文章来源：AI工程化

图片来源：由无界AI生成

很多AI领域大佬，如吴恩达，Karpathy都表示看好Agent，将其作为未来最有潜力的方向。有关这样的文章也都很容易引起读者的关注，比如：

吴恩达站台畅聊Agent Workflow 以及 4 种主流设计模式，LLM应用开发的新热点

利用Coze 实现吴恩达的4种 AI Agent 设计模式

笔者曾经在之前文章提到过“RAG的尽头是Agent，AI的尽头是替代人”。这里的核心推理逻辑是什么？今天不从技术面，如其内在技术联系及演进趋势角度探讨其必然性，感兴趣可查看笔者文章：

一文探秘LLM应用开发(24)-Prompt(架构模式Agent)

我想从需求满足的角度来聊一聊：

我们首先以“用户去某地旅游”为需求来解释LLM、RAG、Agent三者的能力边界以及需求满足度。

LLM：能够生成“无法考证可能正确”以及“不一定及时”的相关行程攻略，景点等信息。

RAG：能够检索一些时效性高、内容可靠的信息源的内容，并生成相关的行程信息。

Agent：能够基于用户的需求目标完成，通过使用各种工具和系统交互完成攻略制定，订票，制定行程日历等过程任务。

从上面的例子可以得到以下一些直观的认识：

1）LLM和RAG本质上还是面向的内容生成，是在知识和信息层面做工作。其中RAG是对LLM能力的增强或者是阶段性的改良。这和我们在抖音或者小红书上看到了内容攻略没有本质区别，其核心差异在于内容制造的效率和质量。

2）Agent是面向目标任务而生，能够完成端到端的需求满足。通过自己的任务规划，拆解，迭代，它不仅完成了内容的生成，还能利用工具使用完成一系列原本需要用户自己完成的任务，最终达成目标。比如看完攻略再去携程等APP上完成订票。

在当下移动互联网/AI1.0时代，我们利用内容自媒体平台和推荐技术完成了内容的生成和内容分发，但是当人在获取到信息或者知识后，仍然需要人去完成具体任务（哪怕是AI生成内容本身），这某种程度上是对用户真实需求的“阉割”，并没有完整的满足。另一方面，由于人类本身的局限性，也只能满足一定程度的头部需求满足，比如美团外卖，通过AI+人的方式满足人类能够在家吃到饭的需求，但更多长尾的个性化需求难以满足，其核心原因在于这会带来天量的开发和运营成本，难以完成商业闭环。对于这其中技术原因可读：一文探秘LLM应用开发(27)-编排与集成（大模型时代应用特点及编排与集成框架概论-1）

@Aniket Hingane

从这个角度讲，当前很多时候人类便是这里的“Agent”，不论是平台经济上的外卖骑手还是滴滴司机，亦或是职场里格子间的完成某项任务的打工人，他们完成的工作核心价值是在一个SOP下，完成指定的任务。而随着Agent能力的不断提高，现有的平衡格局将被打破，大家不得不面对人与人的竞争，还会面对人与机器竞争的尴尬窘境。

前面可能是一些可能的担忧，但在这里也同时孕育从有关需求的内容信息满足到完整的需求目标满足需求迈进过程中的巨大机会。

想象一下，未来人类任何一个需求都能够有一个地方，那里充满了各种各样能够完全满足需求的Agent，它们替我们个性化服务，就像我们都能看到自己需要的个性化内容一样，那将会是多少倍的抖音小红书呢？又会出现哪些形式的滴滴美团呢？而它将对现有的商业模式及社会生活带来何种改变？普通人又将如何自处？‌