7月15日，彩讯股份AI产研部总经理邹盼湘应邀做客InfoQ极客有约栏目，与腾讯云、商汤科技技术专家一道探讨当下Agent落地应用实况。
会上探讨了什么行业最需要Agent，RAG、分布式推理、强化学习在Agent构建中的作用，多智能体系统中规划驱动与自治驱动选择等多个当下行业热点问题。
以下是彩讯经验分享：
01：Agent与传统IT服务有什么本质区别？
传统IT系统是工具，而Agent则是伙伴。人可以和Agent一起商量做事，甚至在理想状态下，Agent可以无需在人干预的情况下来自主感知，并做好任务规划和执行。
02：哪些行业最迫切的需要Agent？
企业知识库：Agent帮助企业提升知识获取效率，保护企业知识传承，提升组织智慧，增强跨部门协作质量。
AI客服：基于Agent的新一代智能客服，能够很大程度上解决用户提出的复杂问题，明确用户真实意图，同时挖掘用户潜在需求。
AI BI：重构数据库建设、数据查找、数据分析的过程，让人人都成为数据分析师，快速释放数据价值，精准预测和指导生产，合理分配公司资源。
03：workflow智能体和自主规划智能体分别适用于哪些场景？
Workflow适合业务场景边界比较清晰的情况，而自主规划则需要自己去做思考，是智能体泛化和灵活性的体现。在很多场景下，二者的关系是融合的。Workflow可以当成工具去给到自主规划智能体去做调度，一方面保证明确场景或对流程要求比较高场景能够尽量可控可观测，另一方面能够通过自主规划能力来提升智能体的上限。
04：RAG、分布式推理、强化学习在Agent中分别起到什么作用？
RAG：在构建智能体过程中，RAG从本地知识库做检索召回，也可以通过互联网信息等多源渠道进行知识汇聚，来更好的支撑Agent做决策，提升推理模型在特定领域的智力表现。
分布式推理：多智能体需要用到分布式推理策略，提升响应性能和并发量。同时，分布式推理可以将复杂问题分解成相对独立子问题，提高系统可扩展性和可维护性。
强化学习：强化学习作为一种新的训练范式，用来作为现有数据集用尽的一种解决办法，同时也更加匹配智能体以任务目标为导向的训练目的，去优化其决策结果。
05：多智能体规划驱动与自治驱动两种模式，各有哪些优势和挑战？
从目前的应用场景来说，规划驱动多智能体更加合适，它拥有一个主智能体来做任务接收分发，来使任务场景变得更加清晰，一定程度上避免算力过度消耗和安全漏洞问题。但从未来技术发展角度讲，自治驱动带来的互相沟通模式，能够极大提升智能体的创造力，没有主智能体限制任务边界，能够激发多智能体的深层潜力。
06：当前是否已有多模态输入、RAG 与外部工具调用融合的统一架构或行业标准？
多整体或智能体与工具之间开始已经朝着标准化去演进，例如MCP协议在前段时间比较火。但就智能体本身而言，还是存在着场景、业务、流程之间的差异，所以目前更多的是大方向上尝试去做统一，但在具体技术路径上很难做到统一。同时也要兼顾到传统的业务系统，还是要在原有系统的基础上做升级改造。
07：构建可复用、易扩展的 Agent 平台时，有哪些核心设计原则？
不管是数据层面，数据治理层面还是AI应用构建层面，多从AI原生应用的角度去思考。从开源框架来看，大家可以去用市面上比较火的框架，但不要被某一个框架限制，而更多的是围绕我们的目标、我们的技术路线去做开发。