在一个快速发展的技术的世界中，公司和开发人员一直在寻找更智能的解决方案，以提高生产力，自定义和无摩擦体验。新的AII系统从AI的流动是为了重塑如何工作以及如何组织和完成任务。固定的工作流以前是自动化核心的固定工作流，被代理代替，以实时学习，适应和改善工作，而无需进行任何互动或监督。该博客在人工智能模型之间的差异中逆转，并包括带有代码摘录的示例，并解释了重新定义代理系统并提高自动化水平的原因。

对客户的固定人工智能系统是什么？

在潜入细节之前，让我们解释这些术语的含义以及它们为何关心。

固定人工智能系统

这些类型的工作流程取决于固体和严格的序列。与一组可靠的串行相符，这些序列忘记了有关上下文或数值差异的所有内容：您可以提供数据或操作事件，并且系统执行一系列预计划的过程。经典示例包括基于规则的CHAATBOT，计划的电子邮件提醒和线性数据处理文本。

固定男性的主要特征：

• 固定逻辑： 没有给出的所有输入的偏差给出了预期的输出。
• 不要自定义： 所有用户的工作操作都是相同的。
• 没有学习： 失去的机会失去了机会，直到他们决定重新编程。
• 灵活性低： 如果您想要完美的工作流程，则必须重写代码。

人工智能因素系统

代理人主要是新的自治水平。它们的灵感来自智能代理（代理商）的灵感，他们可以选择选项，确定子目标，根据用户注释，上下文查看程序，并了解其进度。 AICANIC AI系统所做的不仅仅是任务；它促进了整个过程，并正在寻找增强结果或过程的方法。

人工智能剂的主要特征：

• 自适应逻辑： 重新计划并适应上下文的能力
• 专业化： 为每个用户和每种情况创造独特体验的能力
• 学习实验室： 自我纠正并合并评论以改进
• 非常灵活： 无需人工干预即可实现新的行为和改进的能力。

修复了Aigeric AI：基本差异

让我们在桌子上总结它们的差异，以便您可以了解AI AI代理的区别

动手：比较代码

为了显示工作差异，我们现在将通过构建任务提醒机器人来进行。

示例1：机器人提醒固定系统的任务

该机器人执行任务和一个截止日期，提醒它，此后不采取任何行动。用户对任何更新都承担全部责任；一旦错过了截止日期，机器人根本就无法帮助。

代码：

from datetime import datetime, timedelta

class AgenticBot:

    def __init__(self):

        self.reminders = {}

    def set_reminder(self, user_id, task, deadline):

        self.reminders[user_id] = {

            'task': task,

            'deadline': deadline,

            'status': 'pending'

        }

        return f"Agentic reminder: '{task}', deadline is {deadline}."

    def update_status(self, user_id, status):

        if user_id in self.reminders:

            self.reminders[user_id]['status'] = status

            if status == 'missed':

                self.suggest_reschedule(user_id)

    def suggest_reschedule(self, user_id):

        task = self.reminders[user_id]['task']

        deadline_str = self.reminders[user_id]['deadline']

        try:

            # For demo, pretend "Friday" is 3 days later

            deadline_date = datetime.now() + timedelta(days=3)

            new_deadline = deadline_date.strftime("%A")

        except Exception:

            new_deadline = "Next Monday"

        print(f"Task '{task}' was missed. Suggested new deadline: {new_deadline}")

    def proactive_check(self, user_id):

        if user_id in self.reminders:

            status = self.reminders[user_id]['status']

            if status == 'pending':

                print(f"Proactive check: '{self.reminders[user_id]['task']}' still needs attention by {self.reminders[user_id]['deadline']}.")

# Usage

if __name__ == "__main__":

    bot = AgenticBot()

    print(bot.set_reminder("user1", "Finish report", "Friday"))

    # Simulate a missed deadline

    bot.update_status("user1", "missed")

    # Proactive check before deadline

    bot.proactive_check("user1")

导演：

审查：

• 文本程序仅发送确认该过程已完成。
• 如果遗漏截止日期，则没有遵循的任务将其放置在适当的位置之后。
• 如果截止日期更改或更改任务，则用户必须手动处理信息。

示例2：机器人提醒任务任务

这个机器人更聪明。它跟踪进度，主动注册访问权限，并建议如果时间表流浪，则建议解决方案。

代码：

from datetime import datetime, timedelta

class TrulyAgenticBot:

    def __init__(self):

        self.tasks = {}  # user_id -> task info

    def decompose_goal(self, goal):

        """

        Simulated reasoning that decomposes a goal into subtasks.

        This mimics the thinking/planning of an agentic AI.

        """

        print(f"Decomposing goal: '{goal}' into subtasks.")

        if "report" in goal.lower():

            return [

                "Research topic",

                "Outline report",

                "Write draft",

                "Review draft",

                "Finalize and submit"

            ]

        else:

            return ["Step 1", "Step 2", "Step 3"]

    def set_goal(self, user_id, goal, deadline_days):

        subtasks = self.decompose_goal(goal)

        deadline_date = datetime.now() + timedelta(days=deadline_days)

        self.tasks[user_id] = {

            "goal": goal,

            "subtasks": subtasks,

            "completed": [],

            "deadline": deadline_date,

            "status": "pending"

        }

        print(f"Goal set for user '{user_id}': '{goal}' with {len(subtasks)} subtasks, deadline {deadline_date.strftime('%Y-%m-%d')}")

    def complete_subtask(self, user_id, subtask):

        if user_id not in self.tasks:

            print(f"No active tasks for user '{user_id}'.")

            return

        task_info = self.tasks[user_id]

        if subtask in task_info["subtasks"]:

            task_info["subtasks"].remove(subtask)

            task_info["completed"].append(subtask)

            print(f"Subtask '{subtask}' completed.")

            self.reflect_and_adapt(user_id)

        else:

            print(f"Subtask '{subtask}' not in pending subtasks.")

    def reflect_and_adapt(self, user_id):

        """

        Agentic self-reflection: check subtasks and adjust plans.

        For example, add an extra review if the draft is completed.

        """

        task = self.tasks[user_id]

        if len(task["subtasks"]) == 0:

            task["status"] = "completed"

            print(f"Goal '{task['goal']}' completed successfully.")

        else:

            # Example adaptation: if draft done but no review, add "Extra review" subtask

            if "Write draft" in task["completed"] and "Review draft" not in task["subtasks"] + task["completed"]:

                print("Reflecting: adding 'Extra review' subtask for better quality.")

                task["subtasks"].append("Extra review")

            print(f"{len(task['subtasks'])} subtasks remain for goal '{task['goal']}'.")

    def proactive_reminder(self, user_id):

        if user_id not in self.tasks:

            print("No tasks found.")

            return

        task = self.tasks[user_id]

        if task["status"] == "completed":

            print(f"User '{user_id}' task is complete, no reminders needed.")

            return

        days_left = (task["deadline"] - datetime.now()).days

        print(f"Reminder for user '{user_id}': {days_left} day(s) left to complete the goal '{task['goal']}'")

        print(f"Pending subtasks: {task['subtasks']}")

        if days_left <= 1:

            print("⚠️ Urgent: Deadline approaching!")

    def suggest_reschedule(self, user_id, extra_days=3):

        """

        Automatically suggests rescheduling if the task is overdue or needs more time.

        """

        task = self.tasks.get(user_id)

        if not task:

            print("No task found to reschedule.")

            return

        new_deadline = task["deadline"] + timedelta(days=extra_days)

        print(f"Suggesting new deadline for '{task['goal']}': {new_deadline.strftime('%Y-%m-%d')}")

        task["deadline"] = new_deadline

# Demo usage to compare in your blog:

if __name__ == "__main__":

    agentic_bot = TrulyAgenticBot()

    # Step 1: Set user goal with deadline in 5 days

    agentic_bot.set_goal("user1", "Finish quarterly report", 5)

    # Step 2: Complete subtasks iteratively

    agentic_bot.complete_subtask("user1", "Research topic")

    agentic_bot.complete_subtask("user1", "Outline report")

    # Step 3: Proactive reminder before deadline

    agentic_bot.proactive_reminder("user1")

    # Step 4: Complete more subtasks

    agentic_bot.complete_subtask("user1", "Write draft")

    # Step 5: Reflect adds an extra review subtask

    agentic_bot.complete_subtask("user1", "Review draft")

    # Step 6: Complete added subtask

    agentic_bot.complete_subtask("user1", "Extra review")

    agentic_bot.complete_subtask("user1", "Finalize and submit")

    # Step 7: Final proactive reminder (task should be completed)

    agentic_bot.proactive_reminder("user1")

    # Bonus: Suggest rescheduling if user needed extra time

    agentic_bot.suggest_reschedule("user1", extra_days=2)

导演：

审查：

该文本程序显示了使系统代理的原因。与固定的机器人不同，它只会提醒。它将目标分解为较小的切口，在条件发生变化时会适应并主动相信用户。机器人反映在进行中（在需要时添加其他审核步骤），跟踪子任务，直到它建议重新安排最终日期，而不是等待人类输入。

它阐明了自主性，上下文的意识以及适应代理系统独特特征的能力。即使没有LLM集成，该设计也显示了工作流量流如何在实际时间发展，从过去的步骤中恢复并设置自己以提高结果

因此，即使LLM容量不可用，该系统也可以阐明AI代理的基本原理，如果他可以显示所有这些功能。

• 灵活任务： 子任务中的复杂目标崩溃了，使用更独立的计划方法而不是预装程序。
• 监视活动状态： 完整和不完整的任务跟踪以及时提供感知到的上下文更新。
• 自我思考和改变的能力： 通过在必要时添加子任务来修改工作流程，这表明所学能力。
• 高级提醒/重新安排： 他发送了一个提醒（意识到紧迫程度），并建议在必要时自动更改最终日期。
• 一般和独立： 它可以独立地适应实际时间而无需手动更改的能力。
• 教育意义，但在现实世界中： 它显示了人工智能的原则，即使没有与其他形式的LLM集成。

工作流程中的工作流程不好的原因是什么？

随着对灵活性，自动化和分配的工作要求的发展，我们无法再与持续的工作流程一起工作：

• 效率低下： 它要求某人干预直到他们改变。
• 它会遭受人为错误： 每次更改或某人进行更改。
• 没有意识/学习： 随着时间的流逝，系统不能变得“更聪明”。

AI代理系统可以是：

• 从用户操作中学习： 他们可以解决失败和上下文转换，或在工作流程期间重新计划其行动。
• 提供积极主动的经验： 减少拥挤的业务并增加用户体验。
• 提供加速的生产率 通过降低工作流程的复杂性与最低监督。

在哪里可以应用代理方法？

由于适应，自定义和持续改进的能力可获得更好的结果，因此工作流量流都在各处有用。

• 客户服务： 确定何时/如何解决问题的代理商，并且只需要在必要时升级为人类。
• 项目管理： 会根据优先级变化重新安排和更改评估的因素。
• 销售自动化： 根据客户的观察和行为，将遵循并改变意识策略的代理商。
• 健康跟踪： 将根据患者的进度更改通知或建议的代理商。

结论

从固定人工智能到AI机构的转变为自动化可以做什么开辟了新的章节。随着独立工作的进展，对持续监督的需求已被消除，从而使工作进步可以根据个人需求和不断变化的条件在工作框架内工作。在代理商的支持下，机构和开发人员可以使他们的组织在将来更加出色，并为用户提供更好的体验，从而为过去固定工作的工作提供了旧的模型。

相关问题