从自动化到认知: Agentic AI 的演进

数十年来，企业自动化遵循一种熟悉的逻辑:定义流程、编码步骤，并让软件始终如一地执行它们。脚本实现了命令的自动化，运行手册记录了操作流程，编排将跨系统的任务连接起来，AIOps 将机器学习引入日益增长的运营数据。每一次进步都让自动化更加强大，但决策仍主要由人完成。他们确定流程，软件负责执行。

Agentic AI 改变了这种关系。代理不再从一套固定指令开始，而是可以从目标出发，探索在定义的边界内如何实现。它不仅仅是生成答案，还需要解释目标、汇集相关上下文、评估证据、利用记忆、在工具或自动化之间进行选择，并随条件变化进行调整。 Anthropic 对此作出类似区分：工作流中模型和工具遵循预定义的代码路径，而在代理中，模型可以动态地指挥自身的流程和工具使用。

从确定性执行到自适应决策

这些并不会使传统自动化变得过时。事实上，当从已知条件到动作的路径清晰可辨时，确定性自动化仍是最佳方案。如果服务未通过健康检查，就重启它；如果请求满足特定条件，就将其路由到相应的队列；如果接口超过阈值，就打开工单并进行诊断。这正是自动化擅长处理的可重复操作。

AIOps 通过帮助组织在自动化触发前解释发生的情况来扩展了该模型:关联事件、识别异常、降低噪声并添加上下文。Agentic AI 更进一步，在信号与动作之间加入判断。问题不再仅仅是“此条件触发哪个工作流？”而是变为“基于当前目标和已有证据，下一步最佳行动是什么？”

设想一个性能下降的服务。代理在决定如何处理之前，可能需要检查遥测数据、拓扑结构、最近的变更、工单、配置数据、历史事件以及业务影响。在某些情况下，证据可能指向熟悉的修复方案；而在另一些情况下，代理可能需要收集更多信息或运行只读诊断。当潜在影响较大或证据不确定时，正确的决定可能是引入人工。这种根据系统发现而自适应路径的能力正是关键的转变。

上下文与记忆改变决策的质量

缺乏上下文的代理并不太有用。同一症状在不同的拓扑结构、维护活动、最近变更、依赖关系或客户影响下可能意味着完全不同的事。经验丰富的运维人员本能地理解这一点；他们很少仅凭单一信号做出关键决策。他们会构建整体图景，区分观察与推断，并判断证据应获得多少信任度。

记忆提供了另一维度。Google Cloud 将记忆视为代理架构的核心组成，因为它帮助代理保持上下文并利用先前交互的信息。在运维中，这一机会远超简单检索旧工单。有效的运营记忆可以保留相似条件出现时的情况、哪种假设被证实、尝试了何种修复、是否成功或被回滚，以及运维人员随后学到的经验。当这些经验得到验证后，它们可以成为下一次决策的证据，而不是消失在事后分析或仅存于专家脑中的知识。

认知科学中存在有趣的类比。关于认知卸载的研究探讨人们如何利用外部工具和行为来降低任务的认知负荷，而关于工具使用的研究表明，反复与工具交互会改变人们对自身实际能力和可达范围的表征。将其类比到企业 AI 时不应字面理解，但其核心思想仍有价值:工具不仅仅是节省时间。随着时间推移，它们可以改变我们解决问题的方式。众所周知的关于伦敦出租车司机的研究以及导航专长再次提醒，持续的经验能够塑造认知本身。对企业而言，设计问题因此不只是代理能承担多少工作，而是人‑代理系统是否能够更好地理解并应对复杂性。

代理应编排自动化，而非取代它

这也是我不把 agentic AI 视为对自动化的否定的原因。早年职业生涯中，我花了多年时间构建运维自动化，其中一条教训至今仍在我心中:仅有执行并不足够。自动化必须赢得信任。运维人员需要确信在正确的情境下使用了正确的动作，具备适当的权限并拥有足够的证据来解释原因。

实用的 agentic 架构基于此投入进行构建。现有的脚本、工作流、API、编排平台以及特定领域工具都可以成为代理在适当时调用的能力。如果证据支持已知的修复方案，代理可以使用已验证的自动化，而不是即兴创造新动作。若证据不完整，代理可以进一步调查。其价值在于将可靠的执行与更具自适应性的决策相结合，决定何时以及如何进行执行。

更高的自主性使治理更为重要

一旦软件能够在多种动作之间进行选择，治理就不能再是事后添加的内容。企业代理需要了解的不仅是其技术上能做什么，更要明白在特定环境、特定风险水平以及特定身份或角色下，它被授权做什么。NIST 的 AI 风险管理框架体现了这种更广阔的治理视角，将 AI 风险管理围绕治理、映射、衡量和管理四个环节组织，并在其他功能之间贯通治理。

在实践中，这意味着代理应能够展示推荐背后的证据，明确其使用了哪些系统和数据，揭示不确定性，遵守审批要求，并留下事件的审计轨迹。可逆性同样重要。只读诊断与生产环境的配置变更不应拥有相同的自主阈值。

因此，人类监督变得更为精准，而不是简单地消失。相同的代理可以自主收集证据、提出修复建议、在高风险操作前请求批准，然后验证批准的操作是否真正生效。目标并非将人类统一地“纳入”或“排除”循环，而是把人类判断置于最能增值的环节。

真正的优势在于行动之后的表现

也许最关键的差异体现在行动之后。传统自动化通常只询问工作流是否成功执行。而认知系统应提出更严苛的问题:该行动是否产生了预期结果，我们应从中学到什么？

这改变了反馈回路的价值。一次成功的修复可以强化对未来类似情形的证据；一次失败的假设应让系统降低重复相同推理的可能性。运维人员的纠正可以提升下一次的推荐，而回滚可能揭示信心超出了可用证据的合理范围。随着时间推移，重要的资产并非仅是更大的自动化库，而是情境、证据、决策、行动与结果之间累积的关联。

从这个角度看，企业自动化的演进并非单纯用新一代技术取代旧技术，而是围绕已有有效手段添加新能力。脚本对动作进行编码，运行手册记录流程，编排将其连接，AIOps 帮助解释日益复杂的运营信号。Agentic AI 则增添了追求目标、跨上下文与证据推理、利用记忆、在可用能力中选择、在受治理的边界内行动并从结果中学习的能力。

终点不应是无限制的自主性，而应是负责任的自主性:系统能够识别何时行动、何时调查、何时请求许可以及何时停止。这标志着从自动化到认知的转变——不是机器取代人类运作，而是企业打造一种更佳的感知、决策、行动和学习方式。