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：
- 可定义的目标
- 防护栏和操作参数
- 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：
- 从治理开始：定义指标、策略和控制
- 稳定可靠的运行时和网络层
- 所有交互的可验证性
- 身份管理和最小权限授权
- 完整的追踪、监控和审计
- 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
公众号二维码
