在历史的长河中，智能化是人类技术开展的关键能源，协助人类从复杂、风险、繁琐的休息环境中束缚进去。自早期农业时代的水车灌溉，到工业时代的蒸汽机，人类不时在不时寻求愈加先进的智能化技术，从而束缚自身于惨重的上班。

随着信息时代的来到，软件作为信息处置、存储和通讯的基础成为了人类消费生存密无法分的一环，从而催成了机器人流程智能化（RoboticProcessAutomation,RPA）技术。其经过人工编制规定将多个软件协调成一个固化的上班流（Workflow），经过模拟人交互的方式来和软件交互成功高效执行。

图1机器人流程智能化RPA与智能体流程智能化APA对比

RPA应用软件机器人或称为BOT来模拟和执行重复性、规定性的义务，从而束缚人力资源，提高上班效率。RPA的运行范围十分宽泛。很多企业（包括银行、保险公司、制作业、批发业等各个行业）常应用RPA机器人来智能执行一些惯例和繁琐的义务，例如：数据录入、数据提取、数据处置。经过智能化义务，RPA可以大幅度缩小失误率，并且能够在24*7不连续地执行义务，从而提高了业务的牢靠性和照应才干。

依据市场钻研，RPA市场正在迅速增长并取得渺小成功。Gartner预测，2023年环球RPA市场支出将到达33亿美元，相比2022年增长17.5%。这标明了企业关于RPA的剧烈需求和认可。

然而，RPA仅能代替便捷、机械的人力上班，一些复杂的流程依旧依赖人工：

图2RPA与APA的效率与智能对比

幸运的是，最近AI畛域兴起的大模型智能体技术（LargeLanguageModelbasedAgents,LLM-basedAgents）兴许给智能化技术发明了新的或者性。 有没有或者将Agent技术的灵敏性引入到RPA畛域中，来进一步缩君子的介入呢？

该团队的钻研讨论了大模型智能体时代下新型智能化范式智能体流程智能化AgenticProcessAutomation(APA)。和传统RPA相比，在APA范式中，Agent可以依据人类的需求自主成功上班流构建，同时其可以识别人类需求中须要灵活决策的局部，将智能编排进上班流中，并在上班流执行到该局部时被动接收上班流的执行成功相应复杂决策。

为了探求APA的或者性，该钻研上班成功了一个智能化智能体ProAgent，其可以接纳人类指令，以生成代码的方式构建上班流，同在上班流中引入max-width="600"/>

图3智能体上班流形容言语示例

在ProAgent中，因为LLM自身在代码数据中启动预训练，学习到了较强代码才干，该钻研便基于代码的智能体上班流形容言语AgenticWorkflowDescriptionLanguage。该言语经常使用JSON成功对上班流中数据的组织与治理，选用/target=_blankclass=infotextkey>Python语法成功对上班流的逻辑控制，将控制流中的跳转、循环等间接经过Python语法启动表征，同时将上班流中的工具调用封装为PythonFunction。于是关于ProAgent，上班流构建义务便转化为代码生成义务。当接纳到人类指令时，ProAgent便编写相应的AgenticWorkflowDescriptionLanguage，从而成功了上班流智能化构建。

图4结合max-width="600"/>

2.ControlAgent：关于难以用规定示意的逻辑控制规定，上班流构建时经常使用人造言语对控制逻辑启动形容，而后在运转时会初始化一个ControlAgent，其会基于该人造言语形容自主选用上班流后续须要执行的分支。

ProAgent经常使用ReACT形式逐渐构建上班流，其共蕴含四个上班流构建步骤：

图5ProAgent上班流构建环节示例

另外，为了优化ProAgent的成果，又引入了几个优化技巧：

上班流执行环节基于Pythoninterpreter。给定一个上班流，其对应的mainWorkflow函数用作为上班流执行的入口来开局整个执行环节。执行环节遵照Python代码执行规定，即依照顺序逐行执行。一旦mainWorkflow函数前往，上班流执行就成功成功了。

可行性验证

为了验证AgenticProcessAutomation的可行性，该钻研经常使用GPT-4作为基础模型，并以一个开源的RPA平台n8n作为载体，成功了上述的ProAgent。同时设计了一个须要统筹灵敏与效率的义务：这是一个典型的商业场景，须要从GoogleSheets中提取各种业务线的营利数据，同时依据业务能否属于2B或是2C，选择后续的行为。一旦确定业务线为2C，就会向Slack频道发送一条信息。而关于2B的业务线，则会向相应的经理发送一封电子邮件，其中包括对业务线的评价和简明的盈利详情。

图6义务Instruction展现

关于该义务，首先它是一个重复性的义务，关于多条产品线，应该走相反的处置流程。其次，分辨一个业务线是2C还是2B很难经过规定判别，须要触及Agent灵活决策来判别后续的上班流执行操作。最后，依据撰写业务线的评价邮件须要必定的智能，所以须要Agent的介入。

在ProAgent生成中，关于该义务，编写出了一个蕴含四个原子操作，一个max-width="600"/>

图7ProAgent上班流构建环节展现

可以看到，ProAgent经过自主编写代码的方式，智能成功了上班流的构建环节，其中无需触及人工介入。在须要判别业务线是2B还是2C时，ProAgent引入了ControlAgent来做判别，ControlAgent的Prompt被设置为DecideWhetherthebusinesslineistoCortoB。当业务线为2B时，ProAgent还引入了一个max-width="600"/>

图8ProAgent上班流执行环节展现

在处置2C业务线数据时，ControlAgent可以依据业务线形容判别出以后业务线的类型，选用调用Slack工具。当遇到2B业务线数据时，DataAgent可以撰写邮件发到相应经理的邮箱中。

总结

该钻研提出了大模型时代下新的智能化范式——AgenticProcessAutomation，和传统RoboticProcessAutomation技术相比，其可以成功上班流构建的智能化，以及上班流执行时灵活决策的智能化。该钻研进一步成功了ProAgent并经过试验提醒了大模型智能体在智能化中的可行性与后劲。置信未来大模型智能体技术会协助人类成功更上档次的智能化，将人类从各种惨重的休息中束缚进去。

团队关系钻研

目前钻研团队已在大模型智能体方向有诸多钻研，包括：

觉得清华同方锋锐k46a笔记本怎样！

今天刚入手3980带票和包鼠标其他没有 机器性能还不错外观只能算一般比y450厚点 散热只有通风口的那边 这个机子没有很多花哨的功能温度有些高其他地方温度很低显卡是入门级的运行一般的3d游戏没问题玩鬼泣4呼呼的 发热不大做工一般吧毕竟性价比在那了 接口种类数量不多电池用了2个半小时 比参数上少1个小时不过不到4000买个i330独显的机子是相当超值了 至于质量刚用没出毛病呵呵 就这些

清华同方x460和微星GE40笔记本选哪个呢？在京东上看了两种的配置都差不多，两者还有什么区别，比如散热什么的？详细点。。

要是我就选X460，理由：X460是i7处理器，GE40是i5，同同方胜；X460显卡GTX760，GE40是GTX750，同方胜；X460是4G内存500硬盘，GE40是4G内存750硬盘，微星胜；价格同方胜。 综合来看，同方整体配置比微星高一大截，硬盘说实话500足够。 散热方面还可以，要是玩儿超大型游戏且长时间玩儿还是建议搞个风扇，对本子本身好，使用寿命会长一些。