超越炒作：使用 Agentic AI 构建系统架构

摘要

专家小组探讨了使用 Agentic AI 构建系统的实践。他们分享了模式、反模式和用例，区分了 Agentic AI 与传统自动化的差异。学习如何管理这些分布式系统的复杂性和非确定性，实施防护措施，并从软件架构师转变为学习架构师，以在生产环境中实现信任和扩展。

专家介绍

Arun Joseph：Masaic Agentic Systems 联合创始人兼 CEO，曾在德国电信领导欧洲首批大规模 Agentic 系统之一。

Johannes Koch：FICO 首席架构师，专注于 Agentic AI 开发工作流，具有 CI/CD 背景。

Merrin Kurian：Intuit 杰出工程师，领导 AI Foundation 平台，为 Intuit 所有产品体验提供 AI 能力。

Tyler Jewell：Akka CEO，第四次创办开发者平台公司，专注于 Agentic AI 平台。

Agentic AI：炒作与现实

Jewell：虽然市场上有很多 Agentic AI 的原型和实验，但真正进入生产环境的企业项目仍然有限。企业面临三大挑战：

• 复杂性：这些是需要编排代理、共享状态和流式数据的分布式系统

• 非确定性导致的信任问题

• 大量的隐性运营成本

传统 AI 与 Agentic AI 的区别

Joseph：传统自动化更像是执行引擎（RPA、工作流引擎），传统 AI 更多是预测机制。Agentic AI 填补了预测与实际执行之间的空白，形成了一个完整的循环。

Jewell：Agentic 系统应具备三个属性：

1. 可定义的目标

2. 防护栏和操作参数

3. 适应能力（循环机制、强化学习反馈或实时数据流）

适合 Agentic AI 的问题场景

Kurian：处理非结构化数据（文本、语音、文档、图像）的场景非常适合 Agentic AI。在 Intuit，我们重新构想了用户体验，使其更加多模态原生。

Jewell：适用于动态未定义规则、基于角色的思考、结构化 schema 匹配以及规划目标追踪等场景。

信任与监控挑战

Jewell：建立可信 Agentic 系统需要六大支柱：

1. 从治理开始：定义指标、策略和控制

2. 稳定可靠的运行时和网络层

3. 所有交互的可验证性

4. 身份管理和最小权限授权

5. 完整的追踪、监控和审计

6. 持续适应能力

Kurian：从软件工程师向 AI 工程师转变的最大跨越是如何进行结构化、系统化的评估。这需要高质量的数据和持续的数据流水线。

集成现有系统的挑战

Kurian：在 Intuit 这样有 40 多年历史的公司中，集成面临巨大挑战。API 需要重新设计以支持 Agentic 使用，数据架构需要演进以提供 LLM 可理解的元数据。

Jewell：需要处理数据流水线、系统记录访问、A2A 协议模拟以及内存管理等多个集成场景。

初学者入门建议

Koch：对于 AWS 技术栈，可以从 Bedrock 代理开始，选择能够简化部署和托管的基础设施。

Jewell：建议从理解模型工作原理开始，逐步构建增强循环，最终形成代理框架。

保持系统持续相关性

Joseph：关键在于不要过度耦合任何特定框架，而是构建能够适应变化的平台 API。

Jewell：未来的标准将集中在可追溯性、评估、防护栏和通信协议上，而不是代理框架本身。

实践建议

专家们一致认为，构建 Agentic 系统需要从软件架构师转变为学习架构师，专注于定义目标、收集高质量数据、建立系统评估机制，并接受这是一个需要不同努力方向的硬工作过程。更多精彩内容 请关注我的个人公众号 公众号（办公 AI 智能小助手）对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

办公AI智能小助手

公众号二维码

网络安全技术点滴分享