2025年智能体化转变：从生成式AI到自主协作的！

简介

本文详述了AI从生成式向智能体化的转变趋势，介绍了六种核心AI智能体类型（RAG、语音智能体、智能体协议等），探讨了其在金融等领域的投资回报率与应用挑战。文章强调智能体化AI通过结合推理、规划和工具使用，形成意图-行动-结果的完整循环，展望了人机共生的新时代，为开发者提供了全面的技术视角和实践指导。

1. 智能体化转变 — 从生成式AI到自主协作

2025年标志着一个决定性的转折点：我们正在从生成式AI转向智能体化AI — 从响应的系统转向行动的系统。

根据谷歌云《2025年AI投资回报率报告》，52%使用生成式AI的企业现在已在生产环境中部署AI智能体，88%的早期采用者已经看到了切实的投资回报。

与传统局限于聊天界面的生成式AI模型不同，智能体化AI将推理、规划和执行与外部工具访问相结合 — 有效地闭合了意图、行动和结果之间的循环。

这些智能体代表了AI成熟的第三波浪潮：

• • 预测式AI（分析和机器学习）
• • 生成式AI（内容和推理）
• • 智能体化AI（自主编排和任务执行）

在普华永道（PwC），我们将此视为一种基于信任的转型：人类和AI将越来越多地共享认知工作负载，而治理、伦理和可解释性则构成了负责任自主性的脚手架。

2. AI智能体的新兴分类

“2025年AI智能体趋势”信息图突出了塑造企业转型的六种原型：

a. 智能体RAG（检索增强生成智能体）

这些智能体结合记忆、规划和工具使用，在复杂数据集上提供实时推理。

它们将知识库（例如，Google搜索、Perplexity、Glean、IBM watsonx）连接到内部企业系统。

用例：

• • 金融分析师进行具有跨来源引用的动态尽职调查。
• • 医疗研究人员综合基因组和临床试验数据。
• • 合规官运行具有可解释引用的上下文政策检查。

最新研究：Lewis等人，《面向知识密集型NLP任务的检索增强生成》（NeurIPS, 2020）仍然是基础性工作，而2025年的实现（OpenDevin、LangGraph和IBM的AgentX）展示了实用的编排模式。

b. 语音智能体

利用嵌入模型和语音转换器（STT/TTS），语音智能体提供双向自然语言交互。

应用：

• • 能够进行交易验证的银行语音礼宾。
• • 指导患者完成出院后步骤的医疗助手。
• • 通过自然对话进行产品推荐的零售顾问。

技术栈：

• • STT模型（Whisper v3、Google AudioPaLM 2）
• • TTS合成（OpenVoice、Bark）
• • 基于向量的记忆嵌入
• • 情感识别管道

研究参考：

• • 《AudioLM：一种音频生成的语言建模方法》（Borsos等人，Google Research, 2024）
• • 《端到端神经对话语音智能体》（Meta AI, 2023）

c. AI智能体协议（A2A, MCP, ACP, SLIM）

2025年的格局引入了智能体互操作性协议 — 一种多智能体协作的通用语言。

智能体现在可以跨生态系统通信（Google ADK、LangGraph、Cisco SLIM、Anthropic MCP）。

用例：

• • 多部门企业自动化（财务 ↔ 人力资源 ↔ IT）
• • 跨平台编排 — 例如，法律AI（Harvey）向合规AI（Stride）请求数据
• • 软件质量保证或风险评估中的多智能体协作

技术模型：

• • A2A（智能体到智能体）协议定义了发现、消息传递和能力共享，类似于分布式认知的REST。

研究：

• • 斯坦福HAI和MIT CSAIL关于《协调多智能体系统协议》的联合工作（2025）
• • Google DeepMind的《心智社会2.0》智能体框架（Nature AI, 2025）

d. 深度研究智能体

受Perplexity的DeepResearch和OpenAI o1-preview等系统启发，这些智能体协调多个子智能体（引用、摘要和验证智能体）以生成基于证据的研究输出。

用例：

• • 投资公司自动化ESG和股票研究。
• • 律师事务所起草具有多来源引用的案情摘要。
• • 政策机构制作实时法规摘要。

架构：

• • 聚合器智能体 → 子智能体（引用器、摘要器、检查器）→ 记忆 + 工具栈（Bing API、Scholar、LexisNexis）

普华永道观点：

• • 当与我们的HX框架（CX + EX）集成时，深度研究智能体能够实现跨组织孤岛的知识综合 — 这是迈向集体智能生态系统的一步。

e. 编程智能体

像Devin（Cognition Labs）和Cursor IDE智能体这样的AI开发加速器正在彻底改变软件工程。

这些智能体在沙盒环境中自主编写、调试和测试代码。

管道：

• • 智能体 → 代码生成器 → 调试器 → 测试运行器 → 部署工具（Docker/Kubernetes）

影响：

• • 构建-测试周期加速10倍。
• • 与CI/CD管道无缝集成。
• • 生产监控循环的自动修复。

用例：

• • 金融服务：自动化合规代码生成（例如，AML、巴塞尔协议III）。
• • 保险：创建自定义承保逻辑和场景模拟器。
• • 零售：自动化Web性能调优。

关键研究：

• • 《Devin：世界上第一个完全自主的软件工程师》（Cognition Labs, 2024）
• • 《OpenDevin：自主编程智能体的通用框架》（MIT CSAIL, 2025）

f. CUA（计算机使用智能体）

CUA（计算机使用智能体）弥合了数字-物理鸿沟 — 像人类一样操作软件界面，通过模拟的鼠标和键盘交互。

它们利用桌面沙盒和矢量化观察模型。

用例：

• • 将数据自动录入遗留系统（财务/ERP）。
• • 人力资源入职工作流程（表单填充、凭证设置）。
• • 网络安全操作（日志扫描、补丁验证）。

关键技术工作：

• • AutoGPT的CUA插件（2024）
• • 斯坦福的WebVoyager和DeepMind的SIMA（可扩展可指导多智能体） — 展示了通过强化模仿实现跨应用学习。

3. 智能体化AI的投资回报率

谷歌云2025年对3,466位高级领导者的调查证实，智能体化AI已不再是实验性的。

88%的早期采用者报告了积极的投资回报率；39%在生产环境中拥有超过10个AI智能体。

投资回报率排名前五的领域是：

示例：

• • 谷歌云SecOps AI智能体在三年内节省了120万美元，取代了遗留工具。
• • 客户互动AI将路由效率提高了207%的投资回报率，每次通话节省120秒。
• • AI代码智能体使开发人员生产力提高50%，最终用户效率提高36%。

4. 金融服务：智能体化的前沿

长期依赖自动化的金融行业，如今正处于智能体化编排的前沿。

关键用例：

• • AI风险智能体自主分流警报、关联异常并起草事件报告。
• • KYC/AML智能体执行持续的客户风险评分和监管报告。
• • 投资组合智能体综合宏观经济、ESG和客户意图数据以提供自适应建议。
• • 私人银行中的智能体RAG系统使顾问能够与企业数据进行实时对话。

研究与行业案例：

• • 德意志银行的AI风险投资（VC）集团使用内部多智能体框架进行合规和创新监控。
• • 摩根大通的LOXM 2.0现在集成了推理智能体用于流动性优化。
• • 普华永道的AgentOS正在资产和财富管理领域试点 — 集成LangGraph和MCP以实现受控自主性。

5. 挑战与信任护栏

尽管势头强劲，但数据隐私（37%）、系统集成（28%）和成本管理（27%）仍然是主要障碍。

因此，企业必须构建基于以下要素的负责任自主性框架：

• • 用于可解释性的人在环路监督。
• • 用于来源完整性的数据谱系验证。
• • 伦理政策嵌入（AI权利法案、AI Verify、ISO/IEC 42001）。
• • 智能体安全平台 — 监控内存泄漏、提示注入和自我修改风险。

随着AI系统向自我修正的“智能体社会”演进，安全支架变得与智能体本身同样重要。

6. 展望：智能体化AI时代的HX

我们正站在智能体化人类体验（HX）的黎明 — 在智能编排下，客户体验（CX）和员工体验（EX）在此融合。

AI智能体不会取代人类的能动性；它们将增强它，重新分配认知负荷并释放新的创造力带宽。

在未来五年，可以预期：

• • 智能体市场（类似于应用商店）的出现。
• • 智能体治理委员会（类似于伦理委员会）的兴起。
• • 标准化的智能体性能KPI（延迟、准确性、对齐度）。

正如Geoffrey Hinton所预见的那样，“我们不再是在编程智能 — 我们是在培育它。”

智能体时代不是关于自动化；它是关于共生 — 人类与机器之间的一种新的社会契约。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓