智能体化人工智能：架构、应用及未来方向的综合综述

核心观点

• 代理式人工智能（Agentic AI）正经历一场范式转变，但其快速发展导致了理解上的碎片化，常常将现代神经网络系统与过时的符号模型混淆，即概念性重构。
• 本文提出了一个双范式框架，将代理式系统分为两个截然不同的谱系：符号/经典谱系（依赖于算法规划和持久状态）和神经/生成谱系（利用随机生成和提示驱动协调）。
• 通过对90项研究（2018-2025）的系统PRISMA为基础的综述，本文围绕该框架从三个维度进行了全面分析：
  • 定义每个范式的理论基础和架构原则。
  • 特定领域的实施（医疗保健、金融和机器人），展示了应用约束如何决定范式选择。
  • 范式特定的道德和治理挑战，揭示了不同的风险和缓解策略。

关键数据和研究结论

• 范式选择是战略性的，取决于特定领域的需求。高风险、受监管的领域（如医疗保健和机器人）倾向于使用符号或高度约束的神经架构，而动态领域（如金融和教育）则利用神经协调进行复杂分析。
• 存在治理失衡：虽然神经范式的道德挑战是研究的热点，但现代复杂符号系统的治理仍然是一个被忽视的领域。
• 评估代理式人工智能需要超越准确性，考虑自主性、任务成功、效率和鲁棒性等多个维度。符号范式侧重于可验证性，而神经范式则需要评估长期任务成功、上下文窗口和内存管理等方面的鲁棒适应性。
• 未来方向是混合智能，结合符号可靠性和神经适应性，以创建既适应又值得信赖的代理式系统。

框架和分类

• 双范式框架将代理式人工智能系统分为七个模块化领域，每个领域都由符号/经典、神经/生成和混合/通用三种架构范式之一着色。
• 符号谱系依赖于算法决策，包括马尔可夫决策过程（MDPs）、部分可观察MDPs（POMDPs）和认知架构（如BDI和SOAR）。
• 神经谱系基于统计学习和涌现推理，包括深度强化学习（DRL）和大型语言模型（LLMs）。LLMs通过提示链和对话协调实现代理性，而不是符号规划。
• 多代理协调是神经范式的顶峰，例如AutoGen和LangGraph框架，通过结构化通信协议协调不同的模块化代理。

领域特定实施

• 医疗保健：符号系统用于可预测和可审计的任务，如基于规则的临床决策支持工具；神经系统用于生成医疗报告和进行复杂数据分析。
• 金融：神经框架主导涉及复杂数据合成和分析的任务，如CrewAI的市场分析和LlamaIndex支持的金融情绪分析。
• 科学研究：神经框架用于协调多代理对话，以进行协作式探索和发现，例如AutoGen在经济研究中的应用。