声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。

看一些具备自主性的人工智能应用案例

案例1：发票处理

• 左侧发票的内容：发票样例，包含以下关键信息
  • 开票方（Biller）： TechFlow Solutions LLC
  • 开票地址（Biller address）： 890 Juniper Drive, San Mateo, CA 94401
  • 应付金额（Amount due / Total Due）： $3,000.00
  • 到期日（Due Date）： August 20, 2025
• 明确了4个需要提取的核心字段：
  • Biller（开票方）
  • Biller address（开票方地址）
  • Amount due（应付金额）
  • Due date（到期日）
• 处理的两个核心步骤为：
  • Identify required fields： 识别并提取上述所需字段。
  • Record in database： 将提取的数据记录到数据库中。
• 工作流如下
  • 文件输入： 接收到发票文档（红色的 PDF/文档图标）。
  • PDF to text（文本转换）： 系统首先将 PDF 格式的发票转换为机器可读的纯文本数据。
  • LLM（大语言模型处理）： 文本被输入到大语言模型中。LLM 的任务是理解文本并找出那 4 个目标字段。
  • Tools: update database（工具调用）： LLM 识别出数据后，调用一个名为 update database（更新数据库）的外部工具/API。
  • Record created!（记录创建）： 最终，数据被成功写入系统，自动化流程结束。

案例2：构建一个代理来回复客户的订单咨询

• 左侧发票的内容：客户来信，来自客户 Susan Jones 的投诉邮件：

  • 问题： 发错货了（Wrong item shipped）。
  • 详情： 她订购了一台蓝色的 KitchenPro 搅拌机（订单号 #8847），但收到的却是一个红色的烤面包机。
  • 紧迫性： 她周末要给女儿办生日派对，急需这台搅拌机。

• 核心处理步骤

  • Extract key information： 提取关键信息（如订单号、错发商品等）。
  • Find relevant customer records： 查找相关的客户和订单记录。
  • Draft response for human review： 起草回复邮件，并提交给人工进行审查。

• 技术工作流
  这个流程比前一张发票的流程更高级，它包含了一个多阶段（Multi-stage）的 LLM 处理链路

  • 第一阶段：验证订单详情（Verify order details）
    • 邮件文本输入给第一个 LLM。
    • LLM 识别出订单号后，调用工具 orders database query（订单数据库查询），去后台系统核实该订单的真实情况。
  • 第二阶段：起草回复并请求审查（Draft response, request review）
    • 获取到数据库的真实订单信息后，第二个 LLM结合客诉内容和数据库结果，自动起草一封得体的道歉及解决方案邮件。
    • 起草完成后，它调用了另一个工具 request review（请求审查）。
  • 终点：人工审核
    • 系统不会直接把 AI 生成的邮件流转到人工客服（右侧的人形图标）面前。
    • 人工进行把关、修改或确认后，再正式发送给客户。

案例3：非固定工作流的客户服务智能体（More challenging: Customer service agent）

前两张图展示的属于“固定工作流”（顺序执行明确的步骤），而这张图揭示了面对多变的用户请求时，AI Agent 如何处理。

• 核心痛点：无法提前预知步骤 (Required steps not known ahead of time)
  • 实际的客服场景中，用户的问题千奇百怪。开发者不可能为每一种可能出现的对话提前写死一套固定程序。AI Agent 必须根据用户当前说的话，动态地、现想现做地规划接下来的行动步骤
• 案例 A：商品库存咨询
  • 用户输入： “你们有黑色牛仔裤或者蓝色牛仔裤吗？” (Do you have any black jeans or blue jeans?)
  • AI Agent 动态生成的步骤：
    1. Check inventory for black jeans： 去后台查询黑色牛仔裤的库存。
    2. Check inventory for blue jeans： 去后台查询蓝色牛仔裤的库存。
    3. Respond to customer： 汇总两者的库存结果，组织语言回复客户。
• 案例 B：退货请求（涉及复杂的条件判断）
  • 用户输入： “我想退掉我买的沙滩巾。” (I’d like to return the beach towel I bought)
  • AI Agent 动态生成的步骤：
    1. Verify customer purchase： 核对该用户的购买记录，确认其确实买过沙滩巾。
    2. Check return policies： 调取公司的退货政策（例如：是否在30天退换货期限内、是否属于特价不退商品）。
    3. 条件分支判断（If return allowed = “yes”, then）： 如果政策允许退货，则执行：
       • a. Issue return packing slip： 系统自动开具并发送退货装箱单给客户。
       • b. Set database record to “return pending”： 将数据库中的订单状态修改为“退货处理中”。

两个案例，展示了智能体如何根据上下文实时拆解出不同的执行步骤

智能体 AI（Agentic AI）适合处理哪些任务？

AI 正在从左侧的“执行死板命令的工具（Tool）”向右侧的“具备自主规划能力的智能代理（Agent）”演进

• 简单（Easier）的任务特征
  • Clear, step-by-step process： 具有清晰的、一步接一步的流程。
  • Standard procedures to follow： 有标准的作业程序可以遵循。
  • Text assets only： 仅涉及纯文本资产的处理。
  • 比如第一张图的“发票处理工作流”，步骤完全是写死的（转文本 -> 提信息 -> 导数据库），AI 只需要按部就班地执行
• 右侧：较困难（Harder）的任务特征
  这一侧才是真正的、高级的 Agentic AI（智能体AI）大放异彩的地方。这些任务具有高度的“不确定性”和“复杂性”：
  • Steps not known ahead of time： 无法提前预知具体的执行步骤。
  • Plan / solve as you go： 必须在执行过程中边走边规划、边做边解决。
  • 比如第三张图的“退货和库存客服”。AI 无法预测用户下一秒会提出什么奇葩要求，它必须在收到请求的一瞬间，开动脑筋（推理能力），临时为自己拟定一套行动方案。

总结

了解这些应用的目的是当自己实现这些功能的时候，最重要的技能之一是分析复杂流程并找出各个独立步骤，这样就能实现智能体工作流按顺序执行每一步，下一篇会介绍将这些有用的行为拆解为代理式流程的离散步骤的方法

如果这篇文章对你有帮助，欢迎点赞、评论、关注、收藏。你们的支持是我前进的动力！