Abstrakcyjny:
- Istnieje 7 różnych typów agentów AI, od prostych agentów reaktywnych po systemy wieloagentowe.
- Obecnie wiodące firmy zajmujące się sztuczną inteligencją skupiają się przede wszystkim na tworzeniu agentów zorientowanych na cele, obok agentów uczących się.
- W przyszłości możemy zobaczyć w pełni autonomicznych agentów AI, którzy będą potrafili współpracować z innymi agentami AI w celu realizacji wielu zadań.
Nie ulega wątpliwości, że agenci AI, którzy działają, będą przewodzić rewolucji w dziedzinie sztucznej inteligencji, a pierwsze oznaki tego są już widoczne. Od chatbotów opartych na sztucznej inteligencji po agentów AI, którzy potrafią czytać e-maile i umawiać spotkania – zbliżamy się do ery agentów. Aby lepiej zrozumieć agentów AI, szczegółowo omówiłem ich różne typy. Dodatkowo wymieniłem wiodące firmy i agentów AI dostępnych obecnie na rynku. Mając to na uwadze, zacznijmy.
1. Agenci z prostymi reakcjami
Zacznijmy od najprostszego typu agentów AI: agentów prostych reaktywnych. Jak sama nazwa wskazuje, agenci ci wykonują działania w oparciu o bieżące informacje, po spełnieniu warunku „jeśli-to”. Na przykład termostat włącza ogrzewanie, gdy temperatura spadnie poniżej określonego poziomu. Wykonuje on po prostu działanie, gdy warunek jest spełniony.
Ten typ agenta AI ma jednak pewne ograniczenia. Uwzględnia on jedynie bieżące informacje (zwane również „percepcjami” lub „postrzeżeniami”). Nie zapamiętuje on poprzednich odczytów temperatury ani nie bierze pod uwagę przyszłych – działa wyłącznie w oparciu o aktualną temperaturę.
Prości agenci reaktywni nie mają pamięci i działają tylko wtedy, gdy otoczenie jest w pełni obserwowalne – w stanie, w którym dostępne są wszystkie informacje niezbędne do podjęcia decyzji. W rezultacie nie utrzymują wewnętrznej reprezentacji ani modelu świata.
2. Agenci refleksyjni bazujący na modelach
Następnie, agenci refleksyjni bazujący na modelach poprawiają wydajność prostych agentów refleksyjnych. Agenci ci utrzymują wewnętrzną reprezentację świata, a zatem posiadają pamięć. Zasadniczo, agenci ci śledzą działania i ich wpływ na świat oraz aktualizują swój wewnętrzny model/reprezentację. Na przykład, samochód autonomiczny, poruszając się w ruchu ulicznym, zapamiętuje położenie pojazdów, nawet gdy przemieszczą się one z bieżącej pozycji. Ta wewnętrzna reprezentacja pozwala na podejmowanie bardziej świadomych decyzji.
Teraz, na podstawie wcześniejszych obserwacji i bieżących informacji, agent tworzy wewnętrzną reprezentację świata i podejmuje pożądane działanie. Oznacza to, że agenci zwrotni bazujący na modelach mogą działać w środowiskach częściowo obserwowalnych. Zasadniczo model wewnętrzny służy do przewidywania kolejnego działania. Model ten opiera się na zaawansowanych algorytmach sztucznej inteligencji.
3. Agenci zorientowani na cel
Jak sama nazwa wskazuje, agenci zorientowani na cel to agenci zorientowani na wynik, co oznacza, że rozważają przyszłe działania, które przybliżą ich do celu ostatecznego. Agenci ci mogą prowadzić badania, planować operacje i rozważać różne sekwencje działań, które doprowadzą ich do pożądanego celu. Agenci zorientowani na cel opierają swoją pracę na uwzględnianiu przyszłych konsekwencji.
Na przykład, GPS planujący trasę musi wyszukiwać i uwzględniać wszystkie możliwe trasy do celu. Rozważa wszystkie możliwe ścieżki na podstawie odległości, czasu trwania, aktualnego natężenia ruchu itp. Na podstawie tych informacji, agent zorientowany na cel planuje i wybiera najlepszą trasę do wybranego celu. Ten typ agenta jest niezbędny w aplikacjach AI wymagających strategicznego planowania.
4. Agenci nastawieni na korzyści
Agenci zorientowani na użyteczność to rodzaj agentów zorientowanych na cel, ale nie są oni związani z konkretnym celem. Na przykład, agenci zorientowani na cel myślą wyłącznie w kategoriach osiągnięcia lub nieosiągnięcia celu – binarnie. Jednak agenci zorientowani na użyteczność biorą pod uwagę różne stany świata, oceniają różne wyniki w oparciu o złożone preferencje, a następnie wybierają działanie, które maksymalizuje ich „użyteczność”.
Ten typ agenta działa poprzez przypisanie punktacji liczbowej różnym sekwencjom działań i wybranie tylko tej akcji, która zapewnia najwyższą użyteczność. Agenci bazujący na użyteczności są projektowani w sytuacjach, w których wynik jest niepewny. Na przykład, celem systemu transakcyjnego opartego na sztucznej inteligencji może być maksymalizacja zysku, ale musi on również uwzględniać tolerancję ryzyka użytkownika i aktualne warunki rynkowe. Wymaga to starannej analizy potencjalnego ryzyka i korzyści.
Zasadniczo, agenci zorientowani na użyteczność biorą pod uwagę różne preferencje i oceniają rezultaty przed podjęciem decyzji. Ich celem nie jest samo osiągnięcie celu, ale zrównoważenie różnych czynników w celu znalezienia optymalnego sposobu działania. Oznacza to, że dążą do maksymalizacji „oczekiwanej użyteczności” w oparciu o kompleksową ocenę okoliczności.
5. Agenci uczący się: poprawa wydajności systemów AI
Agenci uczący się, z definicji, są w stanie poprawiać wydajność w czasie, ucząc się na podstawie wcześniejszych doświadczeń. Najważniejszą cechą agentów uczących się jest ich zdolność adaptacji do nieznanych środowisk i optymalizowania swoich działań w oparciu o informacje zwrotne. Agenci uczący się posiadają „krytyczny” komponent, który dostarcza informacji zwrotnej na temat skuteczności działania agenta, co jest kluczowe dla procesu uczenia się.
Aby to zilustrować, rozważmy, jak działają filtry spamu dla wiadomości e-mail. Filtry spamu początkowo mają podstawowy zestaw reguł; jednak w miarę jak wiadomości e-mail są identyfikowane jako spam, agent uczy się na podstawie przyznawanych ocen („krytyk”) i dostosowuje swoje zachowanie. Teraz, w przyszłości, te wiadomości e-mail będą automatycznie oznaczane jako spam i przenoszone do innego folderu. Proces ten opiera się na zaawansowanych algorytmach z dziedziny uczenia maszynowego.
6. Agenci piramidy
Agenci hierarchiczni to typ agentów, który dzieli złożone cele na podcele. Istnieje wiele złożonych zadań wymagających wieloetapowych procedur i rozwiązywania problemów. W takich przypadkach zadania są dzielone na mniejsze, łatwiejsze do opanowania podproblemy, które są następnie organizowane w hierarchię. Agenci niższego poziomu delegują te zadania, a agenci wyższego poziomu kontrolują strategię i ostateczny wynik.
Na przykład, gdy poprosisz robota AI o przygotowanie obiadu, agent wysokiego poziomu planuje i dzieli zadanie, takie jak przygotowanie makaronu i sosu. Zadania te są następnie dalej dzielone, na przykład poprzez włączenie kuchenki i dolanie wody do garnka. Teraz, w ten hierarchiczny sposób, zadanie jest wykonywane warstwa po warstwie. Takie podejście pozwala na sprawne i efektywne wykonywanie złożonych zadań, co jest kluczowe w zaawansowanych aplikacjach AI.
7. Systemy wieloagentowe
Wreszcie dochodzimy do systemów wieloagentowych (MAS), które łączą wielu niezależnych agentów w celu osiągnięcia wspólnego celu. Systemy te umożliwiają wielu agentom komunikację, interakcję, koordynację potencjalnych działań, negocjacje i współpracę. W takich systemach każdy agent działa niezależnie i ma własną zdolność podejmowania decyzji.
Jednak wszyscy agenci muszą przestrzegać wspólnego protokołu systemu wieloagentowego, aby uniknąć konfliktów i osiągnąć wspólny cel. Na przykład, w systemie łańcucha dostaw wielu agentów śledzi stan zapasów, inny agent przesyła raport zakupowy na podstawie wymagań dotyczących zapasów, agent logistyczny znajduje najlepszą trasę wysyłki itd. Systemy wieloagentowe stanowią skuteczne rozwiązanie złożonych problemów, które wymagają koordynacji i współpracy między niezależnymi podmiotami.
Obecni agenci AI wiodących firm technologicznych
Na rynku dostępnych jest już wiele typów agentów AI. Firmy takie jak OpenAI, Google, Microsoft, Anthropic, Salesforce i wiele innych tworzą agentów i frameworki AI, aby skutecznie wykorzystać potencjał kierowanej AI. Poniżej znajduje się lista agentów AI, których warto rozważyć, pamiętając, że narzędzia te są wciąż rozwijane i udoskonalane.
OpenAI
OpenAI jest pierwszą firmą, która uruchomiła Agent AI operatora Zorientowany na konsumenta. To agent, który wykorzystuje komputer do automatyzacji zadań w sieci. Operator może wchodzić w interakcje z przeglądarkami internetowymi i klikać, pisać i przesuwać palcem, aby wykonywać czynności. Można go używać do wypełniania formularzy, rezerwowania biletów lotniczych, zamawiania artykułów spożywczych i nie tylko. Jednak nie jest jeszcze w pełni autonomiczny. Konieczne będzie ręczne dokonywanie płatności i wpisywanie kodów CAPTCHA w razie potrzeby. Ten agent to ważny krok w kierunku rozwoju sztucznej inteligencji zdolnej do efektywnego wykonywania złożonych zadań.
Operator prawdopodobnie należy do kategorii agentów zorientowanych na cel i uczących się. Jest zorientowany na cel i uczy się poprzez interakcję ze stronami internetowymi. Dodatkowo, Agent głębokich badań OpenAI Wykonuje złożone, wieloetapowe zadania wyszukiwania i analizuje tekst, obrazy i pliki PDF, aby generować kompleksowy raport. To połączenie agenta zorientowanego na cel, agenta uczącego się i agenta hierarchicznego, który dzieli zadania na mniejsze podzadania. Te możliwości czynią go potężnym narzędziem dla badaczy i analityków.
Ponadto OpenAI twierdzi, że najnowsza wersja o3 i o4-mini To nie tylko modele sztucznej inteligencji (AI), ale systemy AI o charakterze agentów. Te nowe systemy AI zachowują się jak agenci i mogą współpracować z szeroką gamą narzędzi, takich jak wyszukiwarka internetowa, interpretery Pythona, analiza obrazu i Plus. Są to agenci bazujący na modelach i celach. Systemy te stanowią znaczący postęp w zakresie możliwości AI.
Wreszcie, najnowsze narzędzie OpenAI Codex CLI, które umożliwia programistom odczytywanie, edycję i uruchamianie kodu z poziomu terminala, to kolejny typ agenta AI. Potrafi on automatycznie naprawiać błędy, tworzyć nowe funkcje i modyfikować pliki. Ponownie, jest to agent zorientowany na cel, zbudowany z wykorzystaniem agenta uczącego się. To narzędzie znacznie zwiększa produktywność programistów.
Do tej pory Google uruchomiło jedynie Agent głębokiej sztucznej inteligencji do badań w Gemini, który działa podobnie do agenta OpenAI. Potrafi przeglądać sieć, mapować potrzebne informacje i kompilować je, aby tworzyć kompleksowe raporty na dowolny temat. Klasyfikuję tego agenta jako agenta zorientowanego na cel i uczenie się, co czyni go najnowocześniejszą sztuczną inteligencją.
Następnie Google zaprezentowało projekt Mariner, który jest wciąż w fazie rozwoju. Projekt ten działa podobnie do agenta Operator AI firmy OpenAI i umożliwia automatyzację zadań w przeglądarce Chrome. Potrafi analizować aktywny ekran i wykonywać działania na stronach internetowych. Google twierdzi, że agent jest testowany przez zaufanych testerów i zostanie udostępniony w najbliższej przyszłości.
Ponadto Google wprowadziło Protokół Agent2Agent (A2A) Nowe podejście pozwala wielu agentom AI komunikować się ze sobą. Nie jest to agent sam w sobie, ale raczej standard/framework, który umożliwi działanie systemów wieloagentowych (MAS).
Antropiczny
Podobnie jak OpenAI, Anthropic zaprezentował swojego agenta AI „Computer Use”, obecnie w fazie beta, który może współdziałać ze środowiskami komputerów stacjonarnych. Potrafi analizować ekran, klikać, pisać i wykonywać operacje na plikach. Może również wykonywać działania na poziomie systemu operacyjnego, nie tylko przeglądarek internetowych. Nie trzeba dodawać, że jest to agent uczący się, zorientowany na cel.
Dodatkowo, Anthropic niedawno wydał narzędzie badawcze z integracją Workspace w Claude. Łączy się ono z Gmailem, Kalendarzem i Dyskiem, a także z internetem, umożliwiając badania i analizy. Podobnie, Claude Code to narzędzie do kodowania oparte na agentach, działające w Terminalu. Rozumie bazę kodu i może modyfikować pliki, uruchamiać testy oraz współpracować z Gitem. Oba narzędzia są agentami zorientowanymi na cel.
Wreszcie, Anthropic opracował Model Context Protocol (MCP), otwarty standard łączenia modeli AI z zewnętrznymi źródłami danych, umożliwiający agentom AI niezawodne działanie w usługach bez API. Chociaż nie jest agentem, umożliwia komunikację między modelami AI, narzędziami, stronami internetowymi i innymi źródłami danych. Możesz dowiedzieć się, jak Konfigurowanie MCP w chmurze w systemach Windows i macOS.
Microsoft
W sektorze usług konsumenckich Microsoft ogłosił kilku nowych agentów AI dla swojego chatbota Copilot. Agent może Głębokie badania w Copilocie Przeprowadź wieloetapowe badania, aby tworzyć kompleksowe raporty na określone tematy. Ponadto, Działania drugiego pilota Rezerwacja biletów, dokonywanie rezerwacji i kupowanie produktów przez Internet. Działa to jednak tylko na stronach partnerskich.
Z myślą o firmach, Microsoft niedawno ogłosił wprowadzenie agenta Computer Use AI w Copilot Studio. Może on bezpośrednio współpracować ze stronami internetowymi i aplikacjami desktopowymi, wykonując działania, i nie korzysta ze specjalistycznych interfejsów API. Microsoft zaprezentował również agenta Security Copilot, który wspomaga obsługę alertów phishingowych, bezpieczeństwo danych i zarządzanie tożsamościami – kluczowe elementy cyberbezpieczeństwa przedsiębiorstw.
Firma Microsoft opracowała kilka agentów Copilot dla klientów korporacyjnych, a Ty możesz nawet stworzyć własnego agenta AI dla swojego przepływu pracy. Możesz zacząć korzystać z Copilot Studio i połączyć serwery MCP, interfejsy API i źródła zewnętrzne, aby automatyzować zadania, zwiększając produktywność i redukując potencjalne błędy.
Salesforce
Firma Salesforce, we współpracy z Microsoft, opracowała platformę Agentforce dla klientów korporacyjnych, która oferuje autonomicznych, konfigurowalnych agentów AI. Użytkownicy biznesowi mogą tworzyć, wdrażać i zarządzać wieloma agentami AI w Agentforce, aby generować leady, optymalizować sprzedaż, zarządzać marketingiem i nie tylko. Agentforce to wiodąca platforma do automatyzacji procesów biznesowych z wykorzystaniem AI.
Salesforce twierdzi, że w przeciwieństwie do Copilota firmy Microsoft, agenci Agentforce mogą wykonywać działania autonomicznie w oparciu o predefiniowane zdarzenia lub wyzwalacze. Agenci Agentforce mogą aktualizować rekordy w bazie danych, wysyłać e-maile, umawiać spotkania, rozwiązywać oczekujące sprawy i wiele więcej. Te możliwości czynią Agentforce potężnym narzędziem do automatyzacji zadań związanych z obsługą klienta i sprzedażą.
Oto typy agentów AI, które warto poznać i znaleźć wśród dostępnych obecnie na rynku agentów AI. W przyszłości agenci AI staną się nieodłącznym elementem doświadczenia internetowego, zarówno po stronie konsumentów, jak i przedsiębiorstw. Oczekuje się, że rynek agentów AI odnotuje znaczny wzrost w nadchodzących latach, napędzany rosnącym zapotrzebowaniem na automatyzację i poprawę wydajności.
Możliwość dodawania komentarzy nie jest dostępna.