范式转变：Agentic AI 与传统 AI 开发的关键差异

Source: Dev.to

传统 AI 开发：专家的关注点

核心目标

预测和分类。目标是基于历史数据准确预测一个值（回归）或分配一个标签（分类）。

操作模式

响应式且无状态。模型由特定输入事件触发（例如，客户浏览商品），并产生单一输出（例如，推荐分数）。调用之间不保留记忆或上下文。

工作流

固定且脚本化。逻辑严格由训练数据和开发者编写的规则决定。如果场景超出训练分布，模型往往会优雅或灾难性地失败。

开发重点

主要工作集中在 数据准备（清洗、特征工程、特征选择）和 模型训练（超参数调优、算法选择），以最大化单一指标，如 F1‑score 或 AUC。

传统 AI 在高吞吐、定义明确的问题上表现出色，如欺诈检测、内容审核和基础销售预测。然而，它缺乏适应性，且无法串联动作，限制了其在复杂、多步骤业务流程中的应用。

主体 AI 开发：编排者的关注点

新开发范式：编排与工具

关注点转移

关注点从优化模型准确度（传统的核心指标）转向确保可靠的计划执行和稳健的工具使用。一个略好一点的 LLM 往往不如精心设计的工具使用架构产生更大影响。

LLM 作为 CPU

大语言模型充当推理引擎或操作系统内核。开发挑战不再仅是训练模型，而是有效地提示模型（“提示工程”）并将其与外部 API 集成，这些 API 成为代理与世界交互的“外设”。

记忆的重要性

主体 AI 需要复杂的记忆管理——包括短期（上下文窗口）和长期（向量数据库）记忆。记忆系统使 AI 代理能够从过去的失败中学习，长期保持上下文，并在执行过程中引用历史数据。

安全与治理

由于其自主性，治理要求更为严格。开发者必须对代理可访问的工具设置严密的安全防护和权限（例如，防止其在未经人工审查的情况下对关键数据库进行更改）。

总体而言，传统 AI 为特定任务提供强大的局部自动化，而向主体 AI 的转变标志着真正的企业自治——创建能够端到端管理整个业务流程的决策系统。这也是为何许多组织转向专业的 AI 开发公司，以在这片新且复杂的架构领域中导航。

常见问题 (FAQs)

MLOps 在主体 AI 开发中仍然重要吗？
当然。MLOps 可以说更加关键。虽然模型通常是 LLM，但整个代理系统（工具、记忆和 LLM 编排）需要 CI/CD、监控以及自动化安全检查，以实现持续部署和可靠运行。

我该如何决定在项目中使用传统 AI 还是主体 AI？

• 传统 AI： 当任务范围狭窄、需要高吞吐且步骤固定时使用（例如，图像识别、异常检测）。
• 主体 AI： 当任务复杂、需要多个工具并且需要动态规划与自我纠正时使用（例如，自动化客服解决、动态研究）。

主体 AI 通常使用哪些编程框架？
LangChain、LlamaIndex 或 Microsoft 的 AutoGen 等框架提供了预构建的抽象，用于管理代理的核心组件：LLM、记忆和工具。

主体 AI 中的“工具使用问题”是什么？
它指的是让 LLM 能够可靠地从列表中选择正确的工具、正确格式化工具 API 的输入，并将工具的输出解释回自然语言，以供下一步规划使用的挑战。

两种开发方式的成本模型有何不同？

• 传统 AI： 成本主要来自数据标注、存储以及专用计算（训练用 GPU）。
• 主体 AI： 成本主要来自 API 调用费用（LLM 的每 token 使用费）、向量数据库存储，以及为编排和工具集成所投入的架构设计时间。