Репортаж от Wedoany，18 июня Китайская академия информационных и коммуникационных технологий (CAICT) опубликовала десять ключевых слов для агентов ИИ на 2026 год, представив прогнозы относительно прорывов в технологиях агентов ИИ, их практического применения и построения экосистемы. Десять ключевых слов: Инфраструктура агентов ИИ, Взаимосвязь и сотрудничество агентов ИИ, Инженерия агентов ИИ, Обучение и эволюция агентов ИИ, Память агентов ИИ, Навыки агентов ИИ, Инновации продуктов на основе агентов ИИ, Протокол платежей для агентов ИИ, Доверие к агентам ИИ, Комплексная оценка агентов ИИ.
Инфраструктура агентов ИИ — это базовая система, поддерживающая разработку, развертывание, эксплуатацию и управление агентами ИИ. Она охватывает ресурсную базу, включая вычислительные мощности, хранилища, сети и облачные ресурсы; инженерную поддержку, такую как песочницы, фреймворки для разработки, платформы развертывания и среды выполнения; ключевые компоненты, включая интеграцию моделей, управление памятью, вызов инструментов, оркестровку навыков, планирование задач и управление состоянием; а также механизмы управления, такие как наблюдаемость, оцениваемость, аудируемость, изоляция безопасности и контроль доступа. По мере перехода агентов ИИ от пилотных проектов к масштабному применению, обработка сложных задач предъявляет более высокие требования к высокому параллелизму, длительным временным циклам, множеству инструментов и множеству прав доступа. Участники отрасли ускоряют создание интегрированной среды для разработки, развертывания и эксплуатации, способствуя развитию инфраструктуры в направлении стандартизации, модульности и координации облачных и периферийных вычислений. В будущем инфраструктура агентов ИИ станет важной основой для поддержки многоагентного сотрудничества, выполнения сложных задач и внедрения бизнес-процессов полного цикла.
Взаимосвязь и сотрудничество агентов ИИ — это система возможностей, которая позволяет различным агентам, моделям, инструментам и бизнес-системам взаимодействовать и быть интероперабельными через стандартные интерфейсы, протоколы сотрудничества и механизмы оркестровки задач. Ее суть заключается в переходе от автономной работы агентов к коллективному взаимодействию, позволяя различным агентам обмениваться информацией, разделять задачи и формировать надежные сети сотрудничества в рамках сложных задач, обеспечиваемые механизмами управления идентификацией, контроля доступа и аудита безопасности. Взаимосвязь и сотрудничество агентов ИИ прокладывают каналы связи между виртуальными и физическими агентами, способствуя замкнутому циклу сотрудничества в принятии решений, восприятии и действиях, а также стимулируя сотрудничество между системами, платформами и организациями, формируя открытую экосистему интеллектуальных услуг. В будущем это еще больше преодолеет системные барьеры и границы приложений, поддерживая многоагентное сотрудничество, обработку сложных задач и развитие экосистемы Интернета всего, становясь ключевой основой для коллективного интеллекта и масштабного применения агентов.
Инженерия агентов ИИ — это ключевой путь перехода от концептуального подтверждения к масштабному применению, направленный на решение проблем, возникающих при внедрении в сложных сценариях, таких как нестандартные процессы разработки, неконтролируемые процессы эксплуатации и трудности с обеспечением качества результатов. Учитывая такие характеристики агентов, как открытость целей, динамичность путей и неопределенность результатов, необходимо создать замкнутую систему полного жизненного цикла, охватывающую анализ требований, архитектурное проектирование, разработку и сборку, тестирование и валидацию, развертывание и эксплуатацию, мониторинг и оптимизацию, а также оценку затрат. Основное внимание уделяется продвижению инженерии активов и процессов: с одной стороны, модели, инструменты, навыки, процессы и знания накапливаются как повторно используемые активы; с другой стороны, с помощью стандартных процессов, мониторинга эксплуатации, оценки эффективности и непрерывной оптимизации повышается стабильность и управляемость системы, создавая бизнес-цикл, который является «повторяемым, наблюдаемым и оптимизируемым». В будущем, по мере совершенствования инженерных методов, контроля эксплуатации и механизмов оценки обратной связи, инженерия агентов ИИ станет основным двигателем, поддерживающим масштабное и контролируемое применение агентов.
Обучение и эволюция агентов ИИ означает, что в процессе непрерывного взаимодействия с окружающей средой, пользователями и задачами агенты постоянно повышают свою производительность и адаптивность за счет рефлексии над опытом, реконструкции памяти, обновления стратегий и скачков в способностях. Суть заключается в замене статического предопределения способностей динамической замкнутой оптимизацией, объединяя такие этапы, как восприятие и понимание, планирование задач, выполнение действий и обратная связь по результатам. Это позволяет агентам непрерывно усваивать опыт взаимодействия, оптимизировать стратегии задач, совершенствовать структуру памяти и корректировать модели поведения, тем самым повышая адаптивность, стабильность и качество выполнения задач в различных сценариях, совершая переход от пассивного «управления командами» к активному «саморазвитию». В будущем обучение и эволюция агентов ИИ сформируют технологическую парадигму непрерывной обратной связи, динамической оптимизации и долгосрочного усиления, позволяя системам постоянно накапливать опыт, исправлять отклонения и усиливать способности в сложных средах, обеспечивая важную поддержку для долгосрочной эксплуатации и обработки сложных задач.
Память агентов ИИ — это ключевая способность, поддерживающая непрерывность контекста, понимание пользователя и накопление опыта. Она помогает агентам сохранять непрерывность, стабильность и долгосрочную адаптивность во время взаимодействия и выполнения задач. В отличие от статически хранимой информации в традиционных системах, память агентов ИИ больше ориентирована на динамическое управление историей взаимодействия, состоянием задач, предпочтениями пользователей, обратной связью от среды и опытом выполнения. Она должна поддерживать как отслеживание контекста и запись промежуточных процессов в рамках одной задачи, так и накопление информации и повторное использование опыта между сеансами и задачами. Ключевым моментом является эффективная организация, точный вызов и безопасное управление памятью с помощью таких механизмов, как хранение информации, семантический поиск, обновление памяти, сжатие содержимого, активное забывание и управление правами доступа. В будущем память агентов ИИ будет развиваться в направлении большей структурированности, управляемости и адаптивности, позволяя агентам, сохраняя непрерывный опыт и единую идентичность, постоянно повышать способности к пониманию задач, оптимизации стратегий и долгосрочной эволюции.
Навыки агентов ИИ — это ключевой механизм, который абстрагирует и инкапсулирует конкретные операции, бизнес-правила и профессиональные знания, используемые при выполнении задач, в вызываемые, компонуемые и повторно используемые единицы. Это эффективно восполняет пробелы в способностях агентов при выполнении разнообразных задач в сложных динамических средах. В отличие от простого полагания на результаты, генерируемые моделью, навыки позволяют агентам вызывать внешние возможности, такие как поиск, анализ, вычисления, генерация, системные операции и управление устройствами, для достижения целей задачи, а также динамически оркестровать их с учетом ограничений среды, обратной связи по выполнению и правил безопасности. Благодаря дизайну навыков, повторяющиеся задачи могут быть стандартизированы, бизнес-правила структурированы, отраслевые знания инструментализированы, а в процессы выполнения могут быть внедрены механизмы проверки, отката, контроля доступа и обеспечения безопасности, что повышает точность, стабильность и переносимость выполнения задач. В будущем навыки агентов ИИ будут развиваться в направлении открытых стандартов, междоменного повторного использования и автономной оркестровки, эффективно поддерживая переход агентов от реагирования на отдельные задачи к выполнению полных бизнес-процессов.
Инновации продуктов на основе агентов ИИ являются важным проявлением глубокой интеграции технологических возможностей агентов ИИ и сценариев применения, знаменуя переход применения агентов от функциональной валидации к новому этапу сценаризации, продуктивизации и сервисизации. Новое поколение агентов больше не ограничивается диалоговым взаимодействием, а начинает обладать способностями к пониманию задач, оркестровке процессов, вызову инструментов и системным операциям. Они могут, благодаря многоплатформенному доступу, контролю прав, расширению навыков и накоплению памяти, выстраивать полную цепочку от взаимодействия с пользователем до выполнения задачи, от фронтального входа до бэкенд-систем. От практического бума в области агентов, таких как «разведение креветок» и «разведение лошадей», до постоянного появления таких продуктовых форм, как интеллектуальные помощники, интеллектуальные службы поддержки и цифровые сотрудники, агенты превращаются из единого диалогового входа в диверсифицированную продуктовую систему, охватывающую офисную работу, производство, повседневную жизнь и отраслевые услуги. В будущем инновации продуктов на основе агентов ИИ будут продолжать развиваться в направлении персонализации, проактивности, сценаризации и экосистемности, еще больше повышая способность понимать потребности пользователей, автономно планировать задачи и взаимодействовать с бизнес-системами, постепенно становясь цифровым партнером, соединяющим пользователей, сценарии и услуги.
Протокол платежей для агентов ИИ — это новая система правил, предназначенная для автономных транзакций, вызова услуг и обмена ценностями между агентами. Он может значительно снизить порог и стоимость автоматизированных платежей, одновременно решая такие проблемы традиционных платежных систем в сценариях с агентами, как ограничения субъектного статуса, размытая ответственность и недостаточная адаптация динамических условий. Протокол платежей для агентов ИИ характеризуется гибкой настройкой правил, прозрачностью процессов, проверяемостью результатов и прослеживаемостью ответственности. В сочетании с механизмами коммерческого доверия он обеспечивает стандартизированную поддержку для межплатформенного и межтерминального сотрудничества агентов, охватывающую идентификацию, авторизацию прав, взаимодействие услуг, автоматические расчеты и гарантии доверия, способствуя переходу агентов от узлов передачи информации к субъектам выполнения транзакций. В будущем протокол платежей для агентов ИИ будет进一步完善 механизмы автономных транзакций, вызова услуг и расчетов, способствуя надежному обмену ценностями между системами, платформами и организациями, обеспечивая важную поддержку для выполнения транзакций и координации услуг в сложных бизнес-сценариях и сценариях с участием нескольких субъектов.
Доверие к агентам ИИ является важной предпосылкой для обеспечения стандартизированного внедрения, стабильной работы и непрерывного применения агентов. Его суть заключается в том, чтобы агенты в сложных задачах и открытых средах обладали способностями к надежной генерации, контролируемому выполнению, прозрачному принятию решений, соответствующему нормам взаимодействию и прослеживаемой ответственности. По мере перехода агентов от информационных вопросов и ответов к выполнению задач, они вовлекаются в более длинные бизнес-цепочки, вызывают больше внешних ресурсов и оказывают более прямое реальное влияние. При этом становятся более заметными такие проблемы, как нестабильность источников знаний, нечеткость границ поведения, неконтролируемость процессов выполнения, непрозрачность путей принятия решений, сложность проверки качества результатов и трудность отслеживания цепочек ответственности. Для повышения уровня доверия к агентам ИИ необходимо приложить совместные усилия в трех аспектах: данных, технологиях и оценке. Это включает: укрепление профессиональной надежности за счет высококачественного предоставления данных и управления знаниями; обеспечение контролируемости выполнения задач с помощью надежных рассуждений, контроля прав, ограничения поведения и защиты от рисков; а также реализацию идентификации проблем, количественной оценки рисков и непрерывного улучшения с помощью многомерных оценочных фреймворков и механизмов мониторинга рисков. В будущем доверие к агентам ИИ будет постоянно усиливать надежность, контролируемость, устойчивость и прослеживаемость, закладывая прочную основу доверия для масштабного применения агентов и поддерживая их высококачественное и устойчивое развитие в сложных открытых средах.
Комплексная оценка агентов ИИ — это систематическая оценочная система, ориентированная на технологические возможности, прикладную ценность и операционную эффективность агентов. Это важный инструмент для определения того, могут ли агенты быть реально внедрены, непрерывно работать и создавать ценность. В отличие от оценки моделей, оценка агентов должна охватывать множество аспектов, включая понимание задач, планирование и рассуждение, вызов инструментов, обратную связь по выполнению, стабильность, безопасность и пользовательский опыт. Она помогает разработчикам определить границы возможностей и технические недостатки, поддерживает руководителей бизнеса в оценке соответствия сценариям, пользовательской ценности и стратегического соответствия, а также предоставляет менеджерам основу для анализа затрат и выгод и расчета окупаемости инвестиций. Эталонное тестирование агентов «Fangsheng» (方升) от CAICT постоянно совершенствует методы оценки, ориентируясь на ключевые способности, общие задачи и отраслевые сценарии, способствуя совместному развитию оценки способностей, оценки ценности и оценки эффективности. Оценка способностей фокусируется на качестве выполнения задач, обработке сложных задач и уровне отраслевой адаптации; оценка ценности — на пользовательском опыте, бизнес-вкладе и степени стратегического соответствия; оценка эффективности — на уровне автоматизации задач, повышении эффективности, оптимизации затрат и возврате инвестиций. В будущем комплексная оценка агентов ИИ будет сосредоточена на реальных бизнес-сценариях и динамических средах задач, формируя измеримые, воспроизводимые и реализуемые методы оценки, обеспечивая основу для повышения качества, оценки ценности и управления рисками при применении агентов.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
