什么是Agentic Workflows？Databricks解读智能代理工作流
译文 AI 逐段翻译
采用代理工作流的好处
通过自动化提高效率
代理工作流不仅自动化单个任务，还自动化跨多个步骤、工具和系统的整个流程。通过减少需要人工参与的交接，它们缩短了复杂操作（如事件解决、文档处理和数据管道管理）的周期时间。
灵活且可扩展的工作流
由于代理在运行时决定其下一步行动，代理工作流适应变化的条件，无需工程师重写逻辑。这种灵活性使其对边缘情况更具弹性，并更容易跨不同用例和业务单元进行扩展。
数据驱动的决策
代理从实时数据源获取信息以指导其行动，这意味着决策基于当前信息，而不是过时的报告或静态规则。这在金融服务、供应链管理和医疗保健等领域尤其有价值，因为这些领域的条件变化迅速。
多代理协调
复杂的业务流程通常需要不同类型的专业知识。多代理工作流允许专业代理在共同目标上协作，每个代理处理其最适合的部分。数据检索代理、分析代理和报告代理可以按顺序或并行工作，由编排层协调。
改善用户体验
当代理工作流处理后端复杂性时，最终用户与系统的交互感觉更快、响应更灵敏。客户服务、内部IT支持和商业智能都受益于自主处理请求而不是通过队列路由的工作流。
代理工作流的局限性和挑战
代理工作流功能强大，但并非没有风险。采用它们而未解决其局限性的组织往往会遇到在部署后修复成本高昂的问题。
治理和信任缺口
自主代理做出决策，这些决策需要可审计、可解释，并与组织政策保持一致。大多数企业尚未为此做好准备。根据德勤2026年人工智能现状报告，近四分之三的公司计划在两年内部署代理人工智能，但只有21%的公司报告拥有成熟的代理治理模型。这种采用意图与治理准备之间的差距是该领域最大的风险之一。生产级代理工作流治理是一个活跃的发展领域。
成本和复杂性
代理工作流比传统自动化消耗更多计算资源，因为代理进行迭代推理、多次调用工具，并可能重试失败的步骤。如果不仔细管理成本，这些工作流在大规模运行时可能会变得昂贵。Gartner预测，到2027年底，超过40%的代理人工智能项目将被取消，原因是成本上升、业务价值不明确或风险控制不足。
错误传播
当代理在工作流早期犯错时，该错误可能会在后续步骤中加剧。与可能发现异常的人类操作员不同，代理可能继续基于错误的假设执行，除非在工作流中内置明确的验证检查点。
安全和访问控制
与外部系统交互的代理需要凭据、权限和网络访问。每个工具集成都扩大了攻击面。组织需要对代理访问应用与人类用户相同的安全严谨性，包括最小权限原则和审计日志。
人工监督要求
尽管带有“自主”的标签，大多数生产代理工作流仍然需要人工参与的高风险决策检查点。设计人工干预的位置和方式，而不造成抵消效率提升的瓶颈，是一项不简单的设计挑战。
各行业的代理工作流用例
代理工作流已被应用于流程复杂、数据丰富且时间敏感的行业。以下示例说明了应用范围，而人工智能代理示例提供了更多细节。
| 行业 | 用例 | 代理工作流的应用方式 |
|---|---|---|
| 客户服务 | 自主问题解决 | 代理诊断客户问题、查询知识库、执行修复，并仅在必要时升级。Gartner预测，到2029年，代理人工智能将自主解决80%的常见客户服务问题而无需人工干预。 |
| 金融服务 | 欺诈检测和调查 | 代理监控交易流、标记异常、收集上下文数据并编写调查报告，将响应时间从几小时缩短到几分钟。 |
| 医疗保健 | 临床数据处理 | 代理从非结构化医疗记录中提取信息，交叉引用临床指南，并呈现相关发现供医生审查。 |
| 供应链 | 需求预测和采购 | 代理摄取实时销售数据，根据外部信号调整预测，并在库存阈值被突破时触发采购行动。 |
| 软件工程 | 代码审查和部署 | 代理审查拉取请求、运行测试、识别问题并建议修复，简化开发周期。 |
| 游戏 | 动态内容和NPC行为 | 代理根据玩家行为生成自适应游戏内容并控制非玩家角色行为，如游戏中的代理人工智能所示。 |
这些用例有一个共同点：它们涉及多步骤流程，其中条件变化、异常常见，手动处理成本高。
在Databricks上构建和扩展代理工作流
代理工作流代表了组织可自动化能力的根本性转变。通过结合自主代理、动态工具使用和迭代反馈循环，它们处理传统自动化无法处理的复杂、多变流程。该技术正在迅速成熟，但成功取决于将其与强大的治理、生产级基础设施和明确的业务目标相结合。
要探索这些模式如何应用于您自己的数据和AI工作负载，请访问Databricks AI平台或深入了解代理系统指南。
常见问题
什么是代理工作流？它和传统自动化有何不同？
代理工作流是一种由AI驱动的流程，其中自主代理在最少的人工干预下规划、执行并优化多步骤任务。传统自动化遵循预定义规则和固定序列。代理工作流在运行时根据上下文和中间结果决定下一步行动，使其能够适应变化的条件，并处理会使静态脚本中断的异常情况。
代理AI工作流的四个步骤是什么？
虽然实现方式各不相同，但大多数代理AI工作流遵循四个核心阶段：感知（收集数据并理解当前情况）、推理（分析选项并制定计划）、行动（使用可用工具执行任务）和学习（评估结果并为未来迭代优化方法）。这些阶段以连续循环而非单次通过的方式运行。
代理工作流和AI代理有什么区别？
AI代理是一个能够感知、推理和行动的自主实体。代理工作流是编排一个或多个代理以达成目标的结构化流程。可以将代理视为工人，工作流视为项目计划。单个代理工作流可能协调多个专门代理，每个代理处理流程的不同部分。
企业中代理工作流的真实案例有哪些？
常见例子包括自主客户服务解决方案，其中代理诊断并解决问题而无需人工路由；金融服务中的欺诈调查，代理监控交易并汇编案件档案；以及供应链优化，代理根据实时需求信号调整采购决策。事件驱动的文档工作流（代理处理、分类和路由非结构化文档）是另一个增长中的应用程序。
多代理工作流如何处理跨系统的复杂任务？
在多代理工作流中，专业代理根据其能力划分职责。协调器代理管理整体流程，将子任务委托给处理数据检索、分析、代码执行或通信的代理。代理通过结构化消息将结果传递，协调器确保整体目标不偏离。这种模式使工作流能够跨越多个系统和数据源，而无需单个代理处理所有任务。
代理工作流需要人工监督吗？
在大多数生产部署中，是的。虽然代理工作流可以在常规决策中自主运行，但高风险操作通常包括人在环检查点，在代理执行前由人员审查并批准其提议的操作。监督程度取决于任务的风险概况、系统的成熟度以及组织的治理要求。
构建代理工作流通常使用哪些框架？
流行的框架包括用于构建代理逻辑和工具集成的LangChain和LlamaIndex，用于持久化工作流编排的Temporal，以及用于编排多步骤管道的平台原生解决方案（如Databricks Workflows）。Anthropic的Claude和OpenAI的API经常用作这些框架中的推理层。框架的选择取决于工作流的复杂性、部署环境和团队现有的基础设施。