什么是 agentic AI？
Agentic AI 是一种能够朝目标推进的 AI。agentic 一词来源于 agency（能动性），用来描述有意图地行动、做出决策并影响结果的能力。在 AI 语境下，agentic 意味着系统所做的不只是响应提示词，它还能规划下一步、使用工具、采取行动，并在结果不完整时进行调整。简单来说，agentic AI 是一种能将用户的目标转化为可执行工作流程的系统，它以更少的人工逐步指导，实现从意图到结果的推进。
为什么 agentic AI 如今变得重要
许多 AI 工具最初都是对话式系统：用户提问，模型给出回答。但真实的工作很少只是一次提问。一份研究简报可能需要资料检索、比较、记录、撰写和修订，一份长文档也可能需要转换成幻灯片。Agentic AI 之所以重要，正是因为它把推理与行动连接起来，帮助 AI 从对话式交互走向工作流程的实际执行。
Agentic AI 与 AI agent 的区别
你可能会以为 agentic AI 和 AI agent 是同一件事。虽然二者关系密切，但它们描述的是同一概念下不同的层面。
AI agent 是一个具体的系统或执行任务的单元，能够朝着目标采取行动。从这个角度看，AI agent 是工作流程中的“执行者”：它接收目标，决定下一步该做什么，并利用可用的工具或上下文推动任务向前推进。
Agentic AI 指的是支撑这种行为的更广泛的系统设计或工作流程模式。它描述的是 AI 系统如何完成多步骤工作。单个 AI agent 可以具备 agentic 特性，但 agentic AI 也可以涉及多个 agent、模型、工具和审核步骤协同工作，从用户的意图推进到具体的结果。
| 概念 | 主要角色 | 典型输出 | 最适合场景 |
|---|---|---|---|
| AI agent | 执行任务或承担角色 | 任务结果或具体行动 | 研究、编码、文件处理、自动化步骤 |
| Agentic AI | 协调以目标为导向的工作流程 | 完成后的工作流程或结构化交付物 | 需要规划、工具使用和审核的多步骤工作 |
简单来说，AI agent 可以完成工作的某些部分，而 agentic AI 则把这些能力组织成一个以目标为导向的工作流程。AI agent 往往是 agentic AI 的构成单元，而 agentic AI 指的是更大范围的系统行为。但在实际使用中，这两个术语常常被互换使用，因此没有必要严格区分它们。真正重要的是理解它们背后的 agentic 方法。
Agentic AI 的工作原理
Agentic AI 系统通过目标理解、规划、行动和审核这一反复循环的过程来运作。它会不断检查下一步需要做什么，直到任务逐步接近可用的结果。
理解目标
系统首先会理解用户想要实现的目标，识别预期结果、可用的上下文信息、所需的格式，以及可能影响任务的各种限制条件。
制定计划
在理解目标之后，系统会将任务拆分为更小的步骤，判断需要哪些信息、哪些操作应优先执行，以及可能用到的工具或资源。
执行操作
接下来，系统会按照计划执行相应步骤。根据任务类型和权限设置，它可以采取不同的操作来完成任务。
结果审查
完成操作后，系统会将结果与最初的目标进行比对，检查是否存在信息缺失、错误、推理不充分，或需要再次处理的输出。
调整优化
如果结果不完整或有误，系统可以修改计划、补充上下文、重复某个步骤，或向用户请求进一步说明。这种反馈循环帮助智能体不止步于简单的回答，而是朝着更完整的结果推进。
Agentic AI 的类型
Agentic AI 可以有多种形式。理解其类型的最好方式，是观察它们承担的工作量、所服务的领域，以及所需的人工审核程度。
单智能体工作流
单智能体工作流由一个智能体处理一项具体任务。例如，一个智能体可以对一批文件做摘要、起草一份简短报告、清理电子表格，或根据用户请求检索信息。由于任务范围较窄、系统构成较简单，这类 agentic AI 通常更容易掌控。
多智能体系统
多智能体系统将较大的工作拆分给多个智能体或子智能体分别处理。一个智能体可能负责查找资料来源，另一个提取有用信息，另一个撰写输出内容，还有一个负责审核结果。这种结构适用于范围广泛的研究、批量分析、长篇写作，或是需要多种工作并行开展的复杂工作流。
特定任务智能体
特定任务智能体面向更狭窄的领域设计，例如基于浏览器的操作或客户支持。当工作流具有明确的模式、常用工具和可预测的输出结果时，它们会非常实用。由于范围更加聚焦，特定任务智能体往往能提供更具引导性的使用体验。
通用智能体
通用智能体可以处理更广泛的工作流，帮助完成研究、写作、分析、文件处理、编程、规划以及其他开放性任务。但由于任务范围更广，它们也更依赖清晰的上下文、良好的指令、工具访问权限，以及人工审核。
后台或持久化智能体
后台或持久化智能体可以在用户离开后继续执行较长时间的任务，例如监控变化、处理文件、运行批量任务，或持续推进某项研究或分析工作流。它们与其他类型的关键区别在于，无需用户实时监督每一个步骤，但在最终决策或输出被使用之前，人工审核仍然十分重要。
Agentic AI 能做什么？
当任务涉及多个步骤时，agentic AI 最能发挥作用。Kimi AI Agent 就是 agentic AI 在实践中的一个很好的例子。通过它的设计和实际使用场景，我们可以更好地理解 agentic AI 能做到哪些事情。
研究与信息整合
Agentic AI 可以把研究工作从“搜索几个答案”升级为一整套更完整的流程：查找资料来源、比较不同观点、交叉核实信息、整理证据，并最终形成一份简报。Kimi 深度研究展示了这一流程在实践中的运作方式——即使用户离开页面，它也能在后台继续进行更深入的调研，这使其在需要不止简单回答的研究任务中非常有用。
文件阅读与文档转换
Agentic AI 可以阅读长篇文档、提取结构、重新整理信息，并将原始资料转化为摘要、报告、表格或演示文稿。当任务的起点是杂乱或冗长的输入，而非清晰的提示词时，这一点尤为有用。Kimi 支持长上下文对话，并能处理 PDF、Word、Excel、PPT、图片、TXT 和视频等多种文件类型，单个文件最大支持 100 MB，最多可同时处理 50 个文件，非常适合文档密集型的工作流程。
电子表格清理与分析
电子表格往往需要经过多个步骤才能真正发挥作用：清理重复数据、修正格式不一致的问题、生成公式、分析结果、制作图表，或创建数据透视表。Agentic AI 可以帮助将这些步骤串联起来，而不是把每一步都当成孤立的请求处理。Kimi 表格支持电子表格生成、公式编写、数据透视表、图表制作、格式转换以及数据清理，非常适合那些最终需要输出可用表格、图表或分析结果，而不只是纯文本的工作流。
幻灯片与报告生成
Agentic AI 可以帮助确定叙事逻辑、组织章节结构、创建大纲、撰写幻灯片内容，并调整演示格式，从而将研究笔记、长篇文档或数据分析转化为结构化的成果。Kimi PPT 通过大纲生成、内容生成、设计与排版选择，以及长文档转幻灯片等功能支持这类工作流，帮助用户将思考阶段与最终的演示形式衔接起来。
网站草稿与内容制作
网站与内容创作工作通常从一个大致的目标开始：一个页面主题、一句产品定位语、一个目标受众、若干参考资料，或是截图和视频素材。Agentic AI 可以帮助将这些输入转化为页面结构、初步文案、内容模块，或一份网站草稿。Kimi 建站支持这样的网站生成流程：用户可以提供创意、参考资料、截图或视频，系统会协助将它们转化为一份可用的网站草稿。
编程与技术工作流
编程本身就具有天然的 agentic 特性，因为它涉及理解需求、阅读现有文件、生成改动、检查错误并进行修订。Agentic AI 可以支持代码解释、代码生成、调试、测试规划、审查、重构以及项目组织等工作。借助 Kimi，用户可以描述想要编写的代码类型，请求修复或审查代码，并借助系统将一次编程请求推进为更完整的技术成果。
Agentic AI 的优势与局限
Agentic AI 的主要优势在于连贯性。一个设计良好的工作流可以将上下文从一个步骤延续到下一个步骤，减少工具之间的手动交接，提升在大型任务中的覆盖范围，并对部分结果进行修订，而不必从头开始。当输出需要具备结构性时——例如一份简报、电子表格、报告、幻灯片、网站草稿或批量分析——这种优势尤为明显。
但这类系统同样存在局限性。Agentic AI 可能会选择错误的计划、误解目标、依赖不完整的工具结果，或产生缺乏依据的结论。如果编排能力较弱，多智能体工作流也可能出现不一致的情况。最稳妥的做法是采用受控自主：明确的权限设置、清晰可见的检查点、升级处理规则，以及在重要输出被发布或采用之前进行人工审核。
如何有效使用 agentic AI
要用好智能体式 AI，先从工作流入手。明确最终交付物是什么，说明它是给谁用的，并提供文件、示例、约束条件或必要来源等可信的上下文信息。尽早设定边界：智能体能做什么、不该做什么，以及什么情况下需要请求批准。
对于耗时较长或较敏感的任务，先让智能体给出计划再执行。对于复杂任务，设置检查点，以便你能审查假设条件、中间发现或草稿。好的智能体工作流并不是“让 AI 做所有事”，而是“让 AI 处理可重复的多步骤工作，同时由人来设定目标、做出判断，并批准重要结果”。
结语
智能体式 AI 代表着从生成回应到面向目标完成工作的转变。当任务有明确的目标、足够的上下文，并且结果可以被审查时，它的价值才最能体现出来。智能体工作流可以帮助连接意图和产出之间的各个步骤。学会如何用 AI 处理重复性工作，同时由人来设定目标、划定边界并批准重要结果，将变得越来越重要。