AI Agent 的未来是事件驱动的

AI Agent 将通过自主问题解决、自适应工作流和可扩展性，彻底改变企业运营。但真正的挑战并不在于构建更好的模型。

Agent 需要访问数据、工具，并具备跨系统共享信息的能力，使其输出可供多个服务（包括其他 Agent）使用。这不是一个 AI 问题，而是基础设施和数据互操作性的问题。它不仅仅是简单地拼接指令链，而是需要一种基于数据流的事件驱动架构（Event-Driven Architecture，EDA）。

正如 HubSpot（是一家总部位于美国的集客营销、销售和客户服务软件产品开发商和营销商） CTO Dharmesh Shah 所说：“Agent 是新的应用程序。” 要实现这一潜力，必须从一开始就投资于正确的设计模式。

本文探讨了为什么 EDA 是扩展 Agent 并在现代企业系统中释放其全部潜力的关键。

要深入理解 EDA 为什么对 AI 的下一波发展至关重要，我们首先需要回顾 AI 发展至今的历程。

AI 经过了两个不同的发展阶段，并正步入第三阶段。前两次浪潮带来了新的可能性，但也存在关键的局限性。

第一波 AI：预测模型

第一波 AI 以传统机器学习为核心，专注于针对特定任务的预测能力。

构建这些模型需要深厚的专业知识，因为它们是针对特定的使用场景精心设计的。这些模型具有领域专属性，而这种专属性被嵌入到训练数据中，使得它们非常僵化，难以重新利用。如果想要将一个模型适配到新的领域，往往需要从头开始训练——这种方法缺乏可扩展性，并且大大降低了 AI 的推广速度。

第二波 AI：生成式模型

生成式 AI 由深度学习驱动，标志着 AI 发展的一个转折点。

与第一波 AI 受限于单一领域不同，生成式模型是在海量、多样化的数据集上进行训练的，因此具备了跨不同场景泛化的能力。它们可以生成文本、图像，甚至视频，为 AI 的应用开辟了全新的可能性。然而，这一波 AI 也带来了新的挑战。

生成式模型是“静态”的——它们无法动态地整合新的信息，也难以进行快速适配。虽然可以通过微调（fine-tuning）来满足特定领域的需求，但这种方式成本高昂且容易出错。微调需要庞大的数据集、强大的计算资源以及深厚的机器学习专业知识，这使得它在许多情况下难以实际应用。此外，由于 LLM（大语言模型）主要基于公开数据训练，它们无法直接访问专有的行业数据，因此在回答需要具体上下文的信息时往往显得力不从心。

例如，如果你要求一个生成式模型推荐一份符合用户个人健康状况、所在地区和财务目标的保险方案……

在这个场景中，你向 LLM 提供提示词，它随后生成一个回复。然而，由于模型无法访问相关的用户数据，因此它无法提供准确的推荐。缺少这些数据，模型的回答要么是泛泛而谈，要么完全错误。

复合 AI 弥合这一鸿沟

为了克服这些局限性，复合 AI（Compound AI）系统将生成式模型与编程逻辑、数据检索机制和验证层等组件集成在一起。这种模块化设计使 AI 能够灵活调用工具、获取相关数据，并根据具体情况定制输出——这正是静态模型所无法做到的。

以保险推荐为例：

1. 数据检索机制，从安全数据库中提取用户的健康和财务数据。

2. 这些数据被添加到 LLM 提示词的上下文中，以确保模型能够基于完整信息进行推理。

3. LLM：结合组装后的提示词生成精准的推荐结果。

这一过程被称为检索增强生成（RAG），它通过在模型的工作流中动态引入相关数据，弥合了静态 AI 与现实需求之间的鸿沟。

虽然 RAG 在处理这类任务时表现良好，但它依赖于固定的工作流，这意味着每一次交互和执行路径都必须预先定义。这种刚性限制了 RAG 在应对更加复杂或动态任务时的能力，因为这些任务的所有执行路径无法被穷尽式地编码。手动定义所有可能的执行路径不仅劳动密集型，而且最终会成为 AI 发展的瓶颈。

固定流程架构的局限性，催生了 AI 的第三波浪潮：Agentic 系统。

Agentic AI 的崛起

尽管 AI 取得了长足进步，但固定系统甚至 LLM 本身的局限性已逐渐显现。

据报道，Google 的 Gemini 在训练了更大规模的数据集后，仍未能达到内部预期。OpenAI 的下一代 Orion 模型也传出了类似的结果。

Salesforce CEO Marc Benioff 在《华尔街日报》的 Future of Everything 播客中表示，我们已经接近 LLM 能力的上限。他认为，未来属于自主 Agent——即能够自主思考、适应并独立行动的系统，而不是 GPT-4 这样的模型。

Agent 带来了全新的能力：动态、基于上下文的工作流。不同于固定流程，Agentic 系统能够即时决定下一步行动，根据当前环境自适应调整。这使得它们特别适用于当今企业面临的不可预测、相互关联的问题。

Agent 颠覆了传统的控制逻辑。

传统系统依赖刚性程序来规定每一个操作步骤，而 Agent 则利用 LLM 来驱动决策。它们可以推理、调用工具、访问记忆——且一切都能动态进行。

这种灵活性使得工作流能够实时演变，让 Agent 远比基于固定逻辑的系统更加强大。

AI Agent 的强大不仅来源于其核心能力，还取决于设计模式对其工作流和交互方式的结构化管理。这些模式使 Agent 能够解决复杂问题、适应变化的环境，并高效协作。

下面介绍几种常见的设计模式，它们能够提升 Agent 的智能性和执行能力。

反思（Reflection）：通过自我评估不断优化

反思能力使 Agent 能够在执行操作或生成最终回复之前评估自己的决策并改进输出。

这种机制让 Agent 能够发现并修正错误，优化推理过程，并确保更高质量的结果。

工具使用扩展 Agent 能力

与外部工具的接口扩展了 Agent 的功能，使其能够执行如数据检索、过程自动化或执行确定性工作流等任务。这对于要求严格精确性的操作尤为重要，例如数学计算或数据库查询，其中精度是不可妥协的。

工具的使用弥合了灵活决策与可预测、可靠执行之间的鸿沟。

规划将目标转化为行动

具备规划能力的 Agent 可以将高层次的目标分解为可执行的步骤，并以逻辑顺序组织任务。这个设计模式对于解决多步骤问题或管理具有依赖关系的工作流至关重要。

多智能体协作：模块化思维

多智能体系统通过将特定任务分配给专门的 Agent 来采取模块化的解决方案。这种方法具有灵活性：你可以使用较小的语言模型（SLM）为任务特定的 Agent 提高效率，并简化记忆管理。模块化设计通过将每个 Agent 的上下文集中在其特定任务上，从而减少了单个 Agent 的复杂性。

一种相关的技术是专家混合（Mixture-of-Experts，MoE），它在单一框架内使用专门的子模型或“专家”。像多智能体协作一样，MoE 动态地将任务分配给最相关的专家，优化计算资源并提高性能。这两种方法都强调模块化和专业化——无论是通过多个 Agent 独立工作，还是通过在统一模型中进行任务特定的路由。

正如传统系统设计中所做的那样，将问题拆分为模块化组件使其更容易维护、扩展和适应。通过协作，这些专业化的 Agent 可以共享信息、分担责任，并协调行动，以更高效地解决复杂挑战。

简而言之，Agent 不仅仅执行工作流；它们重新定义了我们对工作流的理解。它们是构建可扩展、适应性强的 AI 系统的下一步——突破了传统架构的限制以及当前 LLM 的局限性。

Agentic RAG：自适应和上下文感知的检索

Agentic RAG 通过使其更加动态和基于上下文驱动，从而发展了传统的 RAG。与依赖固定工作流不同，Agent 可以实时决定它们需要哪些数据、在哪里找到这些数据，并根据当前任务如何优化查询。这种灵活性使得 Agentic RAG 特别适用于处理需要响应能力和适应性的复杂多步骤工作流。

例如，一个创建营销策略的 Agent 可能首先从 CRM 中提取客户数据，使用 API 收集市场趋势，并在新信息出现时不断调整策略。通过通过记忆保留上下文并迭代查询，Agent 能够生成更准确、更相关的输出。Agentic RAG 将检索、推理和行动结合在一起。

扩展 Agent —— 无论是单个 Agent 还是协作系统 —— 取决于它们轻松访问和共享数据的能力。Agent 需要从多个来源收集信息，包括其他 Agent、工具和外部系统，以便做出决策并采取行动。

将 Agent 连接到它们所需的工具和数据，从根本上讲是一个分布式系统问题。这种复杂性与设计微服务时面临的挑战相似，因为在微服务中，各个组件必须高效地进行通信，而不产生瓶颈或僵化的依赖关系。

像微服务一样，Agent 必须高效通信，并确保其输出在更广泛的系统中具有实用性。就像任何服务一样，它们的输出不仅仅应该回流到 AI 应用程序中——它们还应该流入其他关键系统，如数据仓库、CRM、CDP 和客户成功平台。

当然，你可以通过 RPC 和 API 将 Agent 与工具连接起来，但这会导致系统的紧耦合。紧耦合使得扩展、适应或支持多个数据消费者变得更加困难。Agent 需要灵活性。它们的输出必须无缝地流入其他 Agent、服务和平台，而不将所有内容锁定在僵化的依赖关系中。

解决方案是什么？

通过事件驱动架构（EDA）实现松耦合。它是允许 Agent 共享信息、实时行动并与更广泛生态系统集成的支柱——无需紧耦合带来的头痛问题。

在早期，软件系统是单体的。一切都存在于一个单一、紧密集成的代码库中。尽管单体应用简单易构建，但随着系统的增长，它们变得极其复杂且难以维护。

扩展就像一把钝器：你必须扩展整个应用程序，即使只有其中的一部分需要扩展。这种低效导致了系统膨胀和脆弱架构，无法应对增长的需求。

微服务改变了这一局面。

通过将应用程序拆分成更小的、可独立部署的组件，团队可以扩展和更新特定部分，而不必触及整个系统。但这也带来了一个新问题：这些更小的服务如何高效通信？

如果我们通过直接的 RPC 或 API 调用来连接服务，就会产生大量的相互依赖关系。如果其中一个服务出现故障，它将影响整个连接路径上的所有节点。

EDA 解决了这个问题。

与紧耦合的同步通信不同，事件驱动架构（EDA）使得组件能够通过事件进行异步通信。服务之间不再互相等待——它们实时响应正在发生的事情。

这一方法使得系统更加具有弹性和适应性，能够处理现代工作流的复杂性。这不仅是一个技术突破；它还是在压力下系统生存的策略。

早期社交巨头的兴衰

早期社交网络如 Friendster 的兴衰强调了可扩展架构的重要性。Friendster 在早期吸引了大量用户，但他们的系统无法处理如此庞大的需求。性能问题使用户流失，平台最终失败。

相反，Facebook 的成功不仅因为其功能，还因为它投资了可扩展的基础设施。它没有在成功的重量下崩溃——反而挺立并最终主导了市场。

今天，我们也面临着一个类似的挑战——AI Agent 的兴起和发展。

与早期社交网络类似，代理将经历快速增长和广泛采用。构建代理本身并不足够，真正的问题在于你的架构是否能处理分布式数据、工具集成和多代理协作的复杂性。如果没有正确的基础，您的代理系统可能会像早期的社交媒体失败者一样崩溃。

未来是事件驱动的 Agent

AI 的未来不仅仅是构建更智能的 Agent——更重要的是创建能够随着技术进步而进化和扩展的系统。随着 AI 堆栈和基础模型的快速变化，僵化的设计很快就会成为创新的障碍。为了跟上技术发展的步伐，我们需要优先考虑灵活性、适应性和无缝集成的架构。事件驱动架构（EDA）是这一未来的基础，它使得 Agent 能够在动态环境中蓬勃发展，同时保持弹性和可扩展性。

Agent 作为具有信息依赖的微服务

Agent 类似于微服务：它们是自主的、解耦的，并能够独立处理任务。但代理更进一步。

虽然微服务通常处理离散的操作，但代理依赖于共享的、富有上下文的信息来进行推理、决策和协作。这就对管理依赖关系和确保实时数据流动提出了独特的要求。

例如，一个 Agent 可能从 CRM 中提取客户数据，分析实时分析数据，并使用外部工具——同时与其他 Agent 共享更新。这些交互需要一个系统，在该系统中，Agent 可以独立工作，但仍能流畅地交换关键信息。

EDA 通过充当“中央神经系统”来解决这一挑战。它允许 Agent 异步广播事件，确保信息动态流动而不会产生僵化的依赖关系。这种解耦让 Agent 能够自主操作，同时无缝集成到更广泛的工作流和系统中。

解耦同时保持上下文完整

构建灵活的系统并不意味着要牺牲上下文。传统的紧密耦合设计通常将工作流绑定到特定的管道或技术上，迫使团队在瓶颈和依赖关系之间进行调整。一部分堆栈的变化会波及整个系统，减缓创新和扩展的步伐。

EDA 消除了这些限制。通过解耦工作流并启用异步通信，EDA 允许堆栈的不同部分——Agent、数据源、工具和应用层——独立运作。

以今天的 AI 堆栈为例。MLOps 团队管理像 RAG 这样的工作流，数据科学家选择模型，应用开发人员构建界面和后端。紧密耦合的设计迫使这些团队相互依赖，减缓交付并使适应新工具和技术变得更加困难。

相比之下，事件驱动的系统确保工作流保持松散耦合，使每个团队能够独立创新。

应用层不需要了解 AI 的内部细节——它们只在需要时消费结果。这种解耦还确保了 AI 的洞察不会被孤立。代理的输出可以无缝集成到 CRM、CDP、分析工具等中，创建一个统一的、可适应的生态系统。

通过事件驱动架构扩展 Agent

EDA 是向 Agent 系统过渡的支柱。

它能够在解耦工作流的同时启用实时通信，确保代理能够在大规模下高效运作。如本文所讨论，像 Kafka 这样的平台展示了 EDA 在 Agent 驱动系统中的优势：

• 横向扩展性：Kafka 的分布式设计支持添加新的 Agent 或消费者而不产生瓶颈，确保系统轻松扩展。

• 低延迟：实时事件处理使 Agent 能够即时响应变化，确保快速和可靠的工作流。

• 松散耦合：通过 Kafka 主题进行通信，而不是直接依赖，使 Agent 保持独立且可扩展。

• 事件持久化：持久化消息存储确保在传输过程中不会丢失数据，这对高可靠性工作流至关重要。

数据流使得数据能够在整个业务中持续流动。

一个中央神经系统充当实时数据流的统一支柱，轻松连接不同的系统、应用程序和数据源，确保高效的 Agent 通信和决策制定。

这种架构与像 Anthropic 的 Model Context Protocol (MCP) 这样的框架自然契合。

MCP 提供了一个通用标准，用于将 AI 系统与外部工具、数据源和应用程序集成，确保安全且无缝地访问最新信息。通过简化这些连接，MCP 降低了开发工作量，同时启用了基于上下文的决策制定。

EDA 解决了许多 MCP 旨在解决的挑战。MCP 需要无缝访问多样的数据源、实时响应能力，并且能够扩展以支持复杂的多 Agent 工作流。通过解耦系统并启用异步通信，EDA 简化了集成，确保 Agent 能够在没有严格依赖关系的情况下消费和生成事件。

AI 领域正在迅速发展，架构必须与之同步演变。

企业也已经准备好。Forum Ventures 的一项调查显示，48% 的 IT 高级领导者已准备好将 AI Agent 集成到运营中，其中 33% 表示他们非常准备好。这表明市场对于能够扩展并处理复杂性的系统有明显需求。

EDA 是构建灵活、韧性强、可扩展的代理系统的关键。它解耦组件，启用实时工作流，并确保 Agent 能够无缝地集成到更广泛的生态系统中。

那些采用 EDA 的企业不仅能生存下来——他们将在这波 AI 创新浪潮中获得竞争优势。而其余的企业，则有可能被抛在后面，成为因无法扩展而遭遇失败的牺牲品。