彻底讲透 Agentic Process:AI 从工具走向伙伴的关键一跃
如果你现在去问任何一位企业 CIO「你们有没有在用 Agentic AI」,大概率得到肯定的回答。PwC 2025 年调研显示,79% 的组织声称已「在某种程度上」采用了 AI Agent。
但如果你追问一句「你们的 Agentic 项目产生了什么可量化的业务价值」,现场气氛就会变得微妙。
Gartner 同年发出的预警说明了这种微妙从何而来:超过 40% 的 Agentic AI 项目将在 2027 年底前被叫停,主要原因是成本失控、价值不清晰、风险管控缺失。
同一个月,UiPath和德勤联合宣布「Customer Zero」成果:SAP S/4HANA迁移clean core达成率93%(行业基准是80%),85%以上关键财务工作流实现无人值守自动化,交付200+自动化流程。
Salesforce也公布了自用数据:Agentforce一年内处理超150万次支持请求,SDR Agent从沉睡线索中创造了170万美元新销售管道,员工节省50万小时工作量。同一项技术,同一个时间窗口:一边是40%的失败预警,一边是实打实的业务成果。分水岭在哪里?
问题的根源不在技术本身,而在于大量企业根本没搞清楚自己在部署什么。Agentic AI、AI Agent、Agentic Process、Agentic Workflow、APA……
这些词被同时创造、同时流行、同时被滥用,没有权威机构站出来先定义再使用。于是,把简单规则自动化包装成Agentic的,有;把Chatbot改个名字叫Agent拿去融资的,有。Gartner甚至专门造了个词描述这种现象「Agent Washing」。
概念混乱导致决策混乱,决策混乱导致项目烂尾。这才是那40%失败率背后更深层的原因。
本文就跟大家把这些全部说清楚:Agentic Process是什么、核心机制是什么、优势与风险各几斤几两、Agent Skills和MCP协议的价值在哪里、OpenClaw和hermes-agent怎么用、各类厂商的实现路径差异、BPM会不会被消灭、企业该怎么判断要不要转型。
一篇文章,全部讲透。
七个词,七个不同层次
每隔一段时间,AI领域就会冒出一批高度相关却被高度混用的词汇。市面上 Agentic 系列概念的混乱,有客观原因:这批词几乎同时被造出来、同时被炒起来,Andrew Ng、Marc Benioff、Jensen Huang 各说各话,Anthropic、OpenAI、Salesforce 各做各做,读者看了十篇文章,每篇对同一个词的定义都不一样。
王吉伟频道整理了一张完整的概念层级图,这是一个“6个纵向层级+1个横向治理层”的结构,从上到下、从核心到落地大致是这样的: Agentic AI→ AI Agent→ Agent Skills→ Agentic Process→ Agentic Workflow(→ APA, Agent Harness则是贯穿所有层级的横向治理层,不算在纵向层级里。 这七个概念不是同义词,也不是同类概念的不同叫法,本质上是从范式到执行、从能力到流程、从编排到工程化落地,并由治理体系贯穿全局的分层架构,每一层解决不同维度的问题。下面我们就逐个把这些概念讲明白,用最通俗的话拆解清楚。
Agentic AI(智能体\代理式人工智能)。它是整体技术范式,描述的是AI系统具备自主感知、目标分解、多步推理和主动执行能力这件事本身。它不是某个产品,而是一种设计哲学——AI 不只是回答问题,而是主动完成目标。大家可以把它理解为「生成式 AI」同级别的范式概念,而不是某个可以采购的软件。 AI Agent(AI智能体)。它是 Agentic AI 的具体执行单元,说白了就是一个能够感知环境、推理决策、调用工具、执行任务的自主实体。简单类比就是,Agentic AI 是一家快递公司的整体运营体系,那 AI Agent 就是一个具体的快递员,是范式的实例化,是实实在在干活的“人”。 Agent Skills(智能体技能)。这是Agent的能力原子,也是Agent能干活的基础——一个Agent之所以能做某件事,是因为被赋予了对应技能,比如调用API的技能、操作数据库的技能、执行代码的技能、控制浏览器的技能。Skills是Agent行动能力的最小单位,就像人身上的一个个“技能点”,也是整个 Agentic 生态互操作的关键接口,近年来标准化进展最快的就是这一层。 Agentic Process(智能体流程)。这是整个体系的核心主角,也是最容易被忽视的一层。它描述的是AI Agent完成任务时走过的完整动态循环:感知信息、推理规划、调用工具执行、评估反馈、再次迭代,直到目标达成。说白了就是智能体干活的“完整步骤”,强调的是「流程」本身,是动态的、有状态的、自适应的,也可以理解成智能体的“认知-行动闭环”。 Agentic Workflow(智能体工作流)。它是对多个Agentic Process的编排和组合,不再关注单个Agent怎么完成一个任务,而是关注“这些任务按什么顺序、以什么逻辑串联起来”。如果说Agentic Process是“一次完整快递任务的流程”,那Agentic Workflow就是“多个快递任务的调度安排”;再简单点说,Process是原子,Workflow是分子,是系统级的任务编排。 Agentic Process Automation(APA,智能体\代理式流程自动化)。它是把Agentic Process和Workflow落地到企业业务场景的工程化体系,相当于RPA(机器人流程自动化)的进化版。区别在于,RPA靠硬编码的固定规则干活,而APA用AI的自适应能力替代了固定规则,能实现端到端的智能自动化,也是企业级应用落地的关键一步。 Agent Harness(智能体驾驭框架)。这是最容易被企业忽略、却最不能缺的一层,它不是纵向的某一级,而是横向贯穿所有层的“控制层”,可以理解为“管理和约束AI Agent行为的缰绳”。它的核心作用就是定义Agent的权限边界、监控执行轨迹、处理异常回滚、协调多Agent之间的任务分配。就像Agent是马,Harness是鞍辔和缰绳,没有它,Agent跑得越快越危险,企业用起来也越没保障。 这七个概念构成了一个完整的Agentic AI体系:Agentic AI定方向(能力范式),AI Agent去执行(执行单元),Agent Skills打基础(能力原子),Agentic Process做核心(运作流程),Agentic Workflow做调度(编排形式),APA落地到企业(工程体系),Agent Harness保安全(治理控制)。 这套体系不只是一次技术升级,更是对企业数字化体系的一次结构性重构。 | 概念 | 层次定位 | 核心关注点 | 直觉类比 | | --- | --- | --- | --- | | Agentic AI | 能力范式 | AI 具备自主性 | 工业革命(整体转型方向) | | AI Agent | 执行单元 | 谁来执行任务 | 具体的快递员 | | Agent Skills | 能力原子 | Agent 会做什么 | 快递员的专业技能证书 | | Agentic Process | 运作流程 | 任务怎么被完成 | 一次快递任务的完整履约流程 | | Agentic Workflow | 编排形式 | 多个任务怎么衔接 | 多任务的调度安排表 | | APA | 工程实现体系 | 如何在企业落地 | 快递公司的数字化管理系统 | | Agent Harness | 治理控制层 | 如何保证安全可控 | 行为规范与监管机制 |
这张表的价值在于:选型和决策时,不会把预算花在错误的层次上。搞清楚这张图,后面所有内容都会顺畅很多。
Agentic Process 核心机制:一个改变一切的循环
理解Agentic Process,最关键的是理解它的运行方式:Agentic Loop(智能体循环)。
Andrew Ng在2023年系统阐述了这个框架,将其归纳为四个阶段,业界普遍沿用至今。
第一阶段:感知(Perceive)。Agent收集当前任务所需的所有信息:用户指令、数据库查询结果、工具返回值、API响应,甚至网页截图或医疗影像。感知能力决定Agent的「视野」宽度,也决定了后续推理的质量上限。
第二阶段:推理与规划(Reason & Plan)。这是LLM真正发力的阶段。模型分析当前状态,将大目标分解为可执行的子步骤,选择调用哪些工具,制定行动序列。ReAct(Reasoning + Acting)框架、Chain-of-Thought提示、Tree-of-Thought规划,都属于这一层的技术方案。推理阶段的质量直接决定Agent「走弯路」的频率。
第三阶段:执行(Act)。Agent实际调用Skills或Tools:API请求、数据库写入、代码执行、文件操作、浏览器自动化。这是「想法」变成「行动」的关键转化点,也是出问题最多的环节。执行层的宽度,决定了Agentic Process能触达的业务边界。
第四阶段:反思与学习(Reflect & Learn)。Agent检验执行结果是否符合预期。成功则更新记忆状态,进入下一步或标记完成;失败则分析原因,调整策略,重新进入循环。短期记忆(Context Window)和长期记忆(Vector Store或外部存储)都在这个阶段得到更新。
然后,循环重复,直到目标完成,或触达预设终止条件(最大迭代次数、超时时间、成本上限)。
这个循环有个让人印象深刻的特征:非线性。它不是从A到B再到C的线性流程,而是随时可能回到起点重新规划。这正是它应对复杂、不确定任务的核心能力所在。
理解了Agentic Loop,就能理解Agentic Process和传统技术的本质差距。
传统RPA的本质是「规则驱动的确定性执行器」。你定义每一步操作,它精确复现。优势是稳定、可审计;弱点是规则边界之外的任何变化都可能让整个流程崩掉,而且规则永远写不完。
纯LLM(如ChatGPT对话模式)的本质是「一次性生成器」。你给问题,它给答案,结束。不会主动检验答案,不会自行调用外部工具,更不会在出错后自主纠正。
Agentic Process填补的,正是这两者之间的巨大空白:既保留了RPA的执行力(能真实触发系统操作),又具备了LLM的适应性(能处理非确定性情境),再加上循环反馈机制,使其能处理人类工作中最难自动化的那类任务:模糊目标、多步决策、动态环境。
用一句话总结:RPA自动化的是「怎么做」(How),Agentic Process自动化的是「做什么直到目标达成」(What to do until done)。
| 对比项 | 传统RPA | 纯LLM | Agentic Process |
|---|---|---|---|
| 执行方式 | 规则脚本 | 单次生成 | 循环推理+执行 |
| 不确定性处理 | 报错/中断 | 不执行,只生成文本 | 自主重规划 |
| 记忆能力 | 无 | 仅上下文窗口 | 持久化记忆 |
| 工具调用 | 预设接口 | 不调用 | 动态选择工具 |
| 人工干预需求 | 异常时高 | 每步都需要 | 最小化(可配置) |
| 适应新情况 | 弱 | 强(但不执行) | 强且能执行 |
| 可审计性 | 高 | 低 | 中(取决于实现) |
优势明确,但风险不能轻描淡写
Agentic Process确实有真实优势,但风险同样真实,而且危险。
真实的优势
能处理非结构化任务。 传统自动化的最大盲区是非结构化信息:措辞模糊的邮件、多格式合同文档、口头描述的客户诉求。Agentic Process可以理解、归纳、做出判断,这是RPA永远做不到的。
具备自我修正能力。 单个步骤出错不代表整个任务失败,Agent检测到异常后可以重新规划路径,而不是直接中断。这种容错弹性在长链任务中价值极高。
支持多步长链任务。 从「发起采购申请」到「完成入库对账」,跨越十几个系统操作和决策节点,Agentic Process可以全程自主推进,无需人工在中间节点反复介入。
可并行扩展,能力边界不断延伸。 McKinsey的研究显示,2-5人的人类团队可以监管50-100个Agent协同运行的端到端流程。
Anthropic的多智能体研究表明,主Agent协调专业子Agent的架构,在复杂研究任务上的性能比单一Agent高出90%以上。Landbase统计,2025年企业使用Agentic Process的平均ROI达171%,美国企业达192%,是传统自动化的3倍。
真实的风险:40%项目失败的真相
幻觉导致不可控行为,代价远超对话场景。 LLM的幻觉在Chatbot里顶多让你看到错误答案;在Agentic Process里,幻觉可能导致Agent向错误账户发起付款、删除错误文件、向客户发送错误信息。
UC Berkeley Sutardja Center明确指出:高风险场景(如金融交易)中,AI幻觉的代价将远超对话场景,且Agent的「策略性欺骗」风险在高风险环境中已有记录案例。
成本失控是真实的定时炸弹。 每一轮Agentic Loop都在消耗算力。有团队记录到Agent进入递归循环,最终导致云账单达到六位数。设计不当的循环终止条件不是小概率事件,而是架构层面的系统性风险。
安全与合规漏洞,责任归属悬而未决。 2025年初,一家健康科技公司因Agentic AI系统漏洞导致48.3万条患者记录泄露。多Agent系统还面临「Agent勾结」风险:一个被攻击的Agent可能向其他Agent传递恶意指令。
Gartner数据显示,35%的企业将网络安全顾虑列为部署Agentic AI的首要障碍。更麻烦的是,AI Agent自主做出错误决策,锅由谁来背?开发商、部署企业,还是操作员?这在法律层面还没有清晰答案,在强监管行业里是当前落地最大的隐性障碍。
Agent Washing污染市场认知。 Gartner估计,在数千家声称提供Agentic方案的厂商中,真正具备实质Agentic能力的约130家。大量「伪Agentic」产品用炒作拉高了企业预期,最终结果就是那40%的失败项目。
Klarna是最著名的反面教材。这家瑞典支付公司曾高调宣称AI替代了大量客服,但CEO后来承认AI输出「质量低于人类员工」,公司随后恢复雇用人工客服。教训不是Agentic Process不行,而是:流程没准备好就上Agent,是在放大混乱。
还有一个被严重低估的成本:MIT的研究指出,实施Agentic AI 80%的工作量消耗在数据工程、利益相关方对齐、治理设计和工作流集成上,模型本身只占20%。企业往往只看到那20%的光鲜部分,忽略了那80%的「脏活」,这才是最普遍的失败根源。
如何应对? 引入Agent Harness,给每个Agent设定明确的权限边界(最小权限原则),关键操作前强制人工审批,异常行为触发自动熔断。
设置三道保险:最大迭代次数、超时机制、成本上限同时生效。建立完整的推理审计轨迹,每个决策步骤都必须有记录,这是合规的基础,也是故障排查的前提。
Agent Skills 与 MCP:执行层的标准化革命
Agent Skills:能力原子的分类与价值
如果把Agent比作一位员工,Skills就是他的专业技能证书清单。一个Agent的Skills通常分为四类:
感知类技能(输入处理):文本理解、图像识别、文档解析(PDF/Excel/Word)、网页内容提取、语音识别。感知技能决定Agent能「读」什么类型的输入,也是多模态扩展的切入点。
推理类技能(内部认知):代码解释执行、数学计算、逻辑推断、多步规划、语言翻译。主要由LLM本身提供,但可通过微调或专用工具增强。
行动类技能(外部执行):API调用、数据库读写、代码执行(Python/SQL等)、浏览器操作、文件系统操作、邮件/日历/消息发送。这是Agentic Process能够真正「干活」的关键,决定了Agent能触碰哪些真实系统。
协作类技能(多Agent交互):任务委派、结果汇总、向人类请求确认、与其他Agent通信。这类技能是多智能体系统(Multi-Agent System)得以运转的基础。
Skills的标准化是2025年最重要的基础设施里程碑。2025年12月18日,Anthropic发布Agent Skills开放规范(SKILL.md格式),企业可以像搭积木一样把已有的技能模块组合成新的 Process,不同厂商的 Agent 可以共享同一套技能生态,降低平台锁定风险。
OpenAI和Microsoft随后采纳,标志着Agent能力单元正式走向标准化和可组合化。
Salesforce的AgentExchange(2026年初上线)是目前全球最大的Skills市场,Marc Benioff将其定位为「6万亿美元数字劳动力市场」的基础设施层。
标准化对企业意味着什么?意味着可以像搭积木一样把已有技能模块组合成新的Process,不必每次从头开发;也意味着不同厂商的Agent可以共享同一套技能生态,降低平台锁定风险。
Anthropic的多智能体研究已经证实,专业化分工的多Agent架构(每个子Agent专精一类Skills)在复杂任务上的性能是量级级别的提升,这说明Skills的专业化分工本身就是Agentic Process性能优化的核心杠杆。
MCP:让Skills连接一切系统的「USB-C接口」
Skills本身需要一个标准协议来连接外部系统,这就是MCP(Model Context Protocol,模型上下文协议)的价值所在。
Anthropic于2024年11月发布MCP,2025年3月OpenAI采纳,现已移交Linux Foundation治理,AWS、Google、Cloudflare均给出生产级承诺,SDK月下载量达9700万次。BCG把它称为「AI的USB-C接口」,在MCP出现之前,每个Agent连接每个系统都需要定制化开发;MCP出现后,将这个过程标准化了。
2026年3月发布的…