2026值得关注的Agentic AI的发展趋势报告

1本文主要包括两个部分：第一部分主要介绍Gartner的2026年首份智能体AI技术成熟度曲线和AgenticAI技术的优先级矩阵【1】；第二部分包括详细介绍在智能体AI技术成熟度曲线所列的30项新兴技术中的8项重要技术，其中包括它们的定义，趋势分析等，同时也包括笔者的解读和其他补充材料。就在2025年，智能体人工智能（AgenticAI）还是“人工智能技术成熟度曲线”（HypeCycle）中“新一代人工智能”（GenAI）的一个创新类别。如今，它已经独立出来，Gartner于2026年4月2日发布了首份《智能体人工智能技术成熟度曲线》【1】，并细分为多个类别，这反映了该市场发展之迅速。人们的关注点正从对智能体（人工智能代理/AIAgents）的兴奋转向了解智能体人工智能（AgenticAI/智能体AI）技术是如何走向成熟的。【1】指出，智能体代表了一种全新的软件范式——它有望以过去难以想象的方式实现自动化。然而，支撑这些范式的基础设施和流程仍在不断完善中。智能体的热度和关注度已达到空前高度，因此，首席信息官和人工智能领导者必须厘清哪些是真正的技术，哪些是新兴技术，哪些只是噪音。智能体人工智能领域由一系列复杂的创新和组件构成，每一项都对理解这项技术的真实现状和潜力至关重要。因此，Gartner推出了“智能体人工智能技术的成熟度曲线/炒作周期”，旨在帮助您了解行业现状，对照预期评估进展，并在瞬息万变的环境中做出更明智的决策。以下是关于智能体人工智能的发展现状和趋势分析【1】:l人们对智能体的兴趣日益浓厚，且增长速度惊人。根据Gartner发布的《2026年首席信息官和技术主管调查》，目前仅有17%的企业部署了智能体，但42%的企业预计将在未来12个月内部署，另有22%的企业预计将在未来一年内部署。这是该调查中所有新兴技术中采用速度最快的。大多数企业仍处于早期阶段，主要使用智能体来自动化现有工作流程，而不是为了实现智能体而重新设计流程。软件工程领域是个例外，其代理编码方面取得了显著增长。目前，重点仍然是渐进式自动化，而非变革性改变。l智能体的创新发展迅猛，但炒作速度更快，导致人们对智能体的实际能力产生困惑。目前基于大语言模型（LLM）的智能体种类繁多。最常见的智能体能够感知大量信息并使用工具采取行动，具备一些基本的规划、自我反思和纠错能力。然而，它们的适应性仍然有限，并且常常难以在企业环境中进行特定情境下的决策。这种理想与现实之间的差距导致人们对智能体抱有不切实际的期望，认为它们可以自主运行，并持续地为复杂任务交付高价值成果。实际上，完全自主的智能体尚未准备好应对大多数企业应用场景，2人工监督仍然至关重要。企业必须规划的是半自主部署方案，即在一定程度上对智能体的工作进行人工监督。l“洗白代理”现象加剧了这种混乱，一些传统的自动化工具和RPA解决方案被重新包装成AI代理构建平台。这种转变使市场更加混乱，买家更难区分真正的AI代理功能和披着新外衣的传统自动化技术。l智能体技术生态系统正在迅速扩张。人们看到，针对特定行业或功能的领域特定智能体层出不穷，同时，低代码和无代码平台也蓬勃发展，降低了智能体开发的门槛。用于智能体训练和评估的新框架和平台工具不断涌现，SaaS供应商正积极将智能体嵌入到其企业级产品中，以巩固和拓展市场地位。其结果是，市场格局日益拥挤且瞬息万变，创新和上市速度超越了标准化和完善的监管机制。l智能体代表了一种全新的软件范式——它有望实现以往难以企及的自动化。然而，支撑智能体的基础设施和流程仍在不断完善。智能体的集成、可靠性、安全性、治理和财务管理都在不断发展，企业应做好准备应对其中的差距和成长阵痛。在许多情况下，智能体的开发、管理和成本控制流程都是实时定义的。l智能体和生成式人工智能（通常是逻辑层模型和逻辑层模型）是人工智能领域中两种不同的技术。智能体可以使用多种人工智能技术，而不仅仅是逻辑层模型。对于企业应用而言，可靠性和透明度通常最好通过精确的确定性模型来实现，而不仅仅是生成式人工智能。以上是Gartner在其研究报告【1】中所做关于智能体的发展现状和趋势的精辟总结，其中主要强调采用率及其各种应攻克的障碍，如安全，监管等基础设施的建立和完善。笔者在【2-6】中对智能体人工智能的现状和趋势也有所研究，现做以下补充：lGartner指出【2】，到2029年，由于普遍存在的代理洗作，导致企业的主动型人工智能计划超过70%会失败，这种洗作忽视了用例优化、用户风险承受能力、合规性和审计要求的重要性。l【3】揭秘了Palantir如何采用本体论实现企业和政府机构级的人工智能落地并为它们创造价值。该研究报告指出，人们往往忽视了LLM是有错误概率的和不是完全准确的。它们缺少每个关键业务系统都必须具备的基本要素：对本体的理解。这正是为什么95%的S&P公司在Al应用（智能体+LLM）方面没办法达到预期效果的重要原因。l2025年Gartner公司称【6】，到2027年底，超过40%的代理AI项目将被取消，原因是成本不断上升、商业价值不明确或风险控制不足。根据卡内基梅隆大学(CMU)和Salesforce的研究人员的测量，AI代理的任务成功完成率对于多步骤任务仅为30%到35%。人工智能代理在执行办公任务时，大约有70%会出错，而且很多都不是人工智能。Gartner发布的全新AgenticAI的技术成熟度曲线如久旱的及时雨，不仅指出了其变革未来的重要性和当前只有少数智能体应用成功的现状，更重要的是提供了一个智能体人工智能获得应用成功和创造价值的指南。塑造人工智能代理的创新可以归纳为五个关键领域。每个领域都体现了人工智能代理所特有的一系列独特能力和挑战——人工智能代理是指利用人工智能技术感知、决策、采取行动并在其数字或物理环境中实现目标的自主或半自主软件实体。Gartner全新AgenticAI的技术成熟度曲线（见图1）展示了30项与智能体AI相关的新兴技术，它们被分为以下5大类。3l智能体开发：智能体开发与传统应用程序开发有着本质区别。构建智能体需要从一开始就考虑其自主性、学习性和适应性。智能体开发生命周期（ADLC）为这一必须具备适应性的过程引入了结构和可重复性。人工智能智能体开发平台正在不断发展，以支持智能体和多智能体系统的组装、测试和扩展。同时，用于人工智能智能体的计算机应用也日趋成熟，使智能体能够与人类用户界面交互，从而无须使用API，但这可能会带来更高的成本和更慢的性能。上下文图将数据、动作和目标连接在一个动态图中，该图捕获了智能体人工智能的操作上下文、决策轨迹和推理路径。新兴世界模型使智能体能够模拟和预测可能的未来，从而提高了上下文感知和决策质量的标准。无代码智能体构建器的出现正在普及访问，使业务用户和公民开发者无需深厚的技术技能即可创建和部署智能体。智能体市场使组织能够获取和使用智能体功能，从而可以从不断增长的生态系统中发现、评估和部署智能体。总的来说，这些创新正在将重点从代码转移到能力，从确定性逻辑转移到适应性行为。l代理集成与部署：集成和部署是实现和扩展智能体价值的关键所在。智能体很少孤立运行；它们的影响力取决于它们连接、协作以及利用现有数字投资的能力。智能体通信协议（例如模型上下文协议）正在为集成设定新的标准，使智能体能够无缝交换上下文和功能，或访问其他系统的资源。多智能体系统和智能体编排正在解决协调分布式、半自主参与者的复杂性——每个参与者都有自己的目标、约束和方法。集成不再仅仅关乎API；它关乎确保智能体能够在动态环境中协同工作、适应变化并推动结果的实现。l智能体人机交互：我们与智能体的交互方式正在从根本上改变数字体验。智能体不再仅仅是工具，它们是协作伙伴，能够解读用户意图、协商结果并代表用户行事。智能体体验正逐渐成为一门新兴学科，专注于设计智能体能够导航和行动的环境和工作流程，并超越那些仅为人类设计的用户界面。人机协作工作空间实现了结构化的授权、监督和问责，将自动化与人类判断融合在持久的数字环境中。智能体浏览器（或人工智能浏览器）可以重塑我们获取和筛选信息的方式，智能体可以作为信息筛选者和中介。机器客户代表着一类新型的经济主体——它们能够自主地进行交易、购买和决策，这引发了关于信任、透明度和数字商务边界的新问题。l代理管理：随着组织规模的扩大，智能体管理已成为战略和运营上的必然选择。仅仅部署智能体是不够的——必须对其进行监控、治理和优化，以确保其性能可靠、安全且经济高效。智能体管理平台提供了一个统一的界面，用于保护、监控和管理智能体。由于智能体做出的决策会产生现实世界的后果，因此智能体治理和智能体安全至关重要，这就要求我们采用新的方法来应对风险、执行策略和进行运行时控制。守护智能体正在成为智能体的监督者，确保智能体的行为始终与策略、意图和组织价值观保持一致。智能体分析能够提供对智能体行为和结果的可见性，从而支持运营调整和战略洞察。持续学习确保智能体在环境和目标变化时仍能保持有效性，而智能体财务运营（FinOps）则能有效控制智能体运营中不可预测的成本。有效的管理能够将智能体部署从试点阶段转化为企业级规模的价值。l代理用例：智能体应用的广泛性展现了智能体人工智能的广度和雄心。智能体人工智能、智能体编码以及软件工程中的人工智能代理正在重新定义软件的构建、维护和演进方式，智能体能够自主地设计、测试和优化代码。智能体商务可以变革数字商务，智能体可以代表买卖双方促成交易、进行谈判并执行交易。特定领域的智能体展现了针对复杂、高风险环境定制智能所带来的影响，在这些环境中，准确性和合规性至关重要。智能体分析利用人工智能代理来协调和自动化数据到洞察的工作流程，从而实现更快、更具适应性的分析。具身人工智能和多功能机器人将智能体的能力扩展到物4理世界，提供能够适应不断变化的任务和环境的自动化功能。应用的多样性表明，智能体并非单一技术，而是数字化转型的新基石，对各行各业都具有深远影响。图1：Gartner全新AgenticAI的技术成熟度曲线（来源：Gartner【1】）图1所展示的全新AgenticAI的技术成熟度曲线深入探讨了AgenticAI的技术生命周期的五个关键阶段：创新触发/萌芽（InnovationTrigger潜在的技术突破拉开创新序幕。早期的概念验证故事和媒体兴趣引发了大规模宣传。通常没有可用的产品，商业可行性也未经证实。由于这是智能体AI技术成熟度曲线的首发，如图所示2/3的20项技术都处于这一阶段。其中仅9项技术的成熟期是5到10年，其余12项技术的成熟期都在2到5年。这说明这些新兴技术将会快速发展。l期望膨胀的顶峰（PeakofInflatedExpectations早期的宣传带来了许多成功案例——往往伴随着大量失败。一些公司采取了行动，但许多公司没有。仅三分之一的10项技术处于这一阶段l幻灭低谷（TroughofDisillusionment由于实验和实施未能实现预期，人们的兴趣逐渐消退。技术生产商被淘汰或失败。只有幸存的供应商改进其产品以满足早期采用者的满意度，投资才会继续。尚未有技术出现在该阶段。l启蒙坡（SlopeofEnlightenment越来越多的企业开始认识到该技术如何使企业受益，并得到更广泛的理解。技术提供商推出了第二代和第三代产品。更多企业资助试点项目；保守的公司仍持谨慎态度。尚未有技术出现在该阶段。l生产力高原（PlateauofProductivity主流采用开始起飞。评估提供商生存能力的标准更加明确。该技术的广泛市场适用性和相关性显然正在产生回报。尚未有技术出现在该阶段。5Gartner的“AgenticAI的技术成熟度曲线”概述了AgenticAI领域中技术的相对成熟度。它不仅提供了区分炒作与现实的记分卡，还提供了帮助企业决定何时采用新技术的模型。指出，为了确定采用创新的最佳时机，组织必须平衡三个变量：l创新在成熟度曲线中的地位l创新对组织的潜在价值l组织的风险承受能力这些讨论的见解将有助于组织优先考虑其创新采用战略。AgenticAI技术优先级矩阵（见图2）为首席信息官(CIO)提供了一个战略视角，用于评估和比较今年技术成熟度曲线(HypeCycle)中列出的智能体人工智能(AI)创新技术的潜在影响。该矩阵根据创新技术的效益评级和预期普及时间进行映射，帮助企业确定哪些技术最符合其业务目标、行业适用性和数字化转型议程。然而，必须认识到，仅凭影响不应成为投资决策的唯一依据。还必须权衡其他因素，例如对特定环境的适用性、预算限制、实施时间以及预期投资回报率(ROI以确保投资既具有雄心壮志又切实可行。智能体人工智能是一个快速发展的领域，新技术层出不穷，并以前所未有的速度日趋成熟。优先级矩阵反映了这种活力，重点展示了一系列有望在各行各业创造价值的多元化技术。该领域的大多数创新预计将在两到五年内得到主流应用，带来显著价值，并为未来的发展奠定基础。首席信息官们不仅应该利用优先级矩阵来确定近期机遇的优先级，还应该利用它构建一个稳健的路线图，在智能体人工智能格局不断演变的过程中，平衡探索与严谨执行。成熟度曲线报告包含炒作周期中同一组创新概况的优先级矩阵（见图2该优先级矩阵是一种帮助产品团队确定任务和项目的优先顺序并提高效率的工具。该矩阵从益处（优先级矩阵的纵轴）和技术成熟的时间（优先级矩阵的横轴）两个维度将矩阵划分为16块，图1中的所有技术想落入这16块中。其中“益处（Benefit）”侧重于创新的潜在效益评级，分为4l转型：在行业内和跨行业建立新的经营方式，导致行业动态的重大转变。l高：支持执行横向或纵向流程的新方法，这将显著增加组织的收入或成本节约。l中等：对既定流程进行渐进式改进，从而增加收入或为组织节省资金。l低：使流程略有改进，但可能不会转化为收入增加或成本节约。优先级矩阵的横轴（技术成熟的时间）根据稳定时间对创新进行分类，即创新预计何时达到平台时间评级是一种基于创新预期成熟率的简单风险度量。组织和行业之间在这个轴上可能存在一些差异，但通常比在利益轴上的差异要小。被评为“高原前过时”的创新不会出现在优先级矩阵中。6图2：AgenticAI技术的优先级矩阵（来源：Gartner【1】）优先级矩阵是一个有用的框架，用于：l对创新对组织的潜在利益做出明确判断。l从相对收益和风险的角度比较创新。这种比较可以帮助减轻有影响力的个人推动可能不符合组织最佳财务利益的创新的情况。在矩阵图2中，一共列举了30项AgenticAI技术。Gartner有名的分析师等对所有列举在矩阵图2中的技术做了标准分析，该分析包括技术的定义和分析，以及其市场热度和成熟度。下面将以表格的形式介绍其中8项AgenticAI技术的定义和分析。对于每个介绍的技术表后面，本文给出了解读和本文作者的分析见解。7AgenticAI技术智能体人工智能分析人埃里克·布雷特努、彼得·登·哈默效益评级变革性市场渗透率目标受众的5%至20%成熟度新兴定义智能体人工智能是一种构建人工智能解决方案的方法，它使用一个或多个软件实体，这些实体全部或部分被归类为人工智能智能体。人工智能智能体是自主或半自主的软件实体，它们应用人工智能技术来感知、决策、行动，并在数字或物理环境中实现目标。为什么这很重要智能体人工智能仍处于技术成熟度曲线的顶峰，这主要源于人们对其能力的快速关注和持续的困惑。它继续搭着生成式人工智能和新兴多智能体人工智能的热潮顺风车。然而，对于合适的应用场景，智能体人工智能可以通过更深入的人工智能集成来创造真正的价值。人工智能智能体正在引领基于高度分布式决策系统的新型软件实践。商业影响数十年来，基于嵌入式系统的AI代理系统的发展表明，如果应用得当，智能体AI可以创造巨大的商业价值。智能体AI通过目标驱动的系统创造这种价值，这些系统提供更高的灵活性、适应性和自动化程度，更重要的是，还能增强人机交互能力——进一步弥合人与机器之间的鸿沟驱动因素l多智能体系统：除了对人工智能智能体的炒作之外，跨多个智能体的协调也被过度渲染了。智能体人工智能常常继承了人们对多智能体系统的误解，而多智能体系统是将多个智能体结合起来，共同实现目标。l技术进步：智能体人工智能利用复合（混合）人工智能、决策智能和大型行动模型的快速发展。l市场势头和热度：智能体人工智能受到市场的强烈关注，许多组织都在进行试验和投资早期试点项目。l供应商投资：供应商正在加速提升代理能力，这扩大了需求并加速了这一趋势。l高级自动化承诺：与传统的流程自动化或RPA相比，智能AI能够实现更稳定、更具弹性和更具上下文性的流程，从而开启灵活的自动化级别。l复杂用例：随着业务环境、目标和执行变得越来越复杂和动态，组织需要更分布式、更少确定性的方法，这适合多智能体系统。实现障碍l市场炒作正在稀释人工智能代理的真正含义，供应商通过重新包装人工智能助手、RPA工具和聊天机器人来吸引买家，却并未提供真正的代理能力，从而进行“代理洗白”。这助长了人们对该技术成熟度的错误预期。l可预测性是人工智能代理的核心局限之一。许多人工智能代理可以执行特定任务，但它们缺乏持续执行所需的可靠性，因此不适合完全自动化。l更高的自主性会带来新的风险，这些风险远超独立人工智能模型或通用人工智能助手所面临的风险。随着智能体采取更多独立行动，错误的潜在影响也会显著增加。l市面上大多数产品仍然是人工智能助手，而非真正的智能体。助手很少能自主行动或管理多步骤目标，但用户却越来越自信，却并不了解构建真正智能体所需的技术和运营投入。用户建议l不要轻信供应商的承诺。评估他们的产品是否真正符合人工智能代理或智能体人工智能的定义，其符合程度如何，以及是否能够带来预期的收益——并非所有应用场景都需要这些功能。l通过评估每个用例的复杂性、动态性和其他相关特征，确定您对代理能力的实际需求。8l评估其他交付方式，例如传统的工作流程自动化或机器人流程自动化，以避免在更简单的解决方案更有效的情况下部署人工智能代理。l为人工智能代理的未来做好准备，首先要构建应用程序可组合性、治理和数据管理的基础架构。智能体人工智能方法需要更严格的审查和更强大的安全控制。样品供应商Crew.AI;Dust;EpicGames;LangChain;Unity;XMPro智能体人工智能作为一个概念和新兴技术首先由Gartner于2024年10月在2025年顶级战略性技术趋势研究报告【7】中提出（见图3）。【8】中有详细介绍和分析。图3：Gartner的2025年顶级战略技术趋势（来源：Gartner【9】）接着这项新兴战略技术被列入Gartner2025年8大供应链技术之首【9】（见图有详细介绍和分析。9图4:2025Gartner八大供应链技术趋势（来源：Gartner【9】）笔者在【2】中引用Gartner的预测指出：“预计生成式人工智能、智能体人工智能、可解释人工智能以及领域特定语言模型将快速发展，从而推动业务转型和客户体验的提升。”在【5】中指出：“AgenticAI是实现完全自主供应链的战略性技术”；此外笔者还在【6】中分析和讨论了为何投资AgenticAI是面向未来供应链的战略举措。AgenticAI技术智能体管理平台分析人汤姆·科肖效益评级高市场渗透率目标受众的1%至5%成熟度新兴定义AI代理管理平台（AMP）提供统一的界面，用于保护、监控和管理代理，无论其部署位置如何。AMP还应包含智能体从市场、库中获取的管理，以及与成本和性能相关的分析。为什么这很重要随着企业加速采用人工智能代理和自动化工具，管理这些资源的复杂性也日益增加。人工智能代理管理平台至关重要，因为它们能够带来结构化、可视性和控制力。人工智能代理开发平台的激增促使企业在多个平台和环境中部署人工智能代理。这种多样化带来了创新，但也带来了集成、监督和风险管理方面的新挑战。商业影响部署高级智能体平台(AMP)的企业在防止代理蔓延和建立智能体人工智能最佳实践方面将拥有显著优势。AMP可以：l建立问责机制，确保投资与业务成果保持一致。l控制智能体、人和数据之间的安全关系。l管理影响智能体决策可靠性的上下文和数据输入。l观察并提醒因LLM变化而导致的智能体行为变化。驱动因素l控制AI代理蔓延：控制AI代理蔓延对于防止冗余部署、降低运营成本以及通过对所有AI代理保持集中可见性来降低安全风险至关重要。l管理智能体市场和库：管理代理市场和库可确保只采购和部署经过审查、合规和安全的智能体，从而降低影子IT的风险并维持质量标准。l工具目录：工具目录提供经批准的工具和集成的全面清单，使组织能够标准化解决方案并有效地管理依赖关系。l保障智能体行为：保障智能体行为对于通过强大的控制和监控来保护敏感数据和业务流程至关重要，确保智能体在规定的策略范围内行事。l跨平台观察和管理AI代理行为：跨多个平台观察和管理AI代理行为，使组织能够在混合云和多云环境中一致地执行策略、检测异常情况并保持合规性。l财务报告：财务报告能够透明地反映人工智能代理和工具的成本，从而支持预算编制、成本优化和投资回报率分析，以便做出明智的决策。实现障碍l构建或购买一个用于管理企业级人工智能代理开发和部署的AMP并非易事。这项任务需要利用其他人工智能可观测性、安全性和治理工具。l智能体平台生态系统的多样性将对集成和通信的有效性构成挑战。l治理技术方面的预算落后于人们对解决方案的需求。l目前市场上的AMP功能各有不同。其中许多解决方案仅管理其平台上的智能体。l不同提供商对AI代理运行时平台的治理和可观测性水平的处理方式各不相同，其详细程度和控制水平也各不相同。l可扩展性和成本稳定性问题。成本控制、速率限制和工作负载优化机制尚未完全成l治理和保障措施薄弱。企业级智能体合规性和风险管理仍在发展中。用户建议l将统一监控解决方案作为AMP部署的关键组成部分和起点，并予以优先考虑。l寻找能够跨平台深度集成、可观测性和治理工具，这些工具能够阻止智能体采取不良行动，并提供强制执行防护措施的能力。l重点关注业务关键型智能体以及那些暴露在宿主平台治理控制之外的智能体。l测试组织未来三年的需求。您将如何管理分布在不同部门、基于不同平台、从不同市场采购的500个AI代理？l使用AMP提供企业级AI代理的财务报告，无论它们运行在哪个平台上。提供代理详细信息和汇总级别的成本和投资回报率仪表板。l从一开始就明确代理治理结构。预先定义所有权、审批流程和监控标准。实施日志记录、审计跟踪和备用机制。样品供应商Gartner的研究报告《AI代理管理平台：人工智能领域最有价值的房地产》【11】指出，AI代理的无序扩张正迅速成为首席信息官们面临的最大挑战。能够提供强大的AI代理管理平台（AMP）的技术服务领导者将帮助客户控制这种扩张，并占据AI最有价值的核心领域：治理、性能和价值汇聚的中心枢纽。该报告的主要发现包括：lAI代理的蔓延正在加速：AI代理在各个部门和平台上的快速普及，造成了复杂、分散的环境，给首席信息官维持控制和可见性的能力带来了挑战。l统一管理至关重要：简单的仪表盘和各种各自独立的工具已不再足够。客户需要集中式平台来监控、管理和优化其人工智能代理的性能、安全性和合规性。l技术服务领导者(TSL)具有独特的优势：能够提供强大的AIAMP的TSL可以帮助客户重新掌控局面、降低风险、最大化价值，同时深化战略关系并开拓新的收入来源。Gartner建议：l交付AMP：构建、收购或合作，提供全面的AIAMP，统一不同客户环境中的治理、安全、合规性和运营监督。l将AMP定位为基础架构：将AMP定位为遏制AI代理蔓延、帮助客户充分发挥其AI投资价值的关键工具。强调该平台在推动治理、性能和业务成果方面的作用。l不断提升平台功能：投资于先进的遥测技术、代理间协议、自动化发现和强大的合规性监控，以确保您的AMP保持差异化优势，并对客户不可或缺。该报告的战略规划假设包括：l到2027年，75%的企业会将他们用于监控AI代理的方法视为最重要的AI工具，而目前这一比例仅为1%。l到2029年，企业在AMP技术上的支出将达到150亿美元，而目前这一数字还不到500万美元。G在中提出一个智能体管理平台的参考框架，它包括以下两部分：l智能体（AI代理）仪表盘首先，仪表盘需要通过插件等方式与已部署的AI代理建立连接。最初，插件可以向仪表盘报告数据点，例如运行AI代理的用户、AI代理的位置以及AI代理完成自动化操作所使用的l智能体管理平台n这些简易仪表盘的演进将引导企业部署综合管理平台，以组织和监控智能体人工智能的各个方面。这些平台应涵盖安全性、投资回报率、治理工具以及预构建智能体库。它们还应管理企业与人工智能智能体市场的关系，在这些市场中，智能体可以进行买卖（见图6）。n构建一个能够管理企业级AI代理开发和部署的AMP并非易事。这需要与SaaS应用、AI代理供应商以及集成平台即服务（iPaaS）提供商进行大量的集成工作。由于不同提供商提供的遥测数据各不相同，因此对AI代理进行报告和监控的能力也会有所差异。nAMP需要适应不同级别的用户访问权限。例如，人力资源主管可能拥有访问代理库和市场平台的权限，但无权访问安全管理功能。相比之下，IT部门可能将大部分时间用于安全工作，而财务部门则将大部分时间用于监控成本和投资回报率。n不同的AMP模块可能具有不同的功能。图6提供了一些AMP功能的示例。图6：智能体管理平台(AMP)的组成部分（来源：Gartner【11】）AgenticAI技术智能体通信协议分析人基思·古特里奇、加里·奥利夫效益评级高市场渗透率成熟度新兴定义人工智能代理通信协议是一种规范，它定义了人工智能代理与其环境或其他智能体交互的规则、格式和流程。与为人类理解而设计的传统应用程序接口（API）或图形用户界面（GUI）不同，这些协议是专为人工智能系统使用而设计的。其中两个最常见的例子是模型上下文协议（MCP）和智能体间协议（A2A）。为什么这很重要AI代理协议对于连接AI代理及其运行环境至关重要。通过标准化通信，这些协议使AI代理能够与其他平台上的智能体协作，访问来自多个数据源的数据，并执行来自任何提供商的任务。这种互操作性对于企业级AI代理的部署和应用规模化至关重要。MCP的快速普及推动了这股热潮，而A2A则远远落后商业影响AI代理通信协议有助于释放AI代理的潜力。通过提供以AI为中心的协议，实现智能体与环境之间以及智能体与智能体之间的通信，企业将能够提高其AI代理技术与其现有企业信息技术投资之间的互操作性。驱动因素l智能体与环境之间的通信：诸如MCP和更新的通用工具调用协议(UTCP)等标准旨在为人工智能智能体建立通用语言和结构化格式，以便其连接到各种应用程序和数据源。诸如智能体支付协议(A2P）、可信智能体协议(TAP）、智能体商务协议(ACP)和x402等更专业的协议正在涌现，用于商业用例。l智能体间的通信：诸如A2A和日益普及的MCP等标准，使得构建于不同平台上的AI智能体能够跨越不同的系统和组织边界进行协作。AI智能体可以通过标准化的描述来宣传自身的功能和能力，从而方便其他智能体查找和使用其服务，并促进易于集成的模块化AI组件的创建。l智能体与人类的沟通：MCP应用和智能体用户交互协议（AG-UI）是新兴标准，旨在使AI智能体能够影响AI智能体交互的用户体验呈现方式。l加强运营监管：诸如OWASPAgentObservabilityStandard(AOS)等标准正在涌现，旨在帮助提高人工智能代理的可观测性，并深入了解代理流程。l增强安全性和信任度：协议定义了安全交互的强大机制，例如身份验证、加密和隐私保护技术，确保即使代理在不同的实体或安全域中操作，敏感数据也能得到保护。l降低开发复杂性和成本：协议为代理交互提供标准化的接口和方法，从而最大限度地减少了开发人员为每个工具或代理构建自定义集成的需要，进而简化了开发并降低了维护费用。实现障碍l新标准正在涌现：随着旨在解决人工智能代理痛点的新标准不断涌现，现有标准可能因缺乏普及而失效。最佳技术方案并非总是最终胜出。l标准快速演进：每个新版本都会不断改进，以解决早期用户不得不变通应对的功能缺陷。管理单个协议的变更已经很复杂，而管理多个协议的变更对某些组织来说可能更具挑战性。l糟糕的实现：归根结底，决定标准成败的是标准的实现质量，而非规范本身。糟糕的协议实现会导致人们对整个规范缺乏信任。l缺乏配套工具：许多协议侧重于人工智能代理的点对点交互模式，而忽略了注册、发现和访问策略等管理功能。这些功能通常需要厂商来填补。用户建议l短期内，可采用MCP将AI代理与其环境连接起来。虽然UTCP对于现有API来说似乎更合理，但该标准的普及尚未开始。l谨慎对待A2A。虽然这似乎是供应商社区中最流行的代理间通信协议，但MCP的普遍性使得MCP的未来版本在企业内部的代理间用例中更具优势。l至少坚持使用OpenTelemetry(OTel)来实现可观测性，并研究人工智能代理和大型语言模型(LLM)可观测性的新兴标准。l审查人工智能代理协议的安全风险，并针对已知的威胁模式构建缓解措施。检查每个实现是否符合标准。l重点关注用于管理所选协议的AI网关。代理注册中心、API注册中心、MCP注册中心和模型注册中心将有助于管理您的AI代理环境。样品供应商StripeGartner的研究报告《创新洞察：人工智能代理通信协议》【12】指出，像模型上下文协议（MCP）和代理到代理协议（Agent2Agent）这样的AI专用协议，在AI开发者社区中既引起了兴奋，也带来了困惑。软件工程领导者应该在面向上下文的用例中采用MCP，而对于面向代理间的协议，则应等到其应用更加广泛后再进行评估。IBM科尔·斯特赖克&丽娜·黛安·卡巴拉在【13】中详细介绍了智能体通讯协议，是一个很好的指南。下面简介该文的论点和各种协议。l智能体生态系统连接器：基于代理的AI系统通常各自独立运行。它们由不同的供应商使用不同的AI代理框架和不同的代理架构构建。现实世界的集成成为一项挑战，而将这些分散的系统连接起来需要针对所有可能的代理交互类型定制连接器。这就是协议发挥作用的地方。它们将分散的多智能体系统转变为一个相互关联的生态系统，在这个基于代理的AI系统通常各自独立运行。它们由不同的供应商使用不同的AI代理框架和不同的代理架构构建。现实世界的集成成为一项挑战，而将这些分散的系统连接起来需要针对所有可能的代理交互类型定制连接器。lAI代理协议具有以下优势：n互操作性n降低代理开发复杂性n标准化和更顺畅的整合lAI代理协议示例：许多协议仍处于早期阶段，尚未得到广泛使用或大规模应用。这种不成熟性意味着各组织必须做好准备，成为早期采用者，适应不断变化和演变的规范。随着智能体技术的演进，可能会出现新的协议。以下是一些当前的人工智能智能体协议：nAgent2Agent(A2A)协议n代理通信协议（ACP）n代理网络协议（ANP）n代理－用户交互（AG-UI）协议nAgoranLMOS协议n模型上下文协议（MCP）上述协议分为两大类：l人工智能智能体与外部服务和工具的通讯协议==MCP：由Anthropic公司推出的模型上下文协议(MCP）为人工智能模型提供了一种标准化的方式，使其能够获取执行任务所需的上下文信息。在智能体领域，MCP充当人工智能智能体与外部服务和工具（例如API、数据库、文件、网络搜索和其他数据源）连接和通信的层级。l智能体之间的通讯协议，包括A2A，ACP，Agpra.ANP，LIMO：它们的描述详见。【13】图7：智能体通信协议（来源：Gartner【13】）2.4领域特定智能体（Domain-SpecificAIAgents）AgenticAI技术智能体通信协议分析人高阿诺德效益评级高市场渗透率目标受众的5%至20%成熟度新兴定义领域特定人工智能代理是专为特定领域构建的人工智能代理系统，它们经过预训练，并使用该领域的词汇表、数据模式和监管约束进行“工作流编码”。与通用代理不同，它们在严格限定的领域内运行，从而消除了绝大多数逻辑错误和异常情况。这些代理能够以卓越的效率为复杂任务提供可靠且符合规范的自动化解决方案。为什么这很重要AI代理协议对于连接AI代理及其运行环境至关重要。通过标准化通信，这些协议使AI代理能够与其他平台上的智能体协作，访问来自多个数据源的数据，并执行来自任何提供商的任务。这种互操作性对于企业级AI代理的部署和应用规模化至关重要。MCP的快速普及推动了这股热潮，而A2A则远远落后商业影响特定领域的智能体通过自动化复杂且受监管的工作流程，变革了高风险行业。重点领域包括医疗保健、法律和金融。与通用人工智能代理不同，它们基于行业数据进行训练，并受标准操作程序(SOP）、模式和规则的约束。它们在严格的约束条件下运行，以消除幻觉和逻辑错误。这确保了符合监管要求并达到专家级的准确度，从而显著降低运营风险和人工监督工作量。驱动因素l行业关注点已从“回答问题”转向“采取行动”。代理人不再仅仅是检索信息，而是需要自主执行端到端的任务，例如在无需人工干预的情况下处理从受理到赔付的保险索赔。l企业发现，通用人工智能代理在专业领域可靠性有限，而基于专有数据进行微调的特定领域代理可以提供比大规模通用模型更高的准确性和更低的推理成本。l供应商的价值主张已从销售生产力工具（SaaS）转向销售工作成果。特定领域的代理现在通过取代整个岗位而非仅仅补充岗位来占据劳动力市场预算，从而催生了基于结果的定价模式。l投资者和创始人正转向使用特定领域的智能体，因为它们能提供更强的防御能力。通过使用有价值的非公开行业数据训练智能体，企业可以构建通用模型提供商难以逾越的护城河。l初创企业和投资者的热情正在加速特定领域智能体的崛起。越来越多的初创企业正在吸引资金，专门为特定领域打造智能体，与通用智能体相比，这些智能体能够提供更清晰的投资回报率和更快的盈利途径。实现障碍l领域特定代理需要深度访问私有的、行业特定的数据，这些数据通常孤立地存储在遗留系统中，格式不规范，或者受到隐私法的保护。训练这些代理所需的数据工程比构建通用模型更难、更耗时。l由于这些代理程序运行的领域对可靠性要求极高，因此部署门槛也很高。要消除幻觉并使其符合标准，需要的是昂贵的领域专家而非通才，这造成了严重的资源瓶颈。l领域特定代理也继承了代理固有的核心风险，例如可靠性、信任度、成本和安全性。即使经过领域调优，企业仍然担心大规模部署时出现不可预测的行为、推理成本不断攀升以及对敏感系统的安全访问。这些问题会像通用代理一样，延缓生产环境的部署。用户建议l在对可靠性、合规性或财务风险有硬性要求的流程中，首先评估领域特定代理。首先确定少量高错误成本流程，并评估领域特定代理与通用代理相比是否能显著降低风险，然后再进一步扩展。l优先考虑数据工程，以统一孤立的、非公开的数据，因为特定领域的代理需要深度访问专有的非结构化历史数据（例如，索赔数据、法律文件）才能运行。l为确保监管合规性的严格可追溯性，应要求供应商准确证明其特定领域的代理如何与特定行业的标准操作规程(SOP)和规范相匹配。在早期部署阶段建立严格的人工参与验证机制，以降低在临床编码或金融交易等领域的法律风险。样品供应商CascadeAI;Cursor;EpicSystems;Harvey;LandingAI;Salesforce;ServiceNow;Sierra;Temenos领域特定智能体是指专门针对特定领域、行业或知识领域进行优化和专门设计的AI智能体。与通才型智能体不同，这些智能体在医疗保健、法律、金融、教育或创意写作等特定领域拥知识。读者可从【6】中找到有关供应链和物流领域的智能体案例。AgenticAI技术智能体人工智能治理分析人斯韦特兰娜·西库拉效益评级高市场渗透率目标受众不足1%成熟度胚胎期定义智能体人工智能治理是为智能体及其工作流程构建的策略、决策权、安全保障和监督机制框架。它确保智能体在安全、问责、互操作性和行为等方面的既定约束下运行。智能体人工智能治理扩展了人工智能治理的范畴，以应对多智能体编排、自主决策以及智能体与人类互动中特定的伦理、安全和业务风险。为什么这很重要随着智能体人工智能逐渐成为业务核心并不断扩展，治理对于确保以下几点至关重要：l对自主洞察、决策和行动的问责制和保障措施。l动态环境下的互操作性、可靠性和评估。l异构环境下代理系统的行为、协调和合规性。l由于组件间协调和交互的复杂性而导致风险叠加。商业影响成功的智能体人工智能治理能够建立信任和可靠性，这对于扩展自主智能体和复杂的工作流程至关重要。它能够降低监管合规成本——到2028年有望降低70%——从而使投资转向战略增长。它能够降低串谋、内部威胁、幻觉、不道德行为和侵犯隐私等高风险。它为管理责任和确保异构环境间的互操作性提供了必要的框架。驱动因素•人为因素对智能体行为负责。问责机制要求明确界定所有参与智能体人工智能的利益相关者的角色、职责和目标。对智能体决策、行为和组件的所有权和问责需要采取多方面的方法，涵盖政策、技术以及对组织问责制的充分认识。•为管理复杂风险，智能体人工智能防护机制必须融入智能体的设计和功能之中。这些防护机制的驱动因素包括以下独特的智能体特征：目标导向和协同协作；自主性；感知和环境交互；推理和规划；工具选择和使用；学习和行为适应；以及存储和回忆过往场景和行动的记忆能力。l在动态智能体环境中，互操作性、可靠性和评估至关重要。人工智能智能体出现在各个部门，而这些部门使用的框架各不相同，且快速变化和演进，这些框架来自不同的供应商。针对通用技术栈的治理原则有助于智能体的重用，并使其可靠且值得信赖。l由于编排和交互的复杂性，风险会不断累积，而这种累积风险源于概率组件之间的相互作用。任何一个错误，例如错误的决策或参数提取，都可能引发灾难性的连锁反应。当智能体系统从固定的工作流程转向更动态的协调和规划时，必须制定相应的治理方案。l智能体系统的行为、协调、合规性和串谋。在复杂的环境中，智能体人工智能可能会表现出由幻觉、漏洞或无限循环等原因造成的涌现式、难以预测的行为。在与工具和数据交互时，很难确保智能体的行为始终符合人类的偏好。处理敏感数据并在各种系统中执行任务的自主智能体需要了解相关法规、隐私和伦理规范。实现障碍l治理可能被视为企业目前加速采用智能人工智能的障碍：治理必须支持智能人工智能的发展，并专注于眼前的任务，而不是着眼于未来的潜在路线图。l在动态、开放的环境中进行决策，难以规模化、复制、观察和监控。而“决策失忆症”加剧了这一问题，即组织缺乏对决策结果的系统性跟踪。决策智能的运用往往本末倒置：基于机构的炒作而非业务目标。l人工智能工具提供商与身份和访问管理(IAM）行业之间不同的方法带来了控制方面的挑战。人工智能工具通常依赖于基本的身份验证和授权方法，导致安全策略分散且复杂，从而阻碍了可见性、问责制和合规性。此外，拥有各自凭证和API密钥的代理也给企业带来了诸多难题。用户建议l将AI治理扩展到智能AI：建立一个涵盖所有智能体工件的框架，以实现负责任的决策和智能体操作的可见性。l制定人工智能代理行为准则，以确立与现有政策和价值观保持一致的基本规则。l尽早解决互操作性、可靠性和评估问题，确保组织在智能体人工智能领域稳步推进。制定标准以实现可重用性和共享性。制定规则，明确每个智能体的目标和成功标准，并从一开始就将其纳入评估和监控流程。l采用解决方案来观察、监控和管理人工智能代理，以简化代理的开发和优化。l建立以人为本的升级触发机制和以决策为中心的实践，例如决策建模、决策监控和决策风险评估。l制定代理访问资源的访问策略，监控其活动并进行定期审计。样品供应商Gartner的研究报告《人工智能代理的治理挑战与解决方案》【14】指出，人工智能代理的兴起带来了全新的治理挑战。尽管现有的治理方法仍然适用，但多代理系统、代理行为以及人机交互动态等方面的风险认知不足，也催生了新的问题。解决方案包括代理治理框架、利益相关者之间的协作、可观测性、可追溯性和监控，这些都将随着对治理实践和技术进步的深入理解而不断发展。Gartner面向基础设施和IT运维的智能体AI治理框架：从被动式GenAI向智能体系统的过渡给基础设施和运维（I&O）带来了独特的挑战。与仅返回内容的被动模型不同，智能体AI作为自主决策引擎，能够执行连续的多步骤事务，动态地修改系统状态。由于这些工作流以机器速度运行，传统的人工合规策略和书面企业准则从根本上无法有效维护运营稳定性。当这些自主系统中出现推理错误时，由此产生的活动会迅速消耗计算资源，触发未经授权的购买，并耗尽云令牌预算。未能有效治理智能体工作流的组织将面临系统级联故障、不受管理的影子AI操作以及不可预测的财务波动等严重风险。为了保护企业，领导者必须从人工监督转向在运行环境中直接部署主动的、代码驱动的、确定性的防护措施。我们最近发布了一项新的研究，提供了一种完整的方法来弥补这一运营差距。Gartner的研究报告《面向基础设施和IT运维的智能体AI治理框架》【15】详细阐述了必要的约束架构，概述了保障自主系统安全、强化数据边界以及落实财务控制所需的七大支柱（见图8）。图8：面向基础设施和IT运维的智能体AI治理框架（来源：Gartner【15】）AgenticAI技术多智能体系统分析人莱纳·拉莫斯、安东尼·穆伦、彼得·登·哈默效益评级变革性市场渗透率目标受众的1%至5%成熟度新兴定义多智能体系统（MAS）是由多个人工智能智能体组成的集合，这些智能体相互协作以实现各自或共同的目标。这些智能体既可以在单一环境中运行，也可以独立开发并部署到分布式环境中。为什么这很重要多智能体系统（MAS）是一种强大的设计架构，可用于管理复杂的工作流程。通过将工作流程分解为模块化组件，这些系统使各个人工智能代理能够专注于特定的决策和任务。将多个人工智能代理协同工作，可以使其处理单个代理无法完成的复杂任务，同时创建更具适应性、可扩展性和稳健性的解决方案。商业影响MAS可用于：l软件开发旨在自动化软件交付生命周期中的复杂任务。l复杂的业务流程，例如客户服务、市场营销和销售。l用于仓库优化、搜索救援和环境监测的机器人技术。l供应链运营，包括调度、计划、路线规划和供应链优化。l用于交通流量优化和自动驾驶车辆协调的交通运输系统。l用于网络优化和故障检测的电信技术。驱动因素l多智能体系统的演进：多智能体系统可以构建在单一平台上，也可以跨平台或跨互联网，形成人工智能代理网络。这些新兴的设计模式提供了灵活性，并允许代理们使用各种技能和工具，从而形成动态协作，共同应对复杂的挑战。l多智能体框架：多智能体框架的兴起提高了试验和部署这些系统的可行性，特别是那些基于LLM驱动的智能体的系统。这些框架简化了多个AI智能体的创建、编排和管理。l单个人工智能代理的局限性：目前的人工智能代理可靠性不足，无法在广泛的任务范围内表现出色。因此，将流程分解成更小的任务，并将每个任务分配给一个通过多智能体系统（MAS）协调的、功能专精的代理，通常更为有效。l决策复杂性日益增加：人工智能越来越多地应用于涉及复杂系统的实际工程问题中，这些问题中庞大的交互组件网络会展现出难以预测的涌现行为。多智能体系统的去中心化特性使其更具韧性，更能适应复杂的决策过程实现障碍l训练复杂性：多智能体系统（MAS）的训练和构建难度高于单个人工智能代理。这些系统可能会表现出难以预先预测的涌现行为，因此需要进行更严格的训练和测试。l监控和管理多个代理：跨代理协调与协作极具挑战性。有效的监督需要细致的监控、管理以及共同的基础，以确保系统按预期运行。l可靠性：缺乏某种形式的集中式规划的多智能体方法通常不可靠。成功的实现通常会加强对各个智能体之间工作流程的控制，这提高了可靠性，但降低了系统的灵活性。用户建议l使用多智能体系统(MAS)来解决单个AI代理无法解决的复杂问题，包括需要多个感知步骤、决策和行动才能达到更高准确率的任务。将工作流程中的每个步骤分解为模块化任务，以便在复杂的流程中产生准确的结果。l由于多智能体方法是一个新兴的研究领域，其风险和收益尚未完全被理解，因此应逐步转向多智能体方法。l随着跨平台代理能力的不断发展，投资于支持人工智能代理之间协作的技术，以充分发挥多智能体系统的潜力。l在实施MAS时，要建立明确的保障措施，包括关于自主权和责任的法律和道德准则，以及强有力的安全和数据隐私措施。l对人工智能团队进行多智能体系统(MAS)的培训，使其了解MAS与单智能体设计的区别，以及可用于构建和管理这些系统的框架。样品供应商GoogleGeminiEnterprise；亚马逊网络服务；CrewAI；LangChain；微软；Salesforce；OneReach；MaisaAI；Thunk.AI；Openstream.aiGartner在新近的研究报告《多智能体系统：人工智能驱动企业自动化的新时代》【16】中指出：“通过协调协作人工智能代理，多代理系统(MAS)可以帮助企业加速创新、降低风险并确保其运营面向未来。”。揭′|示了多智能体系统的演进及其对企业的浅略意义，并给出了首席信息官如何通过MAS获得浅略优势的指南。2.6.1多智能体系统的演进，它包括三个阶段（见图9）l系统平台:多智能体被创建托管在单一平台。l跨越部门的平台：在不同平台的多智能体通过协议集成。l智能体互联网（智能体生态）:彼此连接，并能发现，和交互的多智能体互联网络。图9：多智能体系统的演进（来源：Gartner【16】）2.6.2多智能体系统突破了单一人工智能的局限性：l传统人工智能通常依赖于单一的通用人工智能，难以处理复杂的工作流程。多智能体系统（MAS）通过协调多个专注于特定任务的专用智能体，来自动化处理更复杂的问题，从而改变了这一现状。lMAS（多智能体系统）通过将工作流程分解为易于管理的步骤，帮助组织重新思考和设计复杂的流程、产品和体验。每个步骤都由最合适的代理处理，从而加速创新自动化并提高效率。经过验证的代理可以在不同的工作流程中重复使用，提高可靠性和可扩展性，同时减少困扰传统人工智能的错误。MAS还允许可互操作的代理进行发现、协商和协作——即使跨越组织边界——为新兴的“代理互联网”铺平道路。2.6.3首席信息官必须了解哪些内容才能优先考虑MAS以获得战略优势Gartner预测，到2027年，70%的多智能体系统（MAS）将使用高度专业化的代理，这将提高准确性并增加协调的复杂性。首席信息官（CIO）和IT领导者应将MAS视为提升绩效、降低风险和增强竞争优势的战略杠杆。为了顺利起步，企业应从零开始设计工作流程，优先考虑治理，并利用可观测性工具开展小型试点项目。采用模块化代理平台将确保MAS投资面向未来，尤其是在互操作性标准日趋成熟、多厂商代理集成成为常态的情况下。l人工智能系统增强人类工作，而不是取代人类工作：尽管数字劳动力备受追捧，但目前的AI代理——包括多智能体系统（MAS）中的代理——并不能取代人类。多智能体系统可以自动化和增强部分工作，从而有可能减少人力需求，但它们缺乏人类解决复杂问题所需的完全自主性和适应能力。真正的价值在于促进人与AI之间更有效的协作，使双方都能专注于各自最擅长的领域。lMAS应用案例和行业发展势头正在加速：移动应用系统（MAS）正在通过供应链优化、医疗应急响应、网络安全、业务流程自动化和消费者服务等应用，变革各行各业。Gartner报告显示，从2024年第一季度到2025年第二季度，MAS相关咨询量激增1445%，反映出人们对该技术的浓厚兴趣。随着MAS框架和互操作性标准的日趋成熟，其在全球各行业的应用必将加速发展。lMAS带来的挑战和风险需要谨慎管理：多智能体系统（MAS）带来了新的复杂性，包括更大的安全攻击面、更高的集成和监控需求、成本管理挑战以及因错误累积而导致的可靠性问题。为了降低这些风险，组织应从一开始就采用治理、可观测性和合规性框架，使用协调的工作流，并在每个步骤验证代理的操作和输出。lMAS（多智能体系统）的普及应用得益于创新，但受限于不成熟的标准：推动多代理系统(MAS)普及的因素包括代理框架、平台和协议的改进，以及不断增长的客户需求和供应商投资。然而，代理通信标准尚不成熟、可靠性问题以及成本不可预测仍然是制约因素。IT领导者应识别高价值的MAS用例，提升团队技能，设计模块化代理，并随着互操作性行业的标准的成熟而采用这些标准。2.6.4多智能体人工智能时代供应商的竞争优势在人工智能供应商的竞争中，那些拥抱多智能体系统的供应商将引领下一波企业级人工智能创新浪潮。随着企业不再局限于单一用途的人工智能，供应商必须提供可扩展、可互操作且能满足复杂业务需求的解决方案。l基于标准的互操作性释放新的市场机遇：投资于开放、标准化通信协议的产品领导者，能够使其人工智能代理在不同平台和生态系统中无缝协作。这不仅加快了产品上市速度，还扩大了生态系统的覆盖范围，使供应商能够开拓新的收入来源，并避免被单一供应商锁定。通过支持互操作性，供应商可以确保其产品面向未来，并促进推动产品普及的网络效应。l运营管理和可靠性能够建立客户信任：供应商通过为多智能体系统提供强大的运维管理、可观测性和治理能力，获得竞争优势。可靠、安全且合规的多智能体系统能够增强用户信心，并促进企业级部署，从而实现复杂流程的自动化。在信誉至关重要的监管行业中，优先考虑透明审计跟踪、实时监控和风险缓解的供应商脱颖而出。2.6.5针对构建企业级多智能体系统的供应商的战略建议要想在不断发展的企业人工智能领域取得成功，供应商必须采用专门的工程实践，并使其产品战略与多智能体系统的独特需求保持一致。l投资模块化架构和以数据为中心的设计：供应商应采用模块化、事件驱动的框架和语义层来构建其多智能体系统(MAS从而实现对混合维度数据的快速、安全且可扩展的访问。这种方法简化了代理协作，简化了集成，并确保了未来增强功能的灵活性。模块化设计还支持与第三方代理的互操作性，从而助力供应商取得长期成功。l优先考虑治理、合规和持续评估：建立健全的治理框架、持续的测试流程和透明的监控机制对于构建可信赖的智能代理系统（MAS）至关重要。供应商应将安全性、问责制和风险管理融入MAS的每一层。通过采用行业标准、参与开放协议的制定以及在各种场景下验证代理行为，供应商可以提供可靠的企业级解决方案，满足不断变化的业务和监管需求。AgenticAI技术智能体编排分析人AnushreeVerma、AlastairWoolcock效益评级高市场渗透率目标受众不足1%成熟度新兴定义智能体编排代表了智能体人工智能演进的下一个阶段，它使各种专业智能体组成的网络能够动态交互，从而解决复杂的问题，适应环境变化，并持续优化其集体性能。这些智能体可以与多个应用程序交互，以实现用户的特定目标。为什么这很重要当前的人工智能代理实现大多采用针对特定任务构建的独立、任务专用代理，这些代理功能高度集中，只能带来增量收益。因此，这造成了企业级人工智能应用价值的缺口。代理数量的激增导致技术债务的累积，并引发安全和风险问题。因此，如果没有协调机制，人工智能代理将遍布整个企业，变得混乱且难以管理，从而限制业务影响。商业影响智能体编排代表着一种新的控制层面的兴起，它从记录保存转向交付业务成果。它实现了人工智能智能体经济效益的透明化——跟踪自动化组合、服务水平协议(SLA)达成情况以及每次决策的成本——并将盈利与已验证的成果挂钩。此外，它还能弥合ERP、CRM、HCM等不同系统之间的鸿沟，使智能体能够安全地访问、分析和处理企业范围内的数据，并大规模地处理复杂任务。驱动因素l技术进步：智能体编排代表了智能体人工智能演进的下一个阶段，它使多样化的专业智能体网络能够动态交互，从而解决复杂问题、适应环境变化并持续优化其集体性能。随着这些人工智能智能体的演进，它们将需要一个控制平面来生成工作流，一个执行平面和一个治理引擎来强制执行服务水平协议(SLA)和策略。l供应商投资：在过去三到六个月里，许多供应商加快了开发代理编排能力，从而加速了这一趋势。l标准和协议的发展将加速智能体编排的普及，并推动人工智能智能体在多个智能体系统间协作。目前，智能体人工智能平台已使基于大型语言模型（LLM）的应用程序能够访问API和数据源，但集成方式往往是独特的或专有的。这种碎片化增加了智能体编排的复杂性，凸显了行业标准的缺失，加剧了用户的困惑。标准和协议的开发仍处于起步阶段。某些标准也可能随着时间的推移而演变或过时。l统一化承诺：代理的蔓延给企业带来了未受管理的安全性和风险问题。此外，由于当前部署与业务成果不匹配，造成了价值缺口。代理编排有望统一这些特定任务的代理，并提供一种机制使其与业务成果保持一致。实现障碍l市面上大多数产品都是人工智能助手，而非人工智能代理。人工智能助手通常不会像人工智能代理那样进行自主行动。因此，在这种情况下，无需进行代理编排，这限制了市场需求，除非存在“代理洗白”的情况，即将辅助功能的实现包装成人工智能代理。l理想情况下，代理编排的核心理念应该超越单一供应商的环境，以最大限度地发挥此类产品的变革潜力。然而，市场上大多数产品都将其限制在单一开发环境或用户自身的开发平台上。l以管理平面、代理结构、控制塔、信任中心和治理的名义进行的代理协调是零散的，需要以统一的方式将它们整合在一起。用户建议l不要为每个小任务都过度投资部署人工智能代理。应开始评估人工智能代理供应商提供的代理编排平台，以统一部署方案，这将更有利于公司长期发展。l探索如何转向代理编排平台，该平台可以端到端地验证结果，并提供性能、合规性和成本控制方面的透明证据。l评估供应商的能力，以确定他们是否提供编排产品，或者他们的产品是否可以与其他代理编排集成（以及集成程度如何从而确定他们与这些产品相关的长期可行性。样品供应商IBM、GlobalLogic、OneReach.ai、CapgeminiRAISE、Ravical、Pipefy、Kore.ai、SMEUP、XMPro你的人工智能代理功能正常，只是彼此之间无法协同工作。智能体需要协调和控制才能最大限度发挥其价值。而智能体编排正是这种协调和控制多智能体的关键技术。Gartner在其研究报告《科技展望：智能体编排通过重新定义价值创造，成为价值5500亿美元的人工智能控制平台》【17】中指出，智能体编排改变了人工智能工具竞争的规则，它将权力转移到能够管理和验证执行过程，并将领域流程知识转化为可扩展、可验证的业务成果的提供商手中。我们预计，到2029年，智能体编排将重新引导全球5500亿美元的软件和服务支出。Gartner对智能体编排平台的定义是：“智能体AI编排平台充当企业控制平面，管理AI代理如何协作、上报问题以及遵守策略。”执行权限——包括身份、权限、策略和审计——是架构设计的关键所在。到2029年，70%的企业将运行智能体AI来运维其IT基础设施，而目前这一比例还不到5%。Gartner在另一份研究报告《科技CEO洞察：智能体编排将成为下一个人工智能战场》【18】中指出。企业价值正从人工智能模型转向智能体编排。随着记录系统让位于行动系统，人工智能智能体让位于精心编排的结果，科技公司首席执行官必须通过将领域流程逻辑编码成蓝图来获取优势，这些蓝图能够提供保障并证明结果。博文“什么是智能体人工智能编排？其优势、应用案例和策略”【19】比较全面地介绍智能体编排的概念，架构，和案例。下面介绍几个要点：l智能体人工智能编排组件：一个高效的智能体AI编排平台依赖于核心组件来支持可扩展、可靠的工作流程。对于IT领导者和企业架构师而言，理解这套技术栈对于设计可扩展的、企业级架构至关重要。智能体编排使专门的人工智能智能体能够协作。图10：多智能体系统的演进（来源：HCLSolusion【19】）核心代理层：AI代理构成智能编排的基础，每个代理都充当一个专门的模块，用于自然语言处理、数据提取、API调用或决策制定。它们运行在容器化或云环境中，维护内存状态和处理队列。u在编排框架内，代理通过标准化模式交换数据。例如，文档处理代理应用OCR和NER技术将非结构化输入转换为JSON或XML格式，供下游使u核心代理特征包括：n微服务架构：每个代理独立运行，拥有自己的计算资源。n基于API的通信：RESTful或事件驱动接口支持代理间数据交换。n状态管理：代理在多步骤过程中维护上下文和记忆。n容错性：单个代理故障不会导致整个编排系统崩溃。编排引擎：编排引擎作为中央控制平台，负责处理工作流管理和任务调度。n现代引擎利用有向无环图(DAG)来映射依赖关系和执行顺序，从而实现并行n基于事件驱动架构，代理发布完成事件以触发后续步骤，而状态机跟踪执行阶段的进度和转换。通信协议：代理通过标准化的消息传递协议交换信息，通常使用消息代理，例如ApacheKafka、RabbitMQ或云原生发布/订阅系统。这些协议定义了消息模式、序列化格式和交付保证，以确保数据的可靠传输。轻量级文本分析代理可能在几毫秒内完成复杂任务，而复杂的机器学习推理代理完成相同的工作流程可能需要几秒钟。工作流逻辑框架：该框架以代码形式实现业务逻辑，利用规则引擎或工作流定义语言，例如BPMN（业务流程模型和符号）或自定义领域特定语言。复杂的条件逻辑被编码为决策树或状态机，可以处理分支、循环和错误情况。监控接口：生产编排系统需要通过指标收集、分布式追踪和集中式日志记录来实现可观测Prometheus、Jaeger和ELK技术栈等工具可以满足这些需求。控制界面提供API和仪表盘，用于查询工作流状态、调整流程和分析性能。高级系统还增加了基于机器学习的异常检测功能，以便在性能问题中断运营之前将其捕获。l智能体编排框架的类型代理编排框架在规模、复杂性和企业应用场景方面各不相同。以下是主要类型的详细介集中式编排框架：集中式编排框架依赖于一个单一的编排器，该编排器负责指挥所有代理工作流程和专用人工智能代理。通过将控制权集中在一个系统中，组织可以实现严格的治理、清晰的可审计性以及简化的监控和监督。这些特性使得该方法在银行、医疗保健和政府等受监管行业中尤为有效，因为在这些行业中，流程排序、合规性和人工监督至关重要。例如：LangGraph、Temporal、AzureDurableFunctions。分布式编排框架：在分布式框架中，决策权直接嵌入到代理中。每个代理在定义的参数范围内自主运行，并与同伴协作分配角色、传输数据和完成任务。这种模型支持自适应的并行执行，并减少了对单一协调器的依赖，因此在需要灵活性和快速响应的环境中具有重要价值。例如：CrewAI、AutoGPT、Swarm（由OpenAI开发）。混合编排框架：混合模型融合了集中控制的严谨性和分布式执行的灵活性。中央协调器负责管理关键决策和敏感工作流程，而复杂度较低或重复性较低的任务则由多个代理独立执行。企业采用这种模型，旨在平衡各种自动化场景下的速度、可扩展性和合规性要求。例如：HCLUniversalOrchestrator、LangChainwithLangSmith、MicrosoftSemanticKernel、HaystackbyDeepset。图11：HCLUniversalOrchestrator将传统的业务流程编排与原生AgenticAI功能相结合l智能体人工智能编排的优势：以下是智能体人工智能编排能为您的业务带来的益处。支持动态扩展，代理团队可根据工作负载进行增减，从而防止系统过载并优化资源分配。通过不断整合新数据并调整操作，提供实时自适应响应，从而在快速变化的环境中提高准确性和相关性。通过提供透明的日志和人工智能决策的可追溯性，加强合规性和审计准备工作，这对于金融和医疗保健等受监管行业至关重要。通过提供可重用的编排模式和与现有企业系统的预构建集成，加快人工智能解决方案的上市速度。通过根据实时情况和业务优先级智能平衡工作负载并确定任务优先级，从而优化资源利用率。l智能体式编排与传统流程编排：传统编排遵循固定规则，而智能体编排则允许人工智能代理动态适应和协作。以下是这种差异为何至关重要的原因。图12：比较智能体编排与流程的来源：HCLSolusion【19】）AgenticAI技术智能体编排分析人MikeFang、NickIngelbrecht、SushovanMukhopadhyayck效益评级变革性市场渗透率目标受众不足1%成熟度新兴定义世界模型是对环境的抽象学习表征。它们使人工智能系统能够通过模拟潜在的未来状态来进行预测，并帮助理解所采取行动的后果。为什么这很重要由于安全隐患、数据覆盖范围有限、对新情况的适应能力不足以及缺乏因果推理能力等挑战，人工智能系统在物理环境中难以有效运行。世界模型对于高效地构建基于环境的表征、制订计划以及模拟事件及其结果至关重要。它们能够提供关于环境中行为潜在影响的洞察，这对人工智能体而言至关重要。商业影响通过捕捉环境的底层原理，世界模型能够基于当前条件和行为模拟和预测未来的状态和结果。这使得人工智能体能够获取知识、优化规划，并将洞察应用于新的情境，从而做出明智的决策，即使在不熟悉的环境中也能如此。世界模型为人工智能体提供了一个可控的实验环境，使用户能够在实际部署之前探索各种策略、算法和政策。驱动因素l世界模型可应用于从电影制作到自动驾驶汽车和机器人等各个领域。它们能够进行模拟并预测复杂的交互，使其成为人工智能代理在各个领域实现创新和提高效率的宝贵工具。l世界模型赋予人工智能更复杂的预测和规划能力，使其超越对观测数据进行简单的模式识别。通过模拟和理解环境动态，人工智能能够更好地应对不确定性或信息缺失，从而做出能够考虑到未来可能性和突发事件的明智决策。l这些模型可以通过融入物理定律和约束条件来增强生成视频内容的真实性和可信度。这确保了生成的视觉效果符合物理原理，从而带来更逼真、更沉浸式的体验。l世界模型基于从真实世界场景中运行的机器人衍生的大量多模态数据集进行训练，并结合第一性原理人工智能能力，可以指导机器人进行物体操作和与环境的交互。l世界模型辅助具身人工智能理解关联、反事实和交互作用，并对世界的动态进行建模。它们不仅能概括观察到的内容，还能高效地模拟潜在场景以预测结果，从而实现对最优行动的选择。l控制理论和认知科学的研究，例如联合嵌入预测架构（JEPA突出了构建世界模型的替代方法。实现障碍l模拟真实世界环境和推断因果关系是人工智能领域最具挑战性的领域之一，因此也是构建世界模型最具挑战性的领域之一。反事实推理需要模拟假设的