AI Agent 將透過自主問題解決、自適應工作流和可擴充套件性，徹底改變企業運營。但真正的挑戰並不在於構建更好的模型。
Agent 需要訪問資料、工具，並具備跨系統共享資訊的能力，使其輸出可供多個服務（包括其他 Agent）使用。這不是一個 AI 問題，而是基礎設施和資料互操作性的問題。它不僅僅是簡單地拼接指令鏈，而是需要一種基於資料流的事件驅動架構（Event-Driven Architecture，EDA）。
正如 HubSpot（是一家總部位於美國的集客營銷、銷售和客戶服務軟體產品開發商和營銷商） CTO Dharmesh Shah 所說：“Agent 是新的應用程式。” 要實現這一潛力，必須從一開始就投資於正確的設計模式。
本文探討了為什麼 EDA 是擴充套件 Agent 並在現代企業系統中釋放其全部潛力的關鍵。
要深入理解 EDA 為什麼對 AI 的下一波發展至關重要，我們首先需要回顧 AI 發展至今的歷程。
AI 的演進
AI 經過了兩個不同的發展階段，並正步入第三階段。前兩次浪潮帶來了新的可能性，但也存在關鍵的侷限性。
第一波 AI：預測模型
第一波 AI 以傳統機器學習為核心，專注於針對特定任務的預測能力。
構建這些模型需要深厚的專業知識，因為它們是針對特定的使用場景精心設計的。這些模型具有領域專屬性，而這種專屬性被嵌入到訓練資料中，使得它們非常僵化，難以重新利用。如果想要將一個模型適配到新的領域，往往需要從頭開始訓練——這種方法缺乏可擴充套件性，並且大大降低了 AI 的推廣速度。
第二波 AI：生成式模型
生成式 AI 由深度學習驅動，標誌著 AI 發展的一個轉折點。
與第一波 AI 受限於單一領域不同，生成式模型是在海量、多樣化的資料集上進行訓練的，因此具備了跨不同場景泛化的能力。它們可以生成文字、影像，甚至影片，為 AI 的應用開闢了全新的可能性。然而，這一波 AI 也帶來了新的挑戰。
生成式模型是“靜態”的——它們無法動態地整合新的資訊，也難以進行快速適配。雖然可以透過微調（fine-tuning）來滿足特定領域的需求，但這種方式成本高昂且容易出錯。微調需要龐大的資料集、強大的計算資源以及深厚的機器學習專業知識，這使得它在許多情況下難以實際應用。此外，由於 LLM（大語言模型）主要基於公開資料訓練，它們無法直接訪問專有的行業資料，因此在回答需要具體上下文的資訊時往往顯得力不從心。
例如，如果你要求一個生成式模型推薦一份符合使用者個人健康狀況、所在地區和財務目標的保險方案……
在這個場景中，你向 LLM 提供提示詞，它隨後生成一個回覆。然而，由於模型無法訪問相關的使用者資料，因此它無法提供準確的推薦。缺少這些資料，模型的回答要麼是泛泛而談，要麼完全錯誤。
複合 AI 彌合這一鴻溝
為了克服這些侷限性，複合 AI（Compound AI）系統將生成式模型與程式設計邏輯、資料檢索機制和驗證層等元件整合在一起。這種模組化設計使 AI 能夠靈活呼叫工具、獲取相關資料，並根據具體情況定製輸出——這正是靜態模型所無法做到的。
以保險推薦為例：
-
資料檢索機制，從安全資料庫中提取使用者的健康和財務資料。
-
這些資料被新增到 LLM 提示詞的上下文中，以確保模型能夠基於完整資訊進行推理。
-
LLM：結合組裝後的提示詞生成精準的推薦結果。
這一過程被稱為檢索增強生成（RAG），它透過在模型的工作流中動態引入相關資料，彌合了靜態 AI 與現實需求之間的鴻溝。
雖然 RAG 在處理這類任務時表現良好，但它依賴於固定的工作流，這意味著每一次互動和執行路徑都必須預先定義。這種剛性限制了 RAG 在應對更加複雜或動態任務時的能力，因為這些任務的所有執行路徑無法被窮盡式地編碼。手動定義所有可能的執行路徑不僅勞動密集型，而且最終會成為 AI 發展的瓶頸。
固定流程架構的侷限性，催生了 AI 的第三波浪潮：Agentic 系統。
Agentic AI 的崛起
儘管 AI 取得了長足進步，但固定系統甚至 LLM 本身的侷限性已逐漸顯現。
據報道，Google 的 Gemini 在訓練了更大規模的資料集後，仍未能達到內部預期。OpenAI 的下一代 Orion 模型也傳出了類似的結果。
Salesforce CEO Marc Benioff 在《華爾街日報》的 Future of Everything 播客中表示，我們已經接近 LLM 能力的上限。他認為，未來屬於自主 Agent——即能夠自主思考、適應並獨立行動的系統，而不是 GPT-4 這樣的模型。
Agent 帶來了全新的能力：動態、基於上下文的工作流。不同於固定流程，Agentic 系統能夠即時決定下一步行動，根據當前環境自適應調整。這使得它們特別適用於當今企業面臨的不可預測、相互關聯的問題。
Agent 顛覆了傳統的控制邏輯。
傳統系統依賴剛性程式來規定每一個操作步驟，而 Agent 則利用 LLM 來驅動決策。它們可以推理、呼叫工具、訪問記憶——且一切都能動態進行。
這種靈活性使得工作流能夠即時演變，讓 Agent 遠比基於固定邏輯的系統更加強大。
設計模式如何塑造更智慧的 Agent
AI Agent 的強大不僅來源於其核心能力，還取決於設計模式對其工作流和互動方式的結構化管理。這些模式使 Agent 能夠解決複雜問題、適應變化的環境，並高效協作。
下面介紹幾種常見的設計模式，它們能夠提升 Agent 的智慧性和執行能力。
反思（Reflection）：透過自我評估不斷最佳化
反思能力使 Agent 能夠在執行操作或生成最終回覆之前評估自己的決策並改進輸出。
這種機制讓 Agent 能夠發現並修正錯誤，最佳化推理過程，並確保更高質量的結果。
工具使用擴充套件 Agent 能力
與外部工具的介面擴充套件了 Agent 的功能，使其能夠執行如資料檢索、過程自動化或執行確定性工作流等任務。這對於要求嚴格精確性的操作尤為重要，例如數學計算或資料庫查詢，其中精度是不可妥協的。
工具的使用彌合了靈活決策與可預測、可靠執行之間的鴻溝。
規劃將目標轉化為行動
具備規劃能力的 Agent 可以將高層次的目標分解為可執行的步驟，並以邏輯順序組織任務。這個設計模式對於解決多步驟問題或管理具有依賴關係的工作流至關重要。
多智慧體協作：模組化思維
多智慧體系統透過將特定任務分配給專門的 Agent 來採取模組化的解決方案。這種方法具有靈活性：你可以使用較小的語言模型（SLM）為任務特定的 Agent 提高效率，並簡化記憶管理。模組化設計透過將每個 Agent 的上下文集中在其特定任務上，從而減少了單個 Agent 的複雜性。
一種相關的技術是專家混合（Mixture-of-Experts，MoE），它在單一框架內使用專門的子模型或“專家”。像多智慧體協作一樣，MoE 動態地將任務分配給最相關的專家，最佳化計算資源並提高效能。這兩種方法都強調模組化和專業化——無論是透過多個 Agent 獨立工作，還是透過在統一模型中進行任務特定的路由。
正如傳統系統設計中所做的那樣，將問題拆分為模組化元件使其更容易維護、擴充套件和適應。透過協作，這些專業化的 Agent 可以共享資訊、分擔責任，並協調行動，以更高效地解決複雜挑戰。
簡而言之，Agent 不僅僅執行工作流；它們重新定義了我們對工作流的理解。它們是構建可擴充套件、適應性強的 AI 系統的下一步——突破了傳統架構的限制以及當前 LLM 的侷限性。
Agentic RAG：自適應和上下文感知的檢索
Agentic RAG 透過使其更加動態和基於上下文驅動，從而發展了傳統的 RAG。與依賴固定工作流不同，Agent 可以即時決定它們需要哪些資料、在哪裡找到這些資料，並根據當前任務如何最佳化查詢。這種靈活性使得 Agentic RAG 特別適用於處理需要響應能力和適應性的複雜多步驟工作流。
例如，一個建立營銷策略的 Agent 可能首先從 CRM 中提取客戶資料，使用 API 收集市場趨勢，並在新資訊出現時不斷調整策略。透過透過記憶保留上下文並迭代查詢，Agent 能夠生成更準確、更相關的輸出。Agentic RAG 將檢索、推理和行動結合在一起。
擴充套件智慧 Agent 面臨的挑戰
擴充套件 Agent —— 無論是單個 Agent 還是協作系統 —— 取決於它們輕鬆訪問和共享資料的能力。Agent 需要從多個來源收集資訊，包括其他 Agent、工具和外部系統，以便做出決策並採取行動。
將 Agent 連線到它們所需的工具和資料，從根本上講是一個分散式系統問題。這種複雜性與設計微服務時面臨的挑戰相似，因為在微服務中，各個元件必須高效地進行通訊，而不產生瓶頸或僵化的依賴關係。
像微服務一樣，Agent 必須高效通訊，並確保其輸出在更廣泛的系統中具有實用性。就像任何服務一樣，它們的輸出不僅僅應該回流到 AI 應用程式中——它們還應該流入其他關鍵系統，如資料倉庫、CRM、CDP 和客戶成功平臺。
當然，你可以透過 RPC 和 API 將 Agent 與工具連線起來，但這會導致系統的緊耦合。緊耦合使得擴充套件、適應或支援多個數據消費者變得更加困難。Agent 需要靈活性。它們的輸出必須無縫地流入其他 Agent、服務和平臺，而不將所有內容鎖定在僵化的依賴關係中。
解決方案是什麼？
透過事件驅動架構（EDA）實現松耦合。它是允許 Agent 共享資訊、即時行動並與更廣泛生態系統整合的支柱——無需緊耦合帶來的頭痛問題。
EDA
在早期，軟體系統是單體的。一切都存在於一個單一、緊密整合的程式碼庫中。儘管單體應用簡單易構建，但隨著系統的增長，它們變得極其複雜且難以維護。
擴充套件就像一把鈍器：你必須擴充套件整個應用程式，即使只有其中的一部分需要擴充套件。這種低效導致了系統膨脹和脆弱架構，無法應對增長的需求。
微服務改變了這一局面。
透過將應用程式拆分成更小的、可獨立部署的元件，團隊可以擴充套件和更新特定部分，而不必觸及整個系統。但這也帶來了一個新問題：這些更小的服務如何高效通訊？
如果我們透過直接的 RPC 或 API 呼叫來連線服務，就會產生大量的相互依賴關係。如果其中一個服務出現故障，它將影響整個連線路徑上的所有節點。
EDA 解決了這個問題。
與緊耦合的同步通訊不同，事件驅動架構（EDA）使得元件能夠透過事件進行非同步通訊。服務之間不再互相等待——它們即時響應正在發生的事情。
這一方法使得系統更加具有彈性和適應性，能夠處理現代工作流的複雜性。這不僅是一個技術突破；它還是在壓力下系統生存的策略。
早期社交巨頭的興衰
早期社交網路如 Friendster 的興衰強調了可擴充套件架構的重要性。Friendster 在早期吸引了大量使用者，但他們的系統無法處理如此龐大的需求。效能問題使使用者流失，平臺最終失敗。
相反，Facebook 的成功不僅因為其功能，還因為它投資了可擴充套件的基礎設施。它沒有在成功的重量下崩潰——反而挺立並最終主導了市場。
今天，我們也面臨著一個類似的挑戰——AI Agent 的興起和發展。
與早期社交網路類似，代理將經歷快速增長和廣泛採用。構建代理本身並不足夠，真正的問題在於你的架構是否能處理分散式資料、工具整合和多代理協作的複雜性。如果沒有正確的基礎，您的代理系統可能會像早期的社交媒體失敗者一樣崩潰。
未來是事件驅動的 Agent
AI 的未來不僅僅是構建更智慧的 Agent——更重要的是建立能夠隨著技術進步而進化和擴充套件的系統。隨著 AI 堆疊和基礎模型的快速變化，僵化的設計很快就會成為創新的障礙。為了跟上技術發展的步伐，我們需要優先考慮靈活性、適應性和無縫整合的架構。事件驅動架構（EDA）是這一未來的基礎，它使得 Agent 能夠在動態環境中蓬勃發展，同時保持彈性和可擴充套件性。
Agent 作為具有資訊依賴的微服務
Agent 類似於微服務：它們是自主的、解耦的，並能夠獨立處理任務。但代理更進一步。
雖然微服務通常處理離散的操作，但代理依賴於共享的、富有上下文的資訊來進行推理、決策和協作。這就對管理依賴關係和確保即時資料流動提出了獨特的要求。
例如，一個 Agent 可能從 CRM 中提取客戶資料，分析即時分析資料，並使用外部工具——同時與其他 Agent 共享更新。這些互動需要一個系統，在該系統中，Agent 可以獨立工作，但仍能流暢地交換關鍵資訊。
EDA 透過充當“中央神經系統”來解決這一挑戰。它允許 Agent 非同步廣播事件，確保資訊動態流動而不會產生僵化的依賴關係。這種解耦讓 Agent 能夠自主操作，同時無縫整合到更廣泛的工作流和系統中。
解耦同時保持上下文完整
構建靈活的系統並不意味著要犧牲上下文。傳統的緊密耦合設計通常將工作流繫結到特定的管道或技術上，迫使團隊在瓶頸和依賴關係之間進行調整。一部分堆疊的變化會波及整個系統，減緩創新和擴充套件的步伐。
EDA 消除了這些限制。透過解耦工作流並啟用非同步通訊，EDA 允許堆疊的不同部分——Agent、資料來源、工具和應用層——獨立運作。
以今天的 AI 堆疊為例。MLOps 團隊管理像 RAG 這樣的工作流，資料科學家選擇模型，應用開發人員構建介面和後端。緊密耦合的設計迫使這些團隊相互依賴，減緩交付並使適應新工具和技術變得更加困難。
相比之下，事件驅動的系統確保工作流保持鬆散耦合，使每個團隊能夠獨立創新。
應用層不需要了解 AI 的內部細節——它們只在需要時消費結果。這種解耦還確保了 AI 的洞察不會被孤立。代理的輸出可以無縫整合到 CRM、CDP、分析工具等中，建立一個統一的、可適應的生態系統。
透過事件驅動架構擴充套件 Agent
EDA 是向 Agent 系統過渡的支柱。
它能夠在解耦工作流的同時啟用即時通訊，確保代理能夠在大規模下高效運作。如本文所討論，像 Kafka 這樣的平臺展示了 EDA 在 Agent 驅動系統中的優勢：
橫向擴充套件性：Kafka 的分散式設計支援新增新的 Agent 或消費者而不產生瓶頸，確保系統輕鬆擴充套件。
低延遲：即時事件處理使 Agent 能夠即時響應變化，確保快速和可靠的工作流。
鬆散耦合：透過 Kafka 主題進行通訊，而不是直接依賴，使 Agent 保持獨立且可擴充套件。
事件持久化：持久化訊息儲存確保在傳輸過程中不會丟失資料，這對高可靠性工作流至關重要。
資料流使得資料能夠在整個業務中持續流動。
一箇中央神經系統充當即時資料流的統一支柱，輕鬆連線不同的系統、應用程式和資料來源，確保高效的 Agent 通訊和決策制定。
這種架構與像 Anthropic 的 Model Context Protocol (MCP) 這樣的框架自然契合。
MCP 提供了一個通用標準，用於將 AI 系統與外部工具、資料來源和應用程式整合，確保安全且無縫地訪問最新資訊。透過簡化這些連線，MCP 降低了開發工作量，同時啟用了基於上下文的決策制定。
EDA 解決了許多 MCP 旨在解決的挑戰。MCP 需要無縫訪問多樣的資料來源、即時響應能力，並且能夠擴充套件以支援複雜的多 Agent 工作流。透過解耦系統並啟用非同步通訊，EDA 簡化了整合，確保 Agent 能夠在沒有嚴格依賴關係的情況下消費和生成事件。
EDA 將定義 AI 的未來
AI 領域正在迅速發展，架構必須與之同步演變。
企業也已經準備好。Forum Ventures 的一項調查顯示，48% 的 IT 高階領導者已準備好將 AI Agent 整合到運營中，其中 33% 表示他們非常準備好。這表明市場對於能夠擴充套件並處理複雜性的系統有明顯需求。
EDA 是構建靈活、韌性強、可擴充套件的代理系統的關鍵。它解耦元件，啟用即時工作流，並確保 Agent 能夠無縫地整合到更廣泛的生態系統中。
那些採用 EDA 的企業不僅能生存下來——他們將在這波 AI 創新浪潮中獲得競爭優勢。而其餘的企業，則有可能被拋在後面，成為因無法擴充套件而遭遇失敗的犧牲品。
來源 | PyTorch研習社（ID：pytorchlab）
作者 | 南七無名式 ; 編輯 | 呼呼大睡
內容僅代表作者獨立觀點，不代表早讀課立場