Agentic AI 的兴起，让我们重新审视大语言模型（LLM）的潜力。与其仅仅依赖 LLM 本身的预测能力，不如借助 Agentic AI 将其转化为能够自主行动、解决问题的智能体。本文将以 AWS Bedrock 为例，深入探讨 Agentic AI 的构建方法，并分析其优势与局限，帮助读者了解这项技术的实际应用价值。
大语言模型（LLM）的局限与 RAG 的突破
大语言模型（LLM）在自然语言处理领域取得了显著进展，能够生成流畅、连贯的文本，进行复杂的问答，甚至编写代码。然而，LLM 的核心仍然是基于大量数据进行预测，其知识来源于训练数据集。当面对需要实时信息或特定领域知识的任务时，LLM 往往表现出不足。
为了弥补这一缺陷，检索增强生成（RAG）应运而生。RAG 框架通过在生成答案前，从外部知识库检索相关信息，为 LLM 提供了上下文信息。这就像为 LLM 配备了一个“超能力搜索引擎”，使其能够根据实时信息生成更加准确、有用的答案。举例来说，如果你询问 LLM “今天北京的空气质量如何？”，单纯的 LLM 可能无法回答，但集成 RAG 框架后，它可以通过检索最新的空气质量数据，给出准确的答案。
Agentic AI：超越被动响应，主动解决问题
Agentic AI 在 RAG 的基础上更进一步，它不仅能够利用外部知识，还能自主规划任务、选择工具并执行行动，最终达成目标。与被动接收指令并生成答案的传统 LLM 不同，Agentic AI 拥有“自主性”，可以像一个智能助手一样，根据目标自主完成任务。
例如，一个 Agentic AI 可以被赋予“预订飞往纽约的机票”的任务。它会首先确定机票预订所需的关键信息（出发地、目的地、日期、时间），然后利用合适的工具（机票预订 API）搜索航班信息，比较价格和时间，最终选择最合适的航班并完成预订。整个过程中，Agentic AI 无需人工干预，完全自主完成任务。
AWS Bedrock：构建 Agentic AI 的理想平台
AWS Bedrock 是一项完全托管的服务，让你可以通过 API 使用来自 Amazon 和领先 AI 初创公司的各种高性能基础模型（FM）。它简化了 Agentic AI 的构建过程，让开发者能够更专注于业务逻辑的实现，而无需花费大量精力在底层基础设施的搭建上。
Bedrock 提供了多种基础模型，包括 Amazon Titan、AI21 Labs 的 Jurassic-2、Anthropic 的 Claude 和 Stability AI 的 Stable Diffusion。开发者可以根据自己的需求选择合适的模型，并利用 Bedrock 提供的工具和服务，快速构建 Agentic AI 应用。
使用 AWS Bedrock 构建股票投资助手：实战演练
本文作者利用 AWS Bedrock 构建了一个简单的股票投资助手，展示了 Agentic AI 的实际应用。这个助手可以查询股票信息、比较公司市值，并将重要的投资信息保存到提醒列表中。
以下是构建过程的关键步骤：
-
选择基础模型： 选择 Amazon 的 Nova Pro 模型，用于文本生成和推理。
-
创建 Action Groups： 定义 Action Groups，作为 LLM 执行实际任务的工具。这里创建了一个名为
StockFinancialReport的 Action Group，包含两个函数：retrieve_financial_info和save_reminders_for_investing。-
retrieve_financial_info(company_stock_ticker)：根据股票代码，从外部 API 获取公司财务信息。 -
save_reminders_for_investing(notes)：将投资提醒信息保存到 S3 存储桶中。
-
-
定义 Lambda 函数： 使用 Python 编写 Lambda 函数，实现 Action Groups 中定义的函数功能。
-
retrieve_financial_info函数使用 Alpha Vantage 提供的免费 API 获取股票财务信息，并对返回的 JSON 数据进行清洗，以减少 token 使用量。 -
save_reminders_for_investing函数将投资提醒信息保存到 S3 存储桶中，模拟 AI 的信息传递。
-
-
测试 Agent： 在 Bedrock 的测试窗口中，输入指令，例如 “Compare the market cap of Google and Apple. Save a reminder to check the company with the larger market cap.”。Bedrock 会详细记录所有操作步骤，包括 API 调用和数据处理过程。
通过测试，可以看到 Agentic AI 成功获取了 Google 和 Apple 的市值信息，比较了大小，并将 “Check AAPL, Apple Inc.” 添加到了 S3 存储桶中的提醒列表中。
Agentic AI 的优势与局限
Agentic AI 相较于传统的 LLM，具有以下优势：
- 自主性： 能够自主规划任务、选择工具并执行行动，无需人工干预。
- 灵活性： 可以根据不同的任务需求，选择不同的工具和服务，适应性更强。
- 效率： 可以自动化完成重复性任务，提高工作效率。
然而，Agentic AI 也存在一些局限：
- 可靠性： Agentic AI 的行为受到基础模型、Action Groups 和外部 API 的影响，任何一个环节出现问题都可能导致任务失败。因此，需要进行充分的测试和监控，确保其可靠性。
- 安全性： Agentic AI 拥有执行行动的能力，如果设计不当，可能存在安全风险。例如，一个恶意设计的 Agentic AI 可能会利用 Action Groups 发起攻击，造成损失。
- 可解释性： Agentic AI 的决策过程可能比较复杂，难以解释。这给调试和优化带来了挑战，也可能引发伦理问题。
Agentic AI 的未来展望：多智能体协作与更广泛的应用
虽然 Agentic AI 仍处于发展初期，但其潜力巨大。未来，我们可以期待以下发展趋势：
- 多智能体协作： 多个 Agentic AI 协同工作，共同完成复杂的任务。例如，一个智能体负责信息收集，另一个智能体负责数据分析，还有一个智能体负责决策执行。
- 更广泛的应用： Agentic AI 将被应用于更多领域，例如客户服务、金融分析、医疗诊断、智能制造等。
- 更强大的工具： 更多功能强大的 Action Groups 将被开发出来，为 Agentic AI 提供更丰富的工具箱。
- 更智能的决策： 基础模型将变得更加智能，能够做出更明智的决策，提高 Agentic AI 的效率和可靠性。
结论：拥抱 Agentic AI 的时代
Agentic AI 的出现，是大语言模型领域的一个重要里程碑。它赋予 LLM 自主行动的能力，使其能够解决更复杂的问题。虽然 Agentic AI 仍存在一些局限，但其潜力巨大，未来将在各个领域发挥重要作用。作为开发者，我们应该积极拥抱 Agentic AI 的时代，探索其应用场景，并不断改进其性能，共同推动 Agentic AI 的发展。通过 AWS Bedrock 这样的平台，我们可以更便捷地构建和部署 Agentic AI 应用，抓住这一技术浪潮带来的机遇。理解并掌握 Agentic AI，将成为未来技术竞争力的重要组成部分。