个性化、自主化数据分析｜Agentic AI 的前世今生

 引言

随着大模型和生成式 AI 的发展，AI Agent 成为 2024 年底 AI 领域最火热的话题之一。LangChain 发布了“State of AI Agents in 2024“ (https://www.langchain.com/stateofaiagents)的调查报告。

报告显示，Agent 技术在实际业务场景中的应用正在逐渐开始加速。

本期，我们邀请质变科技数据科学家、AI-ready 数据云团队布道师则明为大家分享系列话题《Agentic AI》，分别从 Agentic AI 的发展脉络、技术架构和当前开源社区所提供的支持，以及具体的商业应用等方面进行分享，本篇是 Agentic AI 系列的第一篇。

 AI Agent 的基本特征

AI Agent 概念本身并不新鲜，本质上是一个探索如何通过计算及模拟人类智力活动的思考框架。Agent 本质上有以下几个基本特征：

1.自主行动：Agent 一旦训练和部署完成，能够自主进行决策和行动，而无需人工进一步干预。

2.环境感知：Agent 能够（主动或被动）获取其执行环境的各种上下文信息。甚至能以多种模态接受和处理环境信息。

3.工具使用：Agent 在完成任务的过程中，能够通过工具使用的能力与各种系统进行交互（包括其他 Agents）。

随着 AI 技术的发展，Agent 能力也获得进一步提升：

4.多方协调：Agent 能够自主的与其他智能系统或 Agent 配合生成全局计划以完成各种任务。

5.自主学习：Agent 能够从过往的任务经验和反馈中获取所需要的数据，对自身进行改进，从而进一步提升任务性能。

在人工智能的发展史上，曾经出现多种技术为 AI Agent 提供支撑，比如 70~80 年代的专家系统，通过基于规则的推理来模拟人类专家在特定领域的决策行为。在基于统计的机器学习兴起之后，AI Agent 能从大量数据中自动学习和发现特定的模式和规律，减少了对（人工）规则的依赖。而神经网络和深度学习的兴起则进一步提升了 AI Agent 在自然语言、语音图像等多模态数据上的性能。

 大模型时代 AI Agent 的智能增强

随着预训练大模型的兴起，AI Agent 进一步得到了增强，主要体现在以下几个方面:

1.CoT & Planning：思维链及其相关的衍生技术进一步提升了 Agent 计划制定的泛化能力。通过对复杂问题的拆分，ReAct 打开了大模型在行为规划方面的思路；随后出现了 Tree-of-Thought, Graph-of-Thought, Forest-of-Thought 等各种个样的发展；这进而又推动了执行路径的优化，比如引入 MCMC (Monte-Carlo Markov Chain) 等技术等等。

2.Memory：传统 Agent 记忆往往依赖于事先定义的 schema，这限制了 Agent 记忆可用的状态空间和表达能力。GenAI 提供了统一的语义表征，Agent 记忆从而获得了近乎“free  form”的能力，大大扩展了 Agent 记忆的应用范围。

3.多模态能力：基于预大模型的技术实质上创建了一个统一的语义空间，从而使得各种模态的数据能在这个统一的空间里进行训练，应用程序因而也能够对多种模态的数据进行统一的处理。

4.Self-reflection：Agent 在 LLM 的加持下，能够对自身的计划和执行结果进行进一步的分析，获得改进以进一步提高准确率等性能。

以上种种能力结合到一起，完善了一个通用 MAS 的场景。在 GenAI 的加持下，Agent 现在有了统一的语义表达方式来进行通信，同时也拥有了动态计划的生成能力，还能够通过反思对计划和结果进行反思。这实际上形成了某种递归的问题解决模式，而这正是智能的核心特征之一。（《GEB》）

随着简单的 LLM 封装在各种商业场景中逐步暴露出能力的局限，Agentic AI 继而在生成式 AI 这波浪潮后深入发展。在德勤发布的“How AI agents are reshaping the future of work”( https://www2.deloitte.com/content/dam/Deloitte/us/Documents/consulting/us-ai-institute-generative-ai-agents-multiagent-systems.pdf) 报告探讨了 Agentic AI 在复杂（和不可预测）场景中的明显优势。

作为 deeplearning.ai 的创始人，Andrew Ng 也在各种场合探讨 Agentic AI Workflow 的重要性（Andrew Ng Explores The Rise Of AI Agents And Agentic Reasoning | BUILD 2024 Keynote https://www.youtube.com/watch?v=KrRD7r7y7NY）。在他看来，Agentic AI 代表了新一代智能体技术的发展，其核心是通过分步骤规划、迭代式工作流和角色分工，使智能体能够以更高效和精准的方式解决问题。同时他也提出了当前 Agentic AI 中最核心的几种设计模式：

1.反思（Reflection）

2.工具使用（Tool Use/API Call）

3.计划（Planning）

4.多智能体（Multi-Agent Collaboration）

随着技术理解的进一步加深和实践中的优化和调整，Agentic AI 已经在各种场景中得到应用和发展，2025 年成为 AI Agent 元年 （Why 2025 Will Be The Year of AI Agents https://www.youtube.com/watch?v=kHPXbo2OkzA）。未来，Agentic AI 将从单一 Agent 发展到“群体协作”的模式，彼此协作甚至对抗，完成更复杂的任务。

作为 AI 时代 Data Infra 无人区的探索者，质变科技于近日发布了一项以数据为中心的 AI 分析服务 Relyt AI。依托于以大模型为基础的可解释分析引擎、端到端（E2E）的数据理解与管理技术，以及支持 PB 级大规模计算的核心技术，Relyt AI 能够提供包括基于数据集的 AI 问答、自然语言交互的数据分析、探索与洞察等一系列能力。这些功能广泛应用于对准确性要求极高的工作场景。

目前，Relyt AI 分析服务已经在全球市场获得了超过 110 万用户的高频使用和验证，累计处理超 200 万文件、1200 万数据任务。AI-ready Data Infra 正在持续迭代，质变科技期待与全球客户一起，激活每个人的数据潜能。