当iPhone横空出世，宣告物理键盘时代的终结时，曾引发一片质疑。然而，短短几年内，触屏手机便席卷全球，彻底改变了人机交互的方式。如今，我们正站在一个类似的拐点之上，这场革命的核心不再是物理触控，而是会话交互，更准确地说是超越会话的环境智能，以及驱动这种智能的Ambient Agents (环境智能体)。传统的聊天式AI交互模式正在面临挑战，而Ambient Agents的崛起预示着人工智能交互模式的根本性转变。
从聊天到环境感知：交互模式的颠覆
目前，大多数AI应用仍然遵循着“聊天式用户体验”的模式。你打开ChatGPT、Claude或其他类似的AI工具，输入消息，等待回复，然后再输入下一条消息。这种交互模式之所以让人感觉自然，是因为我们已经习惯了短信和即时通讯。然而，这种交互模式实际上形成了一个瓶颈，阻碍了人工智能系统潜力的充分发挥。想象一下，每次你想让AI做某事，都必须停下手头的工作，打开聊天界面，构思请求，等待回复，然后进行反复澄清。你成为了这个旨在提高效率的系统中的瓶颈。这就像你有一个才华横溢的研究助理，但只有当你站在他们身边不断给出指示时，他们才能工作。
更进一步说，传统的聊天式AI迫使你进入一次只能进行一个对话的模式。当你与一个AI系统讨论数据库优化时，你无法同时让另一个AI监控你的部署流程或分析客户反馈。你的时间花费在上下文切换上，管理多个聊天窗口，而不是专注于战略和决策。这导致了“人类可扩展性”的问题——当每次AI交互都需要你的积极参与时，你无法复制自己。当你开会、睡觉或专注于其他任务时，光标空闲。同时，你的生产基础设施正在嗡嗡作响，产生各种事件和情况，这些都可以从智能分析和响应中受益。
这种限制与我在今年早些时候发表的研究论文《AgentOps时代》中描述的生物有机体模型直接矛盾。真正的有机体不会等待有意识的命令来对抗感染、调节温度或治愈伤口。你的免疫系统不会在攻击病毒之前礼貌地请求允许——它会自动响应你体内的环境条件。同样，真正自主的系统应该响应环境信号，而无需人为启动每个动作。聊天模式仅在AI主要用作信息检索工具时才有效。但随着AI系统变得能够采取有意义的行动——部署代码、与其他系统协调、管理复杂工作流程——请求-响应模式成为对可能实现目标的根本限制。
正如iPhone证明直接操作优于物理键盘进行移动交互一样，Ambient Agents正在证明主动的、具有上下文感知的AI优于被动的、请求驱动的系统。
Ambient Agents：从“拉”到“推”的范式转变
那么，什么是Ambient Agents？它们为何如此重要？核心而言，Ambient Agents代表了从传统的AI交互“拉”模式到主动“推”模式的根本转变，后者无需人为启动即可响应环境条件。传统的AI遵循一种“拉”模式——你请求，它响应。你要求分析，它提供数据。你发现问题，它提出解决方案。每次交互都始于你从系统中“拉”取信息或行动。它在设计上是被动的。
Ambient Agents则以“推”模式运行。它们监控环境信号，检测需要关注的条件，并在情况需要干预时主动参与。它们不是等待你注意到问题，而是首先注意到问题并引起你的注意——或者更好的是，在定义的参数范围内自主处理问题。例如，传统的烟雾探测器会在烟雾到达其传感器时发出警报，让你自己去弄清楚发生了什么。而一个现代化的智能家居系统则可以检测到异常的热模式，将其与你的日历（也许你正在烹饪）进行交叉引用，检查其他传感器以进行确认，并可能在向你发送温和通知的同时静静地增加通风：“厨房温度升高——我已经调整了气流，但想让你知道。”
Ambient Agents展现出三个关键特征，使其区别于传统的AI系统。首先，它们并非仅仅由人类消息触发。它们响应系统事件、数据模式、预定条件和环境变化。例如，当你的部署流程在凌晨3点失败时，一个Ambient Agent可以检测到该故障，分析日志，确定可能的原因，并自主修复它或向你发出清晰的问题摘要和建议措施。其次，它们允许多个Agent同时运行。与强制进行串行交互的聊天式AI不同，Ambient Agents可以在不同领域并行运行。例如，你的基础设施Agent监控系统健康状况，而你的客户体验Agent分析支持工单，你的商业智能Agent跟踪收入模式——所有Agent都独立工作，但在相关时共享见解。第三，它们通过消费来自你的系统、应用程序和业务流程的连续数据流来响应环境信号和环境变化。就像一个复杂的免疫系统一样，它们了解正常的运行模式，并在条件偏离基线预期时做出反应。
这就是我在《AgentOps时代》中描述的神经系统层——Agentic系统“感知”并对环境做出反应的方式。正如你身体的自主神经系统在没有有意识监督的情况下监控血压、温度和氧气水平一样，Ambient Agents监控你的基础设施的生命体征并做出适当的反应。事件驱动智能为这种环境感知奠定了基础。Ambient Agents不会轮询系统以获取状态更新，而是订阅持续的事件流——部署完成、错误发生、性能阈值突破、客户行为模式。它们通过实时处理这些流来维护情境感知，构建关于正常运营的情境，并识别需要关注或采取行动的偏差。
这种模式的美妙之处在于控制权的转移。不是你管理AI系统，而是Ambient Agents帮助你管理其他一切。它们成为人类注意力和系统复杂性之间的接口层，确保重要信号到达你手中，同时例行操作继续自主进行。
人在回路的革命：智能辅助的新模式
Ambient Agents真正令人兴奋的地方在于——它们彻底改变了AI系统何时以及如何与我们互动，而不是完全消除人类的参与。关键在于，最有效的Ambient Agents遵循三种截然不同的交互模式，这些模式反映了熟练的人工助理的实际工作方式。
- 通知（Notify）：本质上是“嘿，有些事情你应该知道”。你的Ambient Agent会标记重要事件而不采取行动。例如，它可能会注意到你需要签署的Docusign文档正躺在你的收件箱中，或者检测到你的SaaS指标中存在异常的客户流失模式。Agent无法签署法律文件或为你做出战略业务决策，但它可以确保这些关键项目不会在你专注于其他事情时被忽略。
- 提问（Question）： “我需要你的输入才能有效进行”。当Agent遇到需要它没有的信息或偏好的决策点时，就会发生这种情况。例如，你的营销Agent可能会询问你是否要参加它找到的会议，或者你的基础设施Agent可能需要澄清关键系统更新的可接受停机时间窗口。Agent不会猜测或产生幻觉答案，而是暂停并提出问题。
- 审查（Review）：“我想这样做，但我想首先获得你的批准”。有些行动带有足够的风险或重要性，即使Agent在技术上有能力执行它们，也值得人类监督。例如，你的电子邮件Agent可能会起草对重要客户的回复，但在发送之前需要你的审查。你的部署Agent可能会准备生产部署，但在继续之前等待你的最终批准。
这种“人在回路”的方法带来了三个关键优势，使Ambient Agents可以实际部署到现实世界中。首先，它大大降低了风险。你不需要完美的AI就能从Ambient系统中获得巨大的价值。当Agent可以在复杂决策中暂停以寻求人类指导时，你可以放心地部署它们，因为你知道它们不会做出灾难性的自主选择。其次，这种交互模式模仿了人类自然的沟通和协作方式。想想与你最好的同事一起工作——他们主动为你带来信息，在不确定时提出问题，并在做出超出其权限范围的决策之前与你核实。遵循相同模式的Ambient Agents感觉自然而不是异类。第三，这些交互创建了一个持续的反馈循环，从而可以进行学习和改进。每个通知-提问-审查周期都会让Agent更多地了解你的偏好、优先级和决策模式。随着时间的推移，Agent会更好地与你的判断保持一致，并需要较少的干预。
正如我在《AgentOps时代》中所描述的，我们不再直接操作系统——我们正在协调自主系统，这些系统可以在定义的边界内独立工作，同时在必要时服从人类的更高判断。Ambient Agent成为你与日益复杂的数字生态系统的接口，确保你保持控制而不成为瓶颈。
超越个人助理：Ambient Agents生态系统
虽然个人效率助理占据了大部分头条新闻，但真正的转变发生在多个Ambient Agent开始跨组织边界协同工作时。Snowplow Analytics描绘了一个引人入胜的未来图景，这个场景感觉像是科幻小说，但使用的却是现在可用的技术。
想象一下哈珀，她需要一个YETI冰桶来进行周末徒步旅行。她的个人助理Agent，艾达，从之前的购买中了解哈珀的预算限制和颜色偏好。艾达访问REI网站并开始浏览，检查价格、尺寸和可用性，同时在社交媒体上搜索折扣代码。但有趣的地方在于，REI的Ambient Agent检测到艾达的行为模式，并意识到它正在与代表真实客户的另一个AI系统进行交互。REI的Agent产生了三个预感：这个访问者是一个为客户工作的机器人，他们正在寻找购买冰桶，并且他们对YETI品牌有强烈的偏好。REI的Agent没有将其视为典型的Web抓取尝试，而是自我介绍并开始对话。艾达表明自己代表了REI忠诚度计划的现有会员哈珀，并解释了徒步旅行的时间表。REI的Agent找到一个完美的冰桶，但略高于哈珀的预算。REI的Agent没有接受失败，而是联系YETI的客户管理Agent来探索选择。
YETI运营着独立的B2B Agent来管理与主要零售客户的关系。他们的REI客户经理Agent可以在定义的参数内协商定价和促销协议。YETI的Agent看到了获得新YETI客户的机会，批准了一项特殊的折扣。REI的Agent将此转发给艾达，艾达完成了购买。哈珀得到了她的冰桶，REI完成了销售，YETI获得了一位新客户。
整个交易涉及三个自主系统，它们为所有各方协商价值，而无需人为干预。每个Agent都在其定义的权限范围内运行，同时进行协作以解决对每个人都有利的问题。这正是我在AgentOps框架中描述的多Agent协调——专业的Agent作为有凝聚力的数字有机体协同工作。基础设施Agent、业务流程Agent和客户服务Agent都在贡献他们的专业知识，同时保持其独特的角色和能力。当Ambient Agents可以同时代表客户、零售商和供应商进行协商时，传统的商业关系就会被重新构想。Agent通过智能协调创造价值，而不仅仅是自动化现有流程。Snowplow的客户已经看到LLM内容爬取和Agent对他们网站的访问量稳步增长。主要的零售商和制造商正在试验AI Agent来进行库存管理和供应链优化。各个部分连接的速度比大多数人意识到的要快。
现实世界应用：Ambient Agents正在发挥作用的领域
- 电子邮件管理：电子邮件管理是目前Ambient Agent的一个较为成熟的应用。LangChain的生产系统已经处理了实际的通信数月，展示了对通信模式、联系人重要性和适当响应时间的深刻理解。该系统学会区分需要立即关注的电子邮件与可以自动处理的常规消息。
- 电子商务智能：我们开始看到电子商务智能的快速采用。零售商正在部署能够实时检测和响应客户行为模式的Agent。这些系统可以识别访问者何时进行比较购物，识别价格敏感度信号，并且可以在无需人为干预的情况下触发个性化的报价或帮助。亚马逊通过Alexa的方法展示了这种环境智能战略，其中系统会主动提出建议，而不是等待用户命令。
- 基础设施监控：基础设施监控已经从简单的警报发展到真正的环境智能。现代系统可以检测异常，将其与部署历史记录相关联，并且通常可以在影响用户之前解决问题。这些Agent不会在凌晨3点用神秘的警报唤醒工程师，而是提供清晰的问题摘要和建议的操作——或者更好的是，在定义的安全参数内自主实施修复。
- 供应链协调：供应链协调也代表着一个新兴的领域，其中B2B Ambient Agent在零售商和供应商之间自动协商。这些系统可以监控库存水平，预测需求波动，并在无需人为监督的情况下调整采购策略。当出现不寻常的需求模式时，Agent可以比传统的采购团队更快地重新协商条款、寻找替代供应商或调整分销策略。
技术基础：实现环境智能的可能性
- 事件流：事件流充当环境智能的中心神经系统。Ambient Agent不会轮询系统以获取更新，而是订阅连续的数据流——部署完成、错误发生、性能阈值突破、客户行为模式。这些流提供实时的情境感知，使Agent可以了解正常的运行模式并在条件偏离基线预期时做出反应。可以想象一下，你的数字基础设施中布满了成千上万个传感器，所有这些传感器都将信息馈送到可以关联模式并做出适当响应的智能系统。
- 状态管理：当Agent需要跨可能跨越数小时、数天或数周的交互来维护上下文时，状态管理变得至关重要。与每次交互都从头开始的传统请求-响应系统不同，Ambient Agent必须记住以前的决策、正在进行的任务和已学习的偏好。它们需要可以暂停操作、等待人工输入，然后从中断处继续的持久层。这种持久内存可以实现长期的关系构建，从而使Ambient Agent真正有用，而不仅仅是被动的。
- 人在回路：人在回路概念为我们前面介绍的通知-提问-审查模式提供了基础。当需要人工指导时，该系统需要内置的功能来中断工作流程，以易于理解的格式呈现信息，捕获人工响应，并将该反馈无缝地整合到正在进行的操作中。目标是创建结构化的通信渠道，这些渠道感觉自然，同时保持审计跟踪和学习机会。
- 调度和触发机制：调度和触发机制实现了使Ambient Agent区别于传统自动化的主动行为。Cron作业处理基于时间的激活，而事件驱动的触发器则响应实时条件。该基础设施必须支持计划的检查以及对紧急情况的立即响应，从而在资源效率和响应能力要求之间取得平衡。
这些技术基础协同工作，以创建可以持续运行同时保持对环境变化和人工监督的响应的系统。复杂性存在于基础设施层中，从而使Ambient Agent本身可以专注于智能决策，而不是管理自己的运营问题。
行业影响：即将到来的颠覆
亚马逊的Alexa环境智能战略证明了主动式AI如何改变客户期望——当系统预测需求而不是等待请求时，整个交互模式都会发生变化。继续使用传统被动系统的零售商将发现自己处于严重的劣势，因为竞争对手的Ambient Agent可以在无人为干预的情况下检测客户意图、协商定价和完成交易。
企业的影响远远超出了个人助理，涵盖了全面的业务流程自动化。我们看到早期采用者正在部署Ambient Agent来进行供应链优化、客户成功监控和财务异常检测。这些系统不仅仅是自动化现有流程——它们发现了人类错过的优化机会，并同时协调跨多个业务职能的响应。客户方和业务方Ambient Agent之间正在出现一场军备竞赛。随着越来越多的消费者部署可以自动进行比较购物、协商价格和进行购买的个人助理Agent，企业面临着一个严峻的选择：开发自己的Ambient Agent以进行有效竞争，或者眼睁睁地看着客户Agent仅为了买方的优势进行优化而侵蚀利润。首先采取行动的企业将建立竞争护城河，而这些护城河将变得越来越难以克服。
基础设施的演进可能是最重要的转变。组织正在从被动运营——人类对系统警报做出响应——过渡到主动、自我管理的系统，这些系统可以预防问题的发生。这种转变消除了整个类别的运营开销，同时提高了系统的可靠性和性能。实施这些模式的组织可以期望大幅缩短事件响应时间和运营成本，因为它们的Ambient Agent可以自主处理例行问题。随着Ambient Agent生态系统的成熟，网络效应变得强大。加入生态系统的每个新Agent都可以通过改进的协调、共享学习和更复杂的多方协商来为现有参与者创造价值。延迟采用的组织不仅会错过个人利益——它们还会被排除在一个越来越有价值的智能协调网络之外，而其竞争对手正在利用该网络来获得优势。
使这种颠覆特别具有挑战性的是其无形的性质。与明确宣布自己的明显技术转变不同，Ambient Agent在淡入背景时效果最佳。竞争对手可能没有意识到他们正在被卓越的协调和优化所超越，直到性能差距变得太大而无法快速弥合。
实施现实：构建Ambient系统
构建Ambient Agent需要组装已经存在的正确技术组件，而不是等待更好的AI模型。挑战在于创建可以持续运行同时保持在需要时暂停以进行人工指导的灵活性的系统。Agent Inbox代表了我们管理AI交互方式的根本转变。与传统的聊天界面将重要通知埋没在对话历史记录中不同，Ambient系统需要专用的UX范例来处理多个同步的Agent通信。LangChain的方法将其建模为电子邮件收件箱和客户支持票务系统，显示你和你的Agent之间的所有开放通信线路。项目按优先级而不是按时间顺序进行排序，并且该界面支持超出简单文本消息传递的丰富交互。当你构建永不真正休眠的系统时，平台要求会变得更高。诸如LangGraph之类的框架已经专门出现来处理Ambient模式，因为它们提供了使持续运行成为可能的基础功能。其中包括在操作之间保存Agent状态的内置持久层、对那些通知-提问-审查模式的本机“人在回路”支持、从长时间的交互中学习的长期记忆系统以及用于基于时间的激活的cron作业调度。当Ambient Agent需要与现有企业系统连接时，集成挑战会成倍增加。与只需要检索信息的简单聊天机器人不同，Ambient Agent需要对业务系统的写入权限，来自监控平台的事件流订阅以及跨多个工具触发工作流程的能力。模型上下文协议（MCP）已经成为一种标准化工作，以使这些集成更易于管理，但是大多数组织仍然需要自定义集成工作才能将Ambient Agent连接到其特定的技术堆栈。
起点比你想象的更重要。最成功的Ambient Agent实施从通知和监控用例开始，这些用例在扩展到完全自主之前建立组织信心。从标记重要事件而不采取行动的Agent开始，然后随着团队对他们的判断感到满意而逐渐增加他们的决策权。这种渐进的方法使你可以同时构建技术基础设施和组织信任。从被动系统到Ambient系统的路线图通常遵循三个阶段的演进：首先，智能警报，用上下文感知的摘要代替了愚蠢的通知；其次，有监督的自动化，Agent提出供人工批准的操作；最后，在定义的边界内进行自主操作，并具有适当的升级程序。尝试直接跳到完全自主的组织常常会遇到采用和信任问题，而这些问题本来可以通过更渐进的方法来避免。
未来展望：自主基础设施的实现
Ambient Agent采用的时间表与向自主基础设施的更广泛转变完全吻合。我们预计这些系统将在24-36个月内成为主流，这并不是因为该技术尚未准备就绪，而是因为组织的采用和信任建立需要时间。现在开始进行试验的早期采用者将在Ambient Agent成为赌注时获得显着的竞争优势。组织转型比仅仅添加新的AI工具更为深入。我们正在目睹从被动IT运营——人类对系统警报做出响应——到主动、自我修复的数字有机体的转变，这些有机体可以预防问题的发生。财务团队将与AI Agent协调，这些Agent可以监控现金流量模式并自动优化付款时间。营销团队将与Agent一起工作，这些Agent可以检测广告系列效果问题并实时调整定位。运营团队将监督管理基础设施容量并在无人为干预的情况下协调维护窗口的Agent。
新的竞争优势将从拥有更好的技术转变为实现无缝的自主运营。掌握Ambient Agent协调的组织将以显着降低的运营成本运营，同时比仍陷于被动工作流程中的竞争对手更快地响应机会和威胁。除了基础设施管理之外，Ambient Agent还将成为真正自主业务运营的基础。供应链Agent将与供应商Agent协商合同。当使用模式表明功能差距时，客户成功Agent将与产品开发Agent协调。财务计划Agent将与市场分析Agent一起实时调整投资策略。随着这些系统的成熟，个性化接口连接变得至关重要。当你与跨不同业务职能的数十个Ambient Agent协调时，你将需要使这些数字同事感觉像自然团队成员而不是抽象服务的头像界面。Ambient Agent提供自主功能，而个性化界面提供人类协调层，从而使复杂的Agent生态系统易于管理。
环境智能和个性化协调的融合代表了自主基础设施愿景的完成——可以自我照顾的系统，同时保持与人工监督和战略指导的真正协作。
开始行动：切实可行的路径
- 从事件开始：你现有的监控和日志记录基础设施已经生成了Ambient Agent运行所需的数据流。与其构建新的数据收集系统，不如专注于使你当前的事件流可供智能Agent访问。你的部署日志、错误通知、性能指标和用户行为分析为环境感知奠定了基础，而无需进行重大的基础设施更改。
- 构建通知模式：将通知模式作为进入环境智能的切入点。从增强现有警报的Agent开始，而不是完全替换它们。与其在凌晨3点收到原始错误消息，不如部署将错误与最近的部署相关联、检查相关的系统健康状况并提供有助于你了解实际发生情况的上下文丰富摘要的Agent。这种方法可以立即交付价值，同时建立组织对Agent决策的信心。
- 试验LangChain的开源工具：尝试使用LangChain的开源工具来第一手了解Ambient模式。他们的电子邮件助手提供了持续运营、人在回路协调和持久性内存的工作示例，你可以对其进行研究并针对你的特定用例进行调整。Agent Inbox展示了用于管理多个同步Agent交互的新UX模式。这些不仅仅是演示——它们是可以部署和从中学习的生产就绪系统。
- 从一开始就计划扩展：即使你从小处着手，也要从一开始就计划扩展。设计你的初始Ambient Agent时，假设你最终将在不同的业务职能中协调数十个专用Agent。这意味着在需要之前先考虑Agent通信协议、共享上下文管理和冲突解决机制。在Ambient Agent采用方面遇到困难的组织常常会跳过此计划阶段，并陷入无法扩展的架构决策中。
- 准备协调：考虑如何在你的环境中Ambient Agent需要协同工作来做好准备。你的基础设施Agent将需要与业务流程Agent共享见解。客户成功Agent将与产品开发Agent协调。财务监控Agent将与合规Agent一起工作。真正的价值来自跨这些专业功能的智能协调，而不是来自个人Agent的性能。
关键的见解是从你所在的位置开始，而不是等待完美的条件。你当前的系统已经生成了Ambient Agent可以从中学习的事件和模式。今天存在构建有意义的环境智能的技术。问题不在于你是否拥有正确的基础设施——而在于你是否已准备好试验新的人工智能协调模式，这些模式将定义未来十年的业务运营。
无形的革命
我们正在见证一件令人惊奇的事情——AI系统的出现就像生物有机体最好的部分一样工作。Ambient Agent代表了真正自主基础设施的实现，该基础设施无需等待人工命令即可响应环境条件，就像你的免疫系统抵抗感染或你的循环系统适应身体需求一样。革命之所以无形，恰恰是因为它奏效了。当你的基础设施可以主动自我照顾，响应环境条件而无需人为干预时，你就实现了最终目标：技术淡入背景，同时使一切变得更好。你的部署管道根据性能模式自动优化。你的客户成功系统在满意度问题变成流失之前检测到这些问题。你的财务监控Agent发现异常并协调跨多个业务职能的响应。Ambient Agent完成了从被动运营到自主数字有机体的演变。主导早期AI时代的聊天界面会像今天的命令行终端一样古怪。我们不会管理AI系统，而是会与了解上下文、预测需求并在适当的边界内采取主动性的数字同事进行协调。
早期采用Ambient Agent的组织不仅会获得运营效率，还会围绕反应式系统根本无法比拟的能力从根本上重组其竞争优势。当你的业务运营有数十个智能Agent并行工作，协调响应并从每次交互中学习时，你不仅仅是在使用更好的工具——你作为一个完全不同的有机体在运营。Ambient Agent已经在改变我们的工作方式。问题在于，你将是帮助定义这种转型的早期采用者之一，还是在无形的革命变得无法忽视之后争先恐后地追赶的组织之一。未来属于那些掌握协调艺术而非运营艺术的人。Ambient Agent使我们现在就可以实现这一未来。