成本优化与能效问题将重新获得重视。因此本阶段需要前瞻性思考智能体部署优化，直至可部署于边缘设备。

最后，我们讨论治理层。坦率地说，缺乏该层级，任何企业都不会将智能体投入生产，实际上也不应允许这样做。摩根大通首席信息安全官关于构建安全弹性智能体架构的广泛流传信件正是明证。

随着OpenAI AgentSDK的发布，安全护栏机制（Guardrails）似乎已成为Agentic AI生态系统的一等公民。总体而言，端到端可观测性至关重要——不仅用于从智能体运行受阻场景中恢复，还需制定回滚策略以应对智能体偏离预设脚本的情况。

简而言之，关键要点在于：构建生产环境中可靠可信的智能体所需的工作远不止编写几行代码。

Agentic AI参考架构

图3展示了Agentic AI平台的关键组件，以适配前文所述的生命周期阶段：

智能体（及工具）市场
规划器——推理层
个性化层
编排层
可观测层（含日志记录、检查点等）
集成层（与企业系统集成）
共享记忆层（长期与短期记忆）

图3：Agentic AI平台参考架构

给定用户任务时，我们通过提示大语言模型（LLM）实现任务分解——这是与生成式人工智能的重叠部分。但这也意味着当前Agentic AI系统受限于大语言模型的推理能力。例如，针对以下提示：

"生成一个定制化邮件营销活动，以实现一个月内100万美元的销售额。适用产品及其性能指标详见[网址]。连接CRM系统[集成接口]以获取客户姓名、邮箱地址及人口统计信息"

GPT-4的任务分解详见图4：（分析产品）→（识别目标受众）→（创建定制化邮件营销活动）。

图4：Agentic AI执行营销活动流程

LLM会监控执行过程与环境状态，并自主进行适应性调整。本例中，智能体发现无法达成销售目标，便自主新增以下任务：

（寻找替代产品）→（利用客户数据个性化邮件内容）→（执行A/B测试）。

这引出了对个性化层的需求。类似于将大语言模型针对特定领域微调为领域专用大语言模型/小语言模型的过程，我们认为需基于企业特定场景（适用用户角色和用例）对通用AI Agent进行定制化/微调，以推动其企业级应用。

图5展示了基于用户角色对AI Agent进行微调的参考架构。

图5：基于用户角色的AI Agent微调

由于需要协调多个智能体，需要构建支持不同交互模式的集成层，例如：智能体间API接口、面向人类输出的智能体API、人类触发AI Agent、人类在环（human-in-the-loop）模式的智能体间协作。这些集成模式需由底层AgentOps平台提供支持。

需要强调的是，多数用例都需与企业系统（如本例中的CRM）集成。这可通过模型上下文协议（MCP，Model Context Protocol）实现，例如动态将工具连接到存储企业数据的外部系统。

鉴于此类复杂任务的长期运行特性，记忆管理是Agentic AI系统的核心。初始邮件活动启动后，智能体需持续监控活动长达一个月。

这既涉及任务间的上下文共享，也需维持长期执行的上下文状态。

标准做法是将智能体信息的嵌入表示存储于支持最大内积搜索（MIPS）的向量数据库中。为加速检索，通常采用近似最近邻（ANN）算法，以精度换取速度的方式返回前k个近似最近邻结果。

图6展示了Agentic AI系统的综合记忆管理机制，包含短期记忆与长期记忆模块。

图6：Agentic AI记忆管理

智能体化改造案例研究

案例1：客户服务台

本节展示如何通过AI Agent对典型客户服务台进行改造（如图7所示）——通过为终端用户提供更高效和个性化的服务来创造业务价值。

图7：客户服务台的智能体化改造

在现代联络中心中，知识库（KB）文章/标准操作程序（SOP）定义了由人工座席执行的系统性工作流程。它本质上是包含分步指导的预定义流程，用于解决重复性客户问题。

图8展示了第3节介绍的Agentic AI参考平台经适配后执行客户服务台特定任务的架构。用户与数据交互步骤均可通过配备工具增强功能的大型语言模型（LLM）（包括脚本、API和UI/UX）实现自动化。

图8：客户服务台Agentic AI平台参考架构

LLM可生成用户询问问题，解读用户输入，提取关键信息，并生成状态消息和确认响应。API可用于获取结构化和非结构化数据，推理LLM能有效利用数据做出决策/确定后续步骤。

KB文章/SOP可视为有向无环图（DAG），其中节点代表步骤，边代表当前状态的可能分支（结果/后续步骤）。

我们假设存在面向AI Agent的KB文章库，每篇文章包含以下步骤详情：

action_id：待执行步骤的动作标识符
action_type：定义动作类型，如api_call（接口调用）、get_user_input（获取用户输入）、retrieve_ext_knowledge（外部知识检索）
action_metadata：对于get_user_input类型，包含预期用户输入或需向用户传达的信息；对于api_call类型，包含对应API端点及调用所需输入参数

基于LLM的智能体可自主执行KB文章中的步骤。相关客户服务台智能体包括：