本文构建了一个多维度的agentic人工智能系统类型学框架,涵盖知识范围、感知、推理、交互、自我提升、规范对齐等8个维度,定义了从非agentic到高级智能的连续等级体系。通过多阶段方法结合文献综述和人机混合评估,框架不仅支持对现有AI系统的分类和比较,还能预期未来agentic AI的发展,辅以实际系统分类示例验证其实用性和拓展性
| 维度 | 说明 | 级别示例 |
|---|---|---|
| Knowledge Scope | AI对信息域及广度的访问 | 狭义(训练知识)→探索性(开放学习) |
| Perception | 输入感知能力(单模态、多模态等) | 无 → 直觉融合 |
| Reasoning | 推理及任务规划能力 | 一步 → 反思 → 理论心智 |
| Interactivity | 与环境互动程度 | 被动 → 工具使用 → 动态 |
| Operation | 运行方式(按需、周期、连续等) | 按需 → 自组织 |
| Contextualization | 上下文集成与记忆 | 无状态 → 整体感知 |
| Self-improvement | 学习与自适应能力 | 静态 → 演化 |
| Normative Alignment | 规范对齐(伦理、安全) | 无感知 → 价值对齐 |
报告标题:《Exploring Agentic Artificial Intelligence Systems: Towards a Typological Framework》
作者:Christopher Wissuchek(Leipzig University)与 Patrick Zschech(TU Dresden)
发布日期:2025年初(根据报告中引用的2025年案例推断)
主题:该研究聚焦于“具有代理性的人工智能系统(Agentic AI)”,提出并构建了一个理论性“类型学框架”,旨在对不同层次和类别的代理性AI进行系统分类和比较。
核心论点与目标:
随着AI技术演变,从传统的被动工具进化为能够自主推理、适应和行动的“自治代理”,现有研究缺乏能够系统刻画和比较这些AI系统代理性的框架。本文围绕核心四个“代理性条件”(交互性/互动性、自治性、适应性、规范性)构建了一个包含八维度、带有序等级进阶的类型学体系。采用多阶段方法论,结合文献综述、理想类型构建、实证校验和简化归纳,明确描绘了代理性AI的能力轮廓。文章目的在于使研究与实践者能够更准确地评估现有AI系统代理性,指导未来发展方向,防范潜在风险。该框架融合理论与实际样本,定义了从非代理到高度代理的多层次体系,使AI代理性的理解更加结构化和系统化。,1]
文中详细阐述了AI作为“认知功能”工具的演进历程——从最初执行规则化、结构化任务的分析工具,逐渐过渡到依托大型模型(如LLMs)具有生成、复杂推理及动态适应能力的系统。此进步拓宽了AI应用领域,尤其是知识密集和高度适应性任务,同时引发对人机关系中“代理权转移”的深入思考。例如,GitHub Copilot可以自主监控编码环境并生成代码,而非简单被动响应命令。代理性AI不是一个二元分类,而是表现为多维度连续体,涵盖了人类参与度、行动范围、目标复杂性等方面。该趋势突显出产业界推进代理性AI的商业潜力及投资热情,比如OpenAI的5千亿美元“Stargate计划”,但伴随的理解和部署挑战也在增加,亟需系统化分类框架以避免误用和规划失误。,1]
代理性意指实体独立行动、决策与目标追求的能力。区分“代理人”(展现代理性实体)与“代理性”本身的强度或品质(非二元,称为“agenticness”)。文献中“代理者”多指智能行为系统,含义含糊且常形象化,多关注行为表现而非是否具有真实心智或意图。本文采用工具主义立场,不依赖心智表征,强调功能性代理性,符合Floridi和Sanders(2004)的三特征(交互性、自主性、适应性)及Barandiaran等(2009)的最小代理条件(个体性、交互不对称、规范性)。综合两者,作者将代理条件定义为:交互性、自治性、适应性和规范性四要素,为本文理论基石。
介绍当前主流AI范式下的代理性表现:
总结认为,虽无内在“心智意向”,但AI系统已经能够在功能层面表现出代理性特征,展现出逐渐增强的自主决策与适应能力,且趋势明显。
文章采用Bailey(1994)提出的类型学理论构建方法,围绕理论上的“代理性条件”作为基础,分六个阶段系统推进。关键构建质量标准包括:直观易懂、互斥完备、一致有效、概念优雅和理论解释力。具体阶段如下:
最终框架包含八维:
每维均被划分为四档,体现代理性的渐进发展。融合了对记忆、规划、自我反思、目标管理、社交互动等多重能力的深入观察。官方文档列出了各档的具体定义及技术表现形式,反映了当前AI及未来AGI概念的综合考虑。
作者选取四类代表性AI系统应用框架进行分类——Deep Research、Copilot Agents、Copilot Chat和Operator,分别归入“研究代理人”、“任务代理人”、“简单代理人”与“复杂代理人”四个构造类型。
通过二维“认知代理—环境代理”框架示意(见图1),清晰区分了不同类型的AI系统在能力谱系上的位置及核心应用场景,展现出类型学在实际中的清晰导向意义和决策辅助潜力。–12]
该表清晰罗列了类型学构建的理论基础、目的、质量标准,以及分阶段设计与具体内容,体现出作者严谨的系统设计思路,保障理论构建的科学性和前瞻性。
涵盖了12篇核心文献针对代理性AI系统特征的覆盖情况。通过符号标记展现不同论文如何涉及代理性维度及特征,辅助确认关键特征的普适性和必要性,为理想类型的提炼提供科学依据。
列出了理想型代理性AI的十个维度和对应特征,例如动态知识整合、多模态感知、多步推理与自我反思、自治行动空间等。该表体现了全文理论的“极致理想型”框架,启示后续版本的层级划分。
设计了数据搜集、映射、反馈、建议及三轮反思的循环结构,确保输入针对性、输出科学性及分类质量的不断完善,体现智能辅助与人工监督结合的创新方法。
展现了八个维度、每维四个层级的详细定义,如“知识范围”从“狭窄”到“探索性”,各维度通过序数变量清楚区分AI代理性的深浅,同时将“规范协调”作为伦理维度独立体现,为实际应用执行清晰标准。
体现框架的落地能力,通过表格指出具体系统在八维度中的属性层级,图1使用认知与环境代理两轴示意四类构造类型的相对位置。此视觉与文本配合赋能用户对复杂系统能力的快速判断和比较。
该研究是理论与框架构建性质的研究论文,无直接财务估值内容,故无DCF、P/E等估值模型的应用。其“价值”体现在理论建构的适用性、严密性及实践指导意义上,为研究者和企业在代理AI领域的战略部署及设计决策提供“认知估值”,填补理论空白。
文章明确指出代理性AI日益增强带来的潜在风险:
尽管作者未给出直接的缓解策略,但通过建立精细的多维代理性框架,明确区分和理解不同代理级别,有助于制定更精准的监管、治理和设计规范,减少风险发生概率。此外,规范对齐维度即体现了系统对伦理与规制的响应能力,是缓解风险的关键环节。
本文成功构建了一个理论扎实且应用导向的代理性人工智能类型学框架,核心在于围绕四个基本代理条件,设定八个关键维度,并配备四级序数特征划分,从非代理性到探索性智能,实现了代理性AI多维连续体的精准映射。
通过系统梳理主流文献,构建理想类型和逐步提炼维度,结合人机协作方式对43个现实及研究阶段AI系统进行贴标,有效验证了框架的稳定性与实用性。进一步将原始八维类型学简化为认知与环境代理两大维度,归纳出“四种构造类型”,实现消费者与研究者的易用性平衡。
框架在辅助判断AI系统能力、设计优先级选择、策略决策支持、风险评估治理等方面均具有重要价值。它既是学术界探讨代理性AI的基石,也可为企业和政策制定者提供实用参考工具。
文章同时指出,框架不可避免的主观构建成分及最新模型偏重是当前局限,强调未来需展开更广泛专家访谈和多种AI范式实践检验,持续深化代理性AI的理论边界和实际应用。总体而言,该研究为“AI代理性”的规范化理解与管理提供了理论与工具基础,适应人工智能快速迭代的技术趋势,具有较大前瞻性和指导意义。
这份报告全面系统地透视了“Agentic AI”——具备不同阶段代理能力的人工智能系统——的分类问题。其理论融合了哲学与技术视角,通过严谨的类型学方法,构建了一个多维度、模糊有序的架构,涵盖从功能认知到环境交互的关键指标,成功链接了理论、文献与现实工具实践。借助多阶段方法与人机联合评估,报告在适用性和稳定性上进行了充分验证,并将理论与案例结合,建构了清晰的应用分类和代表性系统画像。
该研究填补了学界对代理AI缺乏统一、综合性分类视角的空白,为进一步理解、设计、管理及规制代理性AI奠定了坚实基础,具有重要的理论价值和实践指导意义。
所有发布信息与内容均基于报告中相应页码,如最初的背景与定义见,1,2],技术与方法章节详于,4,5],实证分析与应用见,10,11,12],结论总结见,参考文献列表见等。
如需图表图片示意,以下为示例Markdown格式:
本报告以严密、透彻的学术视角解构了新兴的代理性人工智能系统研究,适合金融、科技领域的战略研究者、投资分析师、企业决策者参考,助力其准确捕捉AI演进趋势,科学评估技术价值与风险,洞察未来市场发展脉络。
2508.00844.pdf