大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



下一件大事？Gartner 认为：AI 智能体（AI Agents）将是未来的关键技术。OpenAI、Nvidia 和 Microsoft 正在大力投入，甚至像 Salesforce 这样在 AI 领域一向低调的公司，也已悄然下注。

而毫无疑问，这项技术目前正迅猛崛起。

那么，这一趋势背后真正的是什么？理解智能体（Agents）的关键在于：自主性（Agency）。

不同于传统的生成式 AI 系统，智能体不仅仅是对用户输入做出回应。它们能够处理一个完整且复杂的问题——例如，一起保险理赔案件——从头到尾自动完成。这意味着它们可以理解理赔中的文本、图片与 PDF；从客户数据库中检索相关信息；将案例与保险条款进行比对；主动向客户提问并等待回应——哪怕这个过程需要几天；且不会遗忘上下文。

最重要的是：这些智能体可以自主完成所有操作，无需人类检查其处理过程是否正确。

与当前市面上的 AI 系统以及各类“协助型 Copilot”不同，AI 智能体实际上更像是一位真正的“员工”，而不是仅仅帮助员工完成部分工作的工具。它们展现出在流程自动化方面的巨大潜力。

想象一下 —— 一个能够完成复杂、多步骤任务的 AI，原本这些任务需要一个人类员工甚至是一个完整部门来完成：

•策划、设计、执行、评估并优化一场市场营销活动•在物流中定位遗失的货物，通过与承运商、客户和仓库沟通协调——若最终无法找回，还能向责任方提出索赔•每日检索商标数据库，判断是否有新注册商标与自己的商标存在冲突，并立即提出异议•收集 ESG 报告所需数据，包括询问员工、验证数据并最终撰写完整报告

目前，AI 模型可以协助处理某些环节，例如生成营销内容、分析电子邮件等，但它们尚不具备执行完整业务流程的能力。而 AI 智能体（AI Agent）可以做到这一点 —— 它不仅“协助”，还可以“主导执行”。

虽然传统的 AI 模型就像一台顶级的意式咖啡机，但基于智能体的 AI，更像是一位咖啡师（Barista）。咖啡机能煮出好咖啡；而咖啡师不仅会煮咖啡，还能：欢迎客人，记下订单，端上咖啡 ，收银结账 ，清洗杯具 ，晚上关店。即便是世界上最好的咖啡机，也无法独立经营一家咖啡馆，但咖啡师可以。

为什么 AI 智能体和咖啡师能做到这些？因为他们擅长掌握复杂工作的各个子流程，并能够自主决定下一步要做什么。

他们能与人交流，比如：

•向顾客提问，以获取更多信息（需要牛奶还是燕麦奶？）•判断求助对象，在遇到问题时知道该找谁（咖啡豆没了 => 找老板；咖啡机** => 联系售后服务）

这正是 AI 智能体的优势，它不仅能执行任务，还能理解场景、做出判断、沟通协调、灵活应变 —— 像一个真正的“数字员工”。

我们将围绕上方图示中的保险业务流程，设计一个智能体系统。该智能体应能从理赔申请的发起一直处理到赔付完成。

⚠️ 在这里我们主要讨论业务架构和流程设计。由于涉及编码的部分非常庞大，本文暂不深入编程实现细节。

1. 分类 & 将任务分配到处理路径中

我们的工作流从客户向保险公司发送一条理赔消息开始，这通常是有关房屋保险的申请内容。

那么，智能体该怎么做？它首先要分析消息内容，判断客户的诉求是什么。

基于这一分类判断，系统会启动相应的处理路径（processing lane）。这一步往往不仅仅是函数调用[1]，而是涉及到对整个流程的基本决策（例如属于哪一类理赔），后续触发多个独立的处理步骤。这就是智能体在流程第一步的职责，理解需求 → 分类判断 → 进入具体处理流。

2. 数据提取

下一步是数据提取。智能体的主要任务之一，就是将非结构化数据转化为结构化数据，以便流程更加系统化、安全且可控。

分类是将文本归入预定义的某一类；而提取，则是从文本中读取并解析具体的数据内容。然而，语言模型并不会直接“复制”输入中的数据，而是生成一条响应内容。这使得它能进行数据格式化，比如将电话号码从 ‘(718) 123–45678’ 转换为 ‘+1 718 123 45678’。

数据提取并不仅限于邮件正文中的文本内容，还可以包含图像、PDF 或其他文档中的数据。 为了完成这些任务，我们通常会结合多种模型使用：包括 LLM（大语言模型）、图像识别模型、OCR（光学字符识别）等。上文描述的流程其实是高度简化版。在现实中，我们通常会将图片发送给 OCR 系统，让它从扫描的发票或表单中提取文本；同时，我们也常常在分析前对附件进行分类处理。

为确保输出为结构化数据，我们强制要求模型的输出格式为 JSON。

以下是邮件输入的示例 —— 一段非结构化数据：

模型输出—JSON 格式的结构化数据

3. 调用外部服务，保持上下文持久化

许多生成式 AI 系统可以直接回答问题——有时是基于预训练数据，有时是通过微调，或在特定文档上使用 RAG（检索增强生成）技术。但这对智能体来说远远不够。几乎所有具备一定能力的 AI 智能体都必须访问企业内部或外部的数据源，如数据库等系统。

此外，为了使流程的上下文在当前会话之外仍然持续可用，智能体必须将数据写入系统或数据库。以我们的保险理赔智能体为例，它会根据合同号在客户数据库中查询客户信息，并将本次理赔请求的状态写入问题追踪系统（issue tracking system）。更进一步的是 —— 智能体具有“自主性（agency）”，它还可以主动向外部（例如客户）请求缺失的数据。

4. 评估、RAG、推理与置信度控制

每一项行政工作最核心的部分，其实都是在依据规则解释和处理输入的个案。而 AI 在这一点上表现得尤其出色。由于我们在调用模型时无法提供所有上下文信息（例如保险条款或服务协议内容），我们通常会使用向量数据库（vector database）来检索相关内容片段，这种技术被称为 RAG（检索增强生成）。

我们会在提示中引导 AI 先“自言自语”推理，再做出判断。这种“先思考、后回答”的方式可以显著提升回答质量—— 这正是我们从三年级数学课上就学会的技能。模型的推理过程，还可以被用于多种显性和隐性的场景，例如：

•向客户提供理由，说明为什么得出这样的答复•帮助提示工程师和数据科学家排查模型错误的原因•用于评估模型是否真的“理解了”问题，还是仅仅“碰巧猜对了”

🔍 我们还会准备一份关于推理与提示工程技巧的小抄[2]，方便参考使用。

置信度评估是最大化系统精度的核心手段。如果模型可以估算自己的回答置信度，我们就能据此制定不同的系统运行策略。

📌 提示工程师注意：这通常需要为不同置信度水平提供优秀的 few-shot 学习示例。

我们可以设置一个“置信度阈值”：

•当低于该阈值时 → 自动将任务转交给人工客服•当高于该阈值时 → 系统自动处理该任务

这样可以实现灵活调节：

•置信度阈值设得高：更安全，错误率低，但需更多人工处理•置信度阈值设得低：自动化程度高，但潜在错误风险增加

哇哦！如果你刚才实现了上面所提到的 2 到 3 个步骤，那么你就已经构建出了一个 AI 智能体。我在前文中只列出了这些智能体系统的核心组成部分，其余部分你一定也可以轻松想象得到。你可以选择使用以下框架来实现它们： CrewAI， LangGraph， LangFlow，或其他类似的智能体编排工具。当然，你也完全可以只用纯 Python 实现整个流程。

令人惊讶的是，这样的系统可以自动化理赔部门 70%–90% 的工作量。而这一点，是传统的、非智能体型的生成式 AI 系统根本无法做到的。两年前，我从未想过这个愿景能来得这么快、这么现实。

👉 AI 智能体，简而言之：

一个能思考、有记忆、可调用工具，并能独立完成任务的“数字员工”。

山行AI祝你在 AI 和智能体系统的实践之路上一切顺利、收获满满！本文由笔者翻译整理自：https://medium.com/codex/what-are-ai-agents-your-step-by-step-guide-to-build-your-own-df54193e2de3，如对你有帮助，请帮忙点赞、转发，谢谢！

References

函数调用: https://platform.openai.com/docs/guides/function-calling 小抄: https://www.linkedin.com/pulse/perfect-prompt-engineering-cheat-sheet-snippets-part-vogel-mxkcf/?trackingId=ikeDZrOwQieHCRRwSIvx2w%3D%3D