AI 智能體將通過自主解決問題、自適應工作流程和可擴展性徹底改變企業運營。但真正的挑戰並非構建更優模型。
智能體需要能夠訪問數據、工具，並具備跨系統共享信息的能力，其輸出需可供多種服務（包括其他智能體）使用。這並非單純的人工智能問題，而是基礎設施與數據互操作性挑戰。它要求的不只是簡單串聯命令鏈，而是需要一個由數據流驅動的事件驅動架構（EDA）。
正如 HubSpot 首席技術官 Dharmesh Shah 所言：“智能體即新應用。” 實現這一潛力需要從一開始就投資於正確的設計模式。本文探討為何 EDA 是規模化智能體並釋放其在現代企業系統中全部潛能的關鍵。
要徹底理解 EDA 為何對下一波 AI 浪潮至關重要，我們首先需回顧 AI 是如何發展到當前階段的。
AI 的演進#
AI 已歷經兩波明顯的發展浪潮，現正進入第三波。前兩波雖開啟了新可能，但也存在關鍵局限。
人工智能的第一波浪潮：預測模型#
人工智能的第一波浪潮圍繞傳統機器學習展開，專注於為明確定義的狹窄任務提供預測能力。
傳統機器學習的工作流程
構建這些模型需要深厚的專業知識，因為它們是為特定用例量身定制的。這些模型具有領域專一性，其領域特性嵌入在訓練數據中，使得它們僵化且難以復用。將模型調整至新領域往往意味著從零開始 —— 這種方式缺乏可擴展性，阻礙了技術的快速採納。
人工智能的第二波浪潮：生成模型#
由深度學習驅動的生成式 AI 標誌著一個轉折點。
這些生成模型不再局限於單一領域，而是在海量多樣的數據集上訓練，使其具備跨多種情境的泛化能力。它們能生成文本、圖像乃至視頻，開啟了激動人心的新應用。然而，這一浪潮也伴隨著自身的挑戰。
生成模型在時間上是固定的 —— 無法整合新的或動態信息 —— 且難以調整。微調可以滿足特定領域的需求，但成本高昂且易出錯。微調需要大量數據、可觀的計算資源和機器學習專業知識，使得它在許多情況下不切實際。此外，由於 LLMs 是基於公開可用數據訓練的，它們無法獲取領域特定信息，這限制了它們準確回答需要上下文的問題的能力。
例如，假設你要求一個生成模型根據用戶的個人健康史、地理位置和財務目標推薦一份定制保險方案。
簡單的提示與包含 LLM 的響應
在此場景中，你向 LLM 發出提示，它生成響應。顯然，模型無法提供準確推薦，因為它缺乏相關用戶數據的訪問權限。沒有這些數據，響應要麼泛泛而談，要麼完全錯誤。
Compound AI 弥合差距#
為克服這些限制，復合 AI 系統將生成模型與程序化邏輯、數據檢索機制及驗證層等其他組件相結合。這種模塊化設計使 AI 能夠整合工具、獲取相關數據並以靜態模型無法實現的方式定制輸出。
例如，在保險推薦場景中：
- 檢索機制從安全數據庫中提取用戶的健康與財務數據。
- 該數據被添加至提示組裝過程中提供給 LLM 的上下文中。
- LLM 利用組裝好的提示生成準確響應。
簡易 RAG 架構
這一過程被稱為檢索增強生成（RAG），通過動態地將相關數據整合到模型工作流中，弥合了靜態 AI 與現實需求之間的鴻溝。
儘管 RAG 能有效處理此類任務，但它依賴於固定的工作流程，意味著每次交互和執行路徑都需預先定義。這種僵化性使其難以應對更複雜或動態的任務，因為無法窮盡所有可能的工作流編碼。手動編碼所有可能的執行路徑不僅勞動密集，最終也限制了系統的靈活性。
固定流程架構的局限性催生了人工智能的第三波浪潮：代理系統。
代理型 AI 的崛起#
儘管人工智能已取得長足進步，但我們正觸及固定系統乃至 LLMs 的極限。
據報導，谷歌的 Gemini 雖基於更龐大的數據集訓練，卻未能達到內部預期。OpenAI 及其下一代 Orion 模型也報告了類似結果。
賽富時 CEO 馬克・貝尼奧夫近日在《華爾街日報》“萬物未來” 播客中表示，我們已觸及 LLMs 能力的上限。他認為未來屬於能獨立思考、適應並自主行動的自治代理系統，而非 GPT-4 這類模型。
智能體帶來了全新的維度：動態、上下文驅動的工作流程。與固定路徑不同，代理系統能夠即時決定下一步行動，根據當前情況靈活調整。這使它們成為應對當今企業面臨的不可預測且相互關聯問題的理想選擇。
控制邏輯：程序化與代理化的對比
智能體徹底顛覆了傳統的控制邏輯。
不同於僵化程序對每一步的嚴格指令，智能體利用 LLMs 來驅動決策。它們能夠進行推理、使用工具並訪問記憶 —— 所有這些都是動態進行的。這種靈活性支持實時演進的工作流程，使得智能體遠比基於固定邏輯構建的任何系統更為強大。
代理架構（靈感源自 https://arxiv.org/pdf/2304.03442）
設計模式如何塑造更智能的代理#
AI 代理的強大不僅源於其核心能力，還歸功於構建其工作流程與交互的設計模式。這些模式使代理能夠解決複雜問題、適應多變環境並高效協作。
下面介紹一些實現高效代理的常見設計模式。
反思：通過自我評估實現改進#
反思能力使智能體能夠評估自身決策，並在採取行動或提供最終響應前優化輸出。這一功能讓智能體得以發現並糾正錯誤，精煉推理過程，從而確保更高質量的結果。
智能體的反思設計模式
工具使用擴展智能體能力#
與外部工具的交互擴展了智能體的功能，使其能夠執行諸如數據檢索、流程自動化或確定性工作流等任務。這對於需要嚴格精確度的操作尤為關鍵，例如數學計算或數據庫查詢，在這些場景中精度不容妥協。工具使用弥合了靈活決策與可預測、可靠執行之間的鴻溝。
代理工具使用設計模式
规划将目标转化为行动#
具備規劃能力的代理能夠將高層次目標分解為可執行的步驟，按邏輯順序組織任務。這一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。
代理規劃設計模式
多智能體協作：模塊化思維#
多智能體系統採用模塊化方法解決問題，將特定任務分配給專門的智能體。這種方法提供了靈活性：你可以使用較小規模的語言模型（SLMs）作為任務專用智能體，以提高效率並簡化內存管理。模塊化設計通過保持各智能體上下文專注於其特定任務，降低了單個智能體的複雜性。
相關技術包括混合專家模型（MoE），它在單一框架內採用專門的子模型或 “專家”。與多智能體協作類似，MoE 動態地將任務路由至最相關的專家，優化計算資源並提升性能。這兩種方法都強調模塊化與專業化 —— 無論是通過多個獨立工作的智能體，還是通過統一模型中的任務特定路由。
正如傳統系統設計一樣，將問題分解為模塊化組件使其更易於維護、擴展和適應。通過協作，這些專業化的智能體共享信息、分工負責並協調行動，從而更有效地應對複雜挑戰。
面向智能體的多智能體協作設計模式
簡而言之，智能體不僅執行工作流，還重塑了我們對其的思考方式。它們是構建可擴展、適應性強的 AI 系統的下一步 —— 超越了傳統架構的約束和 LLMs 當前的局限性。
代理式 RAG：自適應與情境感知檢索#
代理式 RAG 透過使其更具動態性和上下文驅動性來演進 RAG。智能體不再依賴固定工作流，而是能實時確定所需數據、其來源以及如何根據當前任務優化查詢。這種靈活性使代理式 RAG 非常適合處理需要響應性和適應性的複雜多步驟工作流。
例如，一個制定營銷策略的智能體可能首先從 CRM 中提取客戶數據，利用 API 收集市場趨勢，並隨著新信息的出現調整其方法。通過記憶保留上下文並迭代查詢，智能體產生更準確且相關的輸出。代理式 RAG 集檢索、推理與行動於一體。
代理式 RAG 設計模式
智能代理規模化面臨的挑戰#
擴展代理 —— 無論是單個代理還是協作系統 —— 關鍵在於它們能否輕鬆訪問和共享數據。代理需要從多個來源（包括其他代理、工具和外部系統）收集信息，以做出決策並採取行動。
單一代理依賴項
將代理與其所需的工具和數據連接起來，本質上是一個分佈式系統問題。這種複雜性反映了設計微服務時面臨的挑戰，其中各組件必須高效通信，同時避免產生瓶頸或形成僵化的依賴關係。
如同微服務一樣，代理必須高效溝通，並確保其輸出在整個大系統中具有實用價值。與任何服務相同，它們的輸出不應僅循環回 AI 應用內部，而應流入數據倉庫、客戶關係管理系統 (CRM)、客戶數據平台 (CDP) 及客戶成功平台等其他關鍵系統。
當然，你可以通過 RPC 和 API 連接代理與工具，但這會導致系統緊耦合。緊耦合使得擴展、適應或支持同一數據的多消費者變得困難。代理需要靈活性。它們的輸出必須能無縫接入其他代理、服務和平台，而不將所有環節鎖定在僵硬的依賴關係中。
解決方案是什麼？
通過事件驅動架構實現松耦合。這是使代理能夠共享信息、實時行動並與更廣泛的生態系統集成的基礎 —— 而不必承受緊耦合的麻煩。
事件驅動架構入門指南#
早期，軟件系統是單體架構。所有功能都集中在一個緊密集成的代碼庫中。雖然構建簡單，但隨著規模擴大，單體架構變成了噩夢。
擴展是一種粗暴的手段：即使只有部分功能需要擴展，也不得不擴展整個應用。這種低效導致了系統臃腫和架構脆弱，難以應對增長需求。
微服務改變了這一局面。
通過將應用拆分為更小、可獨立部署的組件，團隊能夠在不觸及整個系統的情況下擴展和更新特定部分。但這帶來了一個新的挑戰：如何讓所有這些小型服務高效通信？
如果我們通過直接 RPC 或 API 調用連接服務，就會製造出一團相互依賴的混亂。一旦某個服務宕機，就會影響到連接路徑上的所有節點。
緊耦合的微服務
EDA 解決了這個問題。
EDA 摒棄了緊耦合的同步通信方式，轉而讓組件通過事件進行異步通信。服務之間無需相互等待 —— 它們能實時響應正在發生的情況。
事件驅動架構
這種方法使系統更具韌性和適應性，能夠應對現代工作流程的複雜性。它不僅僅是一項技術突破，更是系統在壓力下的生存策略。
早期社交巨頭的興衰史#
早期社交網絡如 Friendster 的興衰凸顯了可擴展架構的重要性。Friendster 早期吸引了大量用戶，但其系統無法應對需求。性能問題導致用戶流失，平台最終失敗。
另一方面，Facebook 之所以蓬勃發展，不僅因其功能，更在於其對可擴展基礎設施的投資。它沒有在成功的重壓下崩潰，而是崛起成為主導者。
今天，我們可能正目睹 AI 智能體上演類似的故事。
如同早期的社交網絡，智能體將經歷快速增長與普及。僅構建智能體是不夠的，關鍵在於你的架構能否應對分佈式數據、工具集成及多智能體協作的複雜性。缺乏堅實基礎，你的智能體堆棧可能如早期社交媒體般分崩離析。
未来属于事件驱动型智能体#
AI 的未來不僅在於打造更聰明的智能體，更在於創建能隨技術進步而演進和擴展的系統。面對 AI 技術栈與底層模型的快速迭代，僵化的設計很快會成為創新阻礙。要保持領先，我們需要優先考慮靈活性、適應性和無縫集成的架構。事件驅動架構（EDA）正是這一未來的基石，它使智能體在動態環境中蓬勃發展，同時保持韌性與可擴展性。
作为具有信息依赖性的微服务智能体#
代理与微服务类似：它们自主、解耦，能够独立处理任务。但代理更进一步。
微服务通常处理离散操作，而代理则依赖共享的、上下文丰富的信息进行推理、决策和协作。这对管理依赖关系和确保实时数据流提出了独特要求。
例如，一个代理可能从 CRM 系统拉取客户数据，分析实时分析数据，并使用外部工具 —— 同时与其他代理共享更新。这些交互需要一个系统，使代理既能独立工作，又能流畅地交换关键信息。
EDA 通过充当数据的 “中枢神经系统” 解决了这一挑战。它允许代理异步广播事件，确保信息动态流动而不产生硬性依赖。这种解耦使代理能够自主运行，同时无缝集成到更广泛的工作流和系统中。
面向 AI 代理的事件驱动架构
解耦同时保持上下文完整#
构建灵活系统并不意味着牺牲上下文。传统紧耦合设计常将工作流绑定到特定管道或技术上，迫使团队应对瓶颈和依赖。堆栈某部分的变更会在系统中产生连锁反应，拖慢创新和扩展步伐。
EDA 消除了这些限制。通过解耦工作流并实现异步通信，EDA 使得堆栈的不同部分 —— 代理、数据源、工具和应用层 —— 能够独立运作。
以当今的 AI 技术栈为例。MLOps 团队管理如 RAG 这样的流水线，数据科学家挑选模型，而应用开发者则构建界面和后端。紧密耦合的设计迫使所有这些团队陷入不必要的相互依赖，延缓交付速度，并在新工具和技术出现时更难适应。
相比之下，事件驱动系统确保工作流保持松耦合，允许每个团队独立创新。
应用层无需理解 AI 的内部机制 —— 它们只需在需要时消费结果。这种解耦还确保了 AI 洞察不会孤立无援。智能体的输出可以无缝集成到 CRM、CDP、分析工具等系统中，形成一个统一且适应性强的生态系统。
利用事件驱动架构扩展智能体#
EDA 是向代理系统转型的支柱。
它能够解耦工作流同时实现实时通信，确保代理能在规模扩展时高效运作。如本文所述，像 Kafka 这样的平台展现了 EDA 在代理驱动系统中的优势：
- 水平可扩展性：Kafka 的分布式设计支持无瓶颈地添加新代理或消费者，确保系统轻松扩展。
- 低延迟：实时事件处理使代理能即时响应变化，保障工作流快速可靠。
- 松耦合：通过 Kafka 主题而非直接依赖进行通信，各代理保持独立性和可扩展性。
- 事件持久化：持久化的消息存储确保传输过程中无数据丢失，这对高可靠性工作流至关重要。
代理作为实时流平台上的事件生产者和消费者
数据流技术实现了业务中数据的持续流动。中枢神经系统作为实时数据流的统一骨干，无缝连接分散的系统、应用及数据源，以支持高效的代理通信与决策制定。
这一架构与 Anthropic 的模型上下文协议（MCP）等框架天然契合。
MCP 为 AI 系统与外部工具、数据源及应用的集成提供了通用标准，确保安全无缝地获取最新信息。通过简化这些连接，MCP 降低了开发难度，同时支持基于上下文的决策制定。
EDA 解决了 MCP 旨在应对的诸多挑战。MCP 需要无缝接入多样化数据源、实时响应能力及可扩展性，以支持复杂的多智能体工作流。通过解耦系统和实现异步通信，EDA 简化了集成过程，确保智能体能不受刚性依赖限制地消费和生成事件。
事件驱动型智能体将定义 AI 的未来#
AI 领域正快速发展，架构设计必须与时俱进。
企业已做好准备。Forum Ventures 的一项调查显示，48% 的资深 IT 领导者已准备好将 AI 代理整合到运营中，其中 33% 表示他们准备得非常充分。这表明市场对能够扩展并处理复杂性的系统有着明确需求。
事件驱动架构（EDA）是构建灵活、弹性且可扩展的代理系统的关键。它解耦了各组件，支持实时工作流，并确保代理能无缝融入更广泛的生态系统。
采用 EDA 的企业不仅能够生存 —— 还将在这一波 AI 创新浪潮中获得竞争优势。其余企业？它们可能因无法扩展而落后，成为自身局限性的牺牲品。
原文链接：https://seanfalconer.medium.com/the-future-of-ai-agents-is-event-driven-9e25124060d6