AI 智能體將透過自主解決問題、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。
复合 AI 弥合差距#
為克服這些限制，复合 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。
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。
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。
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，智能體之間必須高效溝通，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 連接智能體與工具，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。智能體需要靈活性。它們的輸出必須能無縫接入其他智能體、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。這一核心架構使智能體能夠共享信息、實時行動並與更廣泛的生態系統集成 —— 而不必承受緊耦合的頭痛。
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。但這帶來了一個新挑戰：如何讓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。
未來屬於事件驅動型智能體#
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。
代理作為具有信息依賴性的微服務#
代理與微服務類似：它們自主、解耦，能夠獨立處理任務。但代理更進一步。
微服務通常處理離散操作，而代理則依賴共享的、上下文豐富的信息進行推理、決策和協作。這對管理依賴關係和確保實時數據流提出了獨特要求。
例如，一個代理可能從 CRM 中拉取客戶數據，分析實時分析數據，並使用外部工具 —— 同時與其他代理共享更新。這些交互需要一個系統，使代理既能獨立工作，又能流暢地交換關鍵信息。
EDA 通過充當數據的 “中樞神經系統” 解決了這一挑戰。它允許代理異步廣播事件，確保信息動態流動而不產生硬性依賴。這種解耦使代理能夠自主運行，同時無縫集成到更廣泛的工作流和系統中。
面向 AI 代理的事件驅動架構
解耦同時保持上下文完整#
構建靈活系統並不意味著犧牲上下文。傳統緊耦合設計常將工作流綁定到特定管道或技術上，迫使團隊應對瓶頸和依賴。堆棧某部分的變更會在系統中產生連鎖反應，拖慢創新和擴展步伐。
EDA 消除了這些限制。通過解耦工作流並實現異步通信，EDA 使得堆棧的不同部分 —— 代理、數據源、工具和應用層 —— 能夠獨立運作。
以當今的 AI 技術栈為例。MLOps 團隊管理如 RAG 這樣的流水線，數據科學家挑選模型，而應用開發者則構建界面和後端。緊密耦合的設計迫使所有這些團隊陷入不必要的相互依賴，延緩交付速度，並在新工具和技術出現時更難適應。
相比之下，事件驅動系統確保工作流保持松耦合，允許每個團隊獨立創新。
應用層無需理解 AI 的內部機制 —— 它們只需在需要時消費結果。這種解耦還確保了 AI 洞察不會孤立無援。智能體的輸出可以無縫集成到 CRM、CDP、分析工具等系統中，形成一個統一且適應性強的生態系統。
利用事件驅動架構擴展智能體#
EDA 是向代理系統轉型的支柱。
它能夠解耦工作流同時實現實時通信，確保代理能高效運作。正如這裡所討論的，像 Kafka 這樣的平台展現了 EDA 在代理驅動系統中的優勢：
- 水平可擴展性：Kafka 的分佈式設計支持無瓶頸地添加新代理或消費者，確保系統輕鬆擴展。
- 低延遲：實時事件處理使代理能即時響應變化，確保工作流快速可靠。
- 松耦合：通過 Kafka 主題而非直接依賴進行通信，各代理保持獨立性和可擴展性。
- 事件持久化：持久化的消息存儲確保傳輸過程中無數據丟失，這對高可靠性工作流至關重要。
代理作為實時流平台上的事件生產者和消費者
數據流技術實現了業務中數據的持續流動。中樞神經系統作為實時數據流的統一骨幹，無縫連接分散的系統、應用及數據源，以支持高效的代理通信與決策制定。
這一架構與 Anthropic 的 模型上下文協議 (MCP) 等框架天然契合。
MCP 為 AI 系統與外部工具、數據源及應用的集成提供了通用標準，確保安全無縫地獲取最新信息。通過簡化這些連接，MCP 降低了開發難度，同時支持基於上下文的決策制定。
EDA 解決了 MCP 旨在應對的諸多挑戰。MCP 需要無縫接入多樣化數據源、實時響應能力及可擴展性，以支持複雜的多智能體工作流。通過解耦系統和實現異步通信，EDA 簡化了集成過程，確保智能體能不受剛性依賴限制地消費和生成事件。
事件驅動型智能體將定義 AI 的未來#
AI 領域正快速發展，架構設計必須與時俱進。
企業已做好準備。Forum Ventures 的一項調查顯示，48% 的資深 IT 領導者已準備好將 AI 代理整合到運營中，其中 33% 表示他們準備得非常充分。這表明市場對能夠擴展並處理複雜性的系統有著明確需求。
EDA 是構建靈活、韌性且可擴展的代理系統的關鍵。它解耦了各組件，支持實時工作流，並確保代理能無縫融入更廣泛的生態系統。
採用 EDA 的企業不僅能夠生存 —— 還將在這一波 AI 創新浪潮中獲得競爭優勢。其餘企業？它們可能因無法擴展而落後，成為自身局限性的犧牲品。
原文鏈接：https://seanfalconer.medium.com/the-future-of-ai-agents-is-event-driven-9e25124060d6