代理人工智能，一种旨在运行的技术形式随着企业希望实现业务工作流程自动化、提高人类工作人员的产出并从生成式人工智能中获取价值，组织内无需人工干预的特定功能正在获得关注。
分析公司 Forrester 将人工智能代理称为“人工智能代理”之一。它列出了今年的十大新兴技术，但它对专注于采用这些技术的公司提出了警告：不要单打独斗。根据 Forresters 2025 对人工智能的预测，四分之三试图在内部构建人工智能代理的组织都会失败。
无法构建自己的人工智能代理的公司将转向外部人工智能咨询公司来构建Forrester 分析师 Jayesh Chaurasia 和 Sudha Maheshwari 写道，精明的公司将掌握当前的局限性，并依靠其供应商和系统集成商合作伙伴来实现他们写道，构建处于这项技术前沿的代理。
构建人工智能代理是一个复杂的过程，他们补充说，许多组织内部不具备完成这项工作的人工智能专业知识。
Chaurasia 和 Maheshwari 表示，随着公司将新一代人工智能从基本任务推向更复杂的行动，代理人工智能风靡一时。挑战在于这些架构非常复杂，需要多个模型、先进的 RAG [检索增强生成] 堆栈、先进的数据架构和专业知识。此外，代理人工智能的力量仍处于起步阶段，他们说。Chaurasia 和 Maheshwari 写道，他们可能还需要两年时间才能实现夸大的自动化希望。
尽管如此，一些公司还是看到了机遇自己构建的方法。Goldcast 是一家专注于视频营销的软件开发商，该公司产品主管 Lauren Creedon 表示，该公司已经尝试了十几种开源人工智能模型来协助完成各种任务。
例如，Goldcast 使用了一个她说，人工智能模型用于转录视频，另一个模型用于根据视频撰写博客文章，第三个模型用于创建社交媒体帖子，第四个模型用于通过面部识别来识别视频中的人物。她说，Goldcast 的目标是将所有这些人工智能模型联系起来，并将它们转变为代理，在没有人工提示的情况下完成分配的任务。
Goldcast 已经采用了每个人工智能模型的能力并使用了特定的功能用于其自己的用例和工作流程。该公司并未构建自己的离散人工智能模型，而是利用这些开源人工智能的力量。
在开源模型的基础上构建是比创建代理人工智能更有效的方式来利用代理人工智能的力量Creedon 说，人工智能代理从头开始。
她说，我不希望人们认为 [AI] 很难，是一种只有拥有博士学位的人才能使用的专业事物。越多的人了解如何使用它，越多的团队使用它，就会获得更好的结果，不仅对于业务运营，而且对于客户也是如此。
但 Creedon 同意 Forresters 的观点评估认为构建人工智能代理可能是一个复杂的过程。她说，组织将需要一个完整的 MLOps 计划，而一些公司可能没有专业知识来自己完成这项计划。
高级团队将需要采用许多不同的开源模型并配对Creedon 补充道，它们在一个工作流程中结合在一起。在许多情况下，组织需要求助于外部专家来设置人工智能代理。
不过，数据分析公司 Slate Technologies 的首席技术官兼人工智能主管 Senthil Kumar 表示，自己也可以做到这一点。建筑及相关行业的提供商。
Slate Technologies 三年前就开始推出自己的人工智能代理，甚至在人工智能热潮随着 ChatGPT 的发布而拉开序幕之前。
Kumar 说，几年前人们期待的一项理想技术正在实现。
他说，现在有几种 LLM 人工智能可供使用，聪明的公司可以对它们进行试验，并根据自己的具体需求训练自主代理。.
我们很幸运能够站在巨人的肩膀上，学习该领域其他人的经验。库马尔补充道。从一个 [AI 模型] 开始，您可以开始定制其行为。您比外部存在、外部有顾问的通用解决方案更了解您的生态系统。
构建成功的人工智能代理的一个关键是人类监督，这始终是库马尔说，即使代理被构建为自主运行，也是必要的。组织无法构建人工智能代理，释放它，然后忘记它；相反，他们需要检查结果并不断寻找改进方法。
他说，这是整个人工智能生态系统和人类同行之间不断发展的协作过程。重点是这些智能体如何学习、智能体如何获取知识以及智能体如何传播知识。
然而，对于许多公司来说，构建自己的人工智能的决定人工智能驱动的市场情报公司 AlphaSense 的人工智能主管 Chris Ackerson 表示，代理人或与顾问合作并不是一件容易的事。
大公司可能会想要推出自己的高度定制的代理人，他说。说，但他们可能会因内部数据零碎、低估所需资源以及缺乏内部专业知识而陷入困境。
虽然一些公司可能取得成功，但这些项目通常会陷入困境。艾克森说，在成本和复杂性方面进行控制。在许多情况下，从值得信赖的合作伙伴那里购买解决方案可以帮助组织避免构建者悔恨的陷阱，并加速他们的成功之路。
AlphaSense 已经培训了自己的人工智能代理，但许多公司缺乏内部专业知识，他说。说。此外，他补充道，组织可能会预测开发成本，但会忽略持续维护的成本。
这是最大的成本，因为随着时间的推移维护人工智能系统可能会很复杂且占用资源，需要不断更新Ackerson 表示，与 AI 提供商合作可以让公司获得经过数千名用户测试和改进的经过验证的现成代理。
他说，它的实施速度更快，资源占用更少，并且具有持续更新和支持的额外好处，使公司能够专注于其业务的其他关键领域。
数字化转型提供商 UST 的首席人工智能架构师 Adnan Masood 表示，许多组织不需要培训自己的人工智能代理。
重新发明轮子他说，对于像代理人工智能架构这样的复杂系统来说，这确实是一个坏主意。这些架构本质上是复杂的，涉及大量组件。
他说，众多挑战之一是在代理人工智能系统中实现强大的内存管理。该过程不仅仅是存储和检索信息，还包括智能管理上下文、了解过去交互的相关性，以及根据不断发展的知识库动态调整人工智能响应。
此外，还可以根据他补充说，从头开始将涉及设计复杂的数据结构、实施高效的搜索算法以及微调人工智能解释信息和确定信息优先级的能力。这需要组织拥有机器学习、自然语言处理和数据工程方面的专业知识。
通过求助专家或采用预构建的解决方案，或利用开源生态系统，他们可以利用马苏德说，那些已经应对这些挑战的人的专业知识和经验，最终增加了他们的成功机会。