原文：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/beyond-prompts-how-agentic-ai-is-redefining-human-ai-collaboration/4445774?WT.mc_id=AI-MVP-5003172（原文标注日期：2025-08-20）

这篇来自 Microsoft Foundry Blog 的文章聚焦一个正在快速成型的趋势：从“写好提示词、等模型回答”的交互方式，转向“能够思考、规划、调用工具、并在反馈中调整”的 Agentic AI（智能体式 AI）。文章将其视为从被动助手到主动协作者的跃迁，并用一个学习助理的例子拆解了智能体系统的关键组成。

从“反应式”到“主动式”

传统的 AI 使用方式高度依赖 prompt：用户提问，模型给出一次性回答。这类系统往往是反应式的——更擅长单轮任务，缺少跨步骤的规划能力，也缺少在动态环境里自我调整的机制。

在需要多步推理、记忆与一定自主性的场景里（例如研究、复杂任务编排、个性化长期辅导等），这种模式很容易成为瓶颈。

文章提出，Agentic AI 的核心在于“循环式的工作流”，通常包含三类动作：

  1. 思考（Think）：分析输入、对任务进行推理、形成行动计划。
  2. 行动（Act）：选择并执行工具（函数、插件、外部系统等）来推进任务。
  3. 学习/调整（Learn）：根据结果或反馈（可选地）更新策略，持续改进。

与静态工作流相比，智能体系统往往更强调：

  • 自主决策：在目标与上下文约束下自行选择下一步动作
  • 环境适配：面对变化能调整策略
  • 协作能力：与人或其他智能体分工协作

文章把这种变化概括为：AI 从“被动回答问题的助手”，逐步成为“能推进结果的协作者”。

什么是 Agentic AI？

文章给出的定义是：Agentic AI 指那些不止生成静态文本响应的 AI 系统——它们能够在一定程度上推理、规划、行动并自适应。这些系统运行在更动态的环境中，围绕目标做决策，并通过调用工具去完成任务，尽量减少人类在每一步的介入。

文中也提到，构建 Agentic AI 的框架生态正在丰富，例如 LangChain、Semantic Kernel、AutoGen、Crew AI、MetaGPT 等；底层模型选择也更灵活，可能是 Azure OpenAI、Anthropic Claude、Google Gemini、Mistral AI、Hugging Face Transformers 等。

Agentic AI 的关键特征

文章将智能体式系统的能力拆解为四类特征：

  1. 自主性（Autonomy）：能基于上下文与目标自行决定采取哪些动作。
  2. 记忆（Memory）：能保留长期与短期上下文，从而实现跨会话的个性化与连贯性。
  3. 规划（Planning）：以函数调用（function calling）为代表的工具调用机制，让系统能够把复杂任务拆成多步，并在每一步获取结果后迭代调整策略（文章以 Semantic Kernel 的智能体为例来说明这类多步规划/执行）。
  4. 适应性（Adaptability）：能根据用户输入、环境变化或反馈动态改变行为，适用于任务管理、学习助手、研究 Copilot 等更“现实世界”的应用。

支撑 Agentic AI 的框架与平台

文章列举了几类“让智能体落地”的工具/平台，并给出了官方参考链接：

为什么重要：从“计算器”到“聪明队友”

文章用一个直观类比说明两类系统的差异：

  • 传统生成式 AI 更像计算器：输入问题，输出答案；偏单次、反应式、上下文有限。
  • Agentic AI 更像聪明队友：理解目标、规划多步动作、记住历史互动，并能随着需求变化调整做法。

对应到特性对比，文章给出了一个表格：

特性 生成式 AI Agentic AI
交互方式 一次性响应（one-shot） 多轮、目标驱动
上下文感知 有限 持久记忆
任务执行 静态 动态且更自主
适应性 低 高（可基于反馈/输入调整）

工作方式示例：面向学生的“智能学习助理”

为了更具体地解释“智能体到底怎么工作”，文章构造了一个学生 Alice 备考期末考试的场景：Alice 使用一个由 Agentic AI 驱动的 Smart Study Assistant（智能学习助理）。文章把系统拆成四个模块来讲清楚其运行逻辑。

技能 / 函数（Skills / Functions）

这类“技能”可以理解为智能体可调用的动作单元（callable units of logic），例如：

  • 总结课堂笔记
  • 生成测验题
  • 搜索学术论文
  • 安排学习日程

文章强调，这些能力像“即插即用”的插件：智能体会在合适时机选择调用。

记忆（Memory）

为了个性化，助理会记住 Alice 的信息，例如：

  • 过去测验的分数
  • 她薄弱的知识点
  • 偏好的学习时间段

这样做的目的，是让推荐更贴近个人，同时避免重复她已经掌握的内容。

规划器（Planner）

智能体不会试图“一次性做完所有事”，而是把目标拆解为步骤，并在每个阶段选择合适的技能/函数：

  • 将“备考”拆成多个阶段
  • 生成按周推进的学习计划
  • 决定每个阶段该调用哪些能力

文章把它比作“能制定个性化路线图的家教”。

编排器（Orchestrator）

编排器是负责协调的“大脑”：它决定何时读写记忆、何时调用哪个函数，并在 Alice 错过学习安排、或测验成绩不理想时调整计划。

结语

文章的结论是：Agentic AI 正在把智能系统的角色从“被动助手”推向“主动协作者”。当交互模式不再局限于提示词，系统就能在自治性、适应性与人机协同上打开更多可能。

对开发者、教育者或业务策略制定者而言，理解智能体框架与相关平台不再是可选项，而更像是一项基础能力。

官方资源：用 Microsoft 资源入门 Agentic AI

文章给出了一组“只用官方 Microsoft 资源”的入门路径（并附上链接）：

  1. 理解智能体概念与用例：https://learn.microsoft.com/en-us/training/modules/ai-agent-fundamentals/?WT.mc_id=AI-MVP-5003172
  2. 配置 Azure 环境，并了解 Azure AI Foundry Agent Service 的 Quickstart：https://learn.microsoft.com/en-us/azure/ai-foundry/agents/quickstart?WT.mc_id=AI-MVP-5003172
  3. 在 Azure AI Foundry 中创建第一个智能体（同 Quickstart）：https://learn.microsoft.com/en-us/azure/ai-foundry/agents/quickstart?WT.mc_id=AI-MVP-5003172
  4. 用 Semantic Kernel 或 Foundry 构建一个 .NET 的 agentic Web 应用（教程）：https://learn.microsoft.com/en-us/azure/app-service/tutorial-ai-agent-web-app-semantic-kernel-foundry-dotnet?WT.mc_id=AI-MVP-5003172
  5. 部署并测试智能体应用（同教程）：https://learn.microsoft.com/en-us/azure/app-service/tutorial-ai-agent-web-app-semantic-kernel-foundry-dotnet?WT.mc_id=AI-MVP-5003172

进一步学习：

关于作者（原文信息整理）

原文作者为 Juliet Rajan（Lead Technical Trainer），长期从事 AI 教育相关工作，关注以 Azure AI Foundry 与 Semantic Kernel 为代表的平台之上，如何构建更具自主性的人机协作智能体。