文章來源：AI工程化

圖片來源：由無界AI生成

很多AI領域大佬，如吳恩達，Karpathy都表示看好Agent，將其作為未來最有潛力的方向。有關這樣的文章也都很容易引起讀者的關注，比如：

吳恩達站台暢聊Agent Workflow 以及 4 種主流設計模式，LLM應用開發的新熱點

利用Coze 實現吳恩達的4種 AI Agent 設計模式

筆者曾經在之前文章提到過“RAG的盡頭是Agent，AI的盡頭是替代人”。這裏的核心推理邏輯是什麼？今天不從技術面，如其內在技術聯繫及演進趨勢角度探討其必然性，感興趣可查看筆者文章：

一文探秘LLM應用開發(24)-Prompt(架構模式Agent)

我想從需求滿足的角度來聊一聊：

我們首先以“用戶去某地旅遊”為需求來解釋LLM、RAG、Agent三者的能力邊界以及需求滿足度。

LLM：能夠生成“無法考證可能正確”以及“不一定及時”的相關行程攻略，景點等信息。

RAG：能夠檢索一些時效性高、內容可靠的信息源的內容，並生成相關的行程信息。

Agent：能夠基於用戶的需求目標完成，通過使用各種工具和系統交互完成攻略制定，訂票，制定行程日曆等過程任務。

從上面的例子可以得到以下一些直觀的認識：

1）LLM和RAG本質上還是面向的內容生成，是在知識和信息層面做工作。其中RAG是對LLM能力的增強或者是階段性的改良。這和我們在抖音或者小紅書上看到了內容攻略沒有本質區別，其核心差異在於內容製造的效率和質量。

2）Agent是面向目標任務而生，能夠完成端到端的需求滿足。通過自己的任務規劃，拆解，迭代，它不僅完成了內容的生成，還能利用工具使用完成一系列原本需要用戶自己完成的任務，最終達成目標。比如看完攻略再去攜程等APP上完成訂票。

在當下移動互聯網/AI1.0時代，我們利用內容自媒體平台和推薦技術完成了內容的生成和內容分發，但是當人在獲取到信息或者知識后，仍然需要人去完成具體任務（哪怕是AI生成內容本身），這某種程度上是對用戶真實需求的“閹割”，並沒有完整的滿足。另一方面，由於人類本身的局限性，也只能滿足一定程度的頭部需求滿足，比如美團外賣，通過AI+人的方式滿足人類能夠在家吃到飯的需求，但更多長尾的個性化需求難以滿足，其核心原因在於這會帶來天量的開發和運營成本，難以完成商業閉環。對於這其中技術原因可讀：一文探秘LLM應用開發(27)-編排與集成（大模型時代應用特點及編排與集成框架概論-1）

@Aniket Hingane

從這個角度講，當前很多時候人類便是這裏的“Agent”，不論是平台經濟上的外賣騎手還是滴滴司機，亦或是職場里格子間的完成某項任務的打工人，他們完成的工作核心價值是在一個SOP下，完成指定的任務。而隨着Agent能力的不斷提高，現有的平衡格局將被打破，大家不得不面對人與人的競爭，還會面對人與機器競爭的尷尬窘境。

前面可能是一些可能的擔憂，但在這裏也同時孕育從有關需求的內容信息滿足到完整的需求目標滿足需求邁進過程中的巨大機會。

想象一下，未來人類任何一個需求都能夠有一個地方，那裡充滿了各種各樣能夠完全滿足需求的Agent，它們替我們個性化服務，就像我們都能看到自己需要的個性化內容一樣，那將會是多少倍的抖音小紅書呢？又會出現哪些形式的滴滴美團呢？而它將對現有的商業模式及社會生活帶來何種改變？普通人又將如何自處？‌