- 综合排序
- 最热优先
- 最新优先
- 来自专栏决策智能与机器学习
自主性
自主这个词在AI圈子越来越火，有变成玄学的趋势，但到底什么是自主，跟自动化、智能有啥关系，我们一起来看看。 先问大家一个问题，自主性是越高越好吗？ 什么是自主性 自主性的英文是autonomy，英文上的解释为“the quality orstate of being self-governing；self-directingfreedom and 中文上的词条解读，自主性是行为主体按自己意愿行事的动机、能力或特性。 所以比较好理解的是，自主就是自己当家作主。 ，或者独立完成，都应该算作自主性，而且，如果是与人协作沟通完成的方式反而是更加复杂一些的。 回到一开始说的问题，自主性是越高越好吗？
93350发布于 2021-05-11 - 来自专栏网络安全技术点滴分享
AI重塑工程实践：对齐自主性如何提升团队效能
工程实践正在被重写：不再有黄金路径在技术持续变革的时代，工程领导者如何确保团队的对齐性、自主性和生产力？ 关键讨论要点AI对工作流的全局影响Superhuman通过AI技术全面提升组织工作流程改进新员工入职培训体系帮助员工优化工作流程使团队能够重启先前搁置的项目工程效能度量策略定性指标与定量指标的结合运用通过数据驱动方法衡量团队效能持续改进工程团队绩效的实践方案对齐自主性概念在快速变化的行业中领导力的重要性通过赋予团队自主权提升组织运转速度平衡团队自治与组织目标的对齐机制资源链接通过 LinkedIn联系Loïc Houssier了解Superhuman：专为高效团队设计的AI原生邮件应用通过LinkedIn或Bluesky联系Ben Matthews本文节选自Stack Overflow 播客《代码领导者》系列，关注工程领导力与生成式AI在技术组织中的实践应用。
25610编辑于 2025-08-22 智能体革命：从0到1，拆解AI获得“自主性”的基础密码
摘要：2026年AI简单作为“问答机器”的存在，却见证了其向“智能体（Agent）”的形态跃迁。从0到1，这不仅是功能的高度，更是“自主性”的觉醒。 在AI进化的坐标系中，大模型（LLM）完成了从-1到0的知识压缩，而Agent（智能体）则正在完成从0到1的行动闭环。 它的核心跃迁在于“非凡的动感”的获得：0.0阶段（传统AI）：听懂指令-生成文本。角色是“护照工具”。1.0阶段（Agent）：设定目标-主动拆解-调用工具-闭环交付。角色是“积极参与者”。 02.核心能力拆解：具有“自主性”的三重架构技术架构Agent协调能实现“从0到1”（Exception）、决策（推理）与执行（行动）三位一体构成。 （本文章由AI辅助生成）
31910编辑于 2026-01-232026年，重新定义Agent：从模型级标准定义看AI的“自主性”跃迁
摘要：在2026年的AI技术浪潮中，Agent（智能体）已不再是实验室里的概念，而是从“能说会道”的Chatbot进化为“能承载事”的数字定义生命体。 .模型等级标准定义：解构“数字生命体”在人工智能领域，Agent的定义已经被行业广泛接受，其核心不仅仅在于它执行指令的软件，而且具备以下三大特征的自主系统：1.经典三要素完全覆盖（TheLoop）符合AI 代理就像“打车时的导航AI”：你只给它目的地，它会实时规划路线、避开拥堵、在封路时自动重算，甚至主动问你“检测到前方加油站，是否需要补充能源？” （灵活）05.2026年展望：从“能说会道”到“能扛事”站在2026年的时间节点，Agent正在成为AI技术落地的“操作系统”。从工具到伙伴：以前我们把AI代理工具（工具），你需要知道怎么用它。 让AI从“辅助人类”走向“美好创造”。写给开发者与创作者的建议写作贴士：不要只写“这个Agent可以生成PPT”，这太浅了。要强调它的“自主性”和“决策链”。
2.3K43编辑于 2026-01-19- 来自专栏量子位
人人都可拥有的自主性AI：有记忆会使用工具，还会自我学习！底层自研框架即将开源
还不是把人类对AI的想象力再次打开了。 使唤AI不用再一句句引导，更不用去研究提示工程了。 人人像钢铁侠那样拥有超级AI贾维斯不是梦。 生产有记忆会自学习的AI Copilot 如上看到的AI Copilot来自名为MindOS的AGI应用助手平台。 以此让AI可以完成一个长链条任务，和AutoGPT非常相似。 而且相对于AutoGPT，MindOS背后框架的自主性更高。 AI Copilot串联成网络：应用和服务的AI Copilot和每个个人AI Copilot，连接成一张全新的网络，服务的分发会在这个AI Network上发生。 林宋琪表示： 未来用户通过自然语言讲解工作流程，AI就可以连通各个软件的API，自主构建工作流和专属用户的UI，这样所有屏幕都可以变成AI的画布，而每个AI助手都是用户的“马良神笔”。
86420编辑于 2023-05-06 双图谱驱动智能渗透测试：解决复杂任务遗忘与幻觉，提升攻防自主性
undefined客户价值：实现从“脚本执行”到“自主推理”跨越，达成动态重规划与证据推理闭环，提升复杂环境攻防自主性（来源：任务图 | Plan-on-Graph动态图规划、因果图设计总结）。 生态与责任：方班-BinX战队以“开源共享”促进行业协同，加速我国“AI+安全”自主创新（来源：About us | 方班 - BinX 使命担当）。
23210编辑于 2026-04-05生成式AI驱动的范式转移：论智能体在企业价值链重构中的自主性演进
在传统 IT 时代，数据是被动记录的资产；而在 AI 时代，数据是训练大模型和驱动智能体决策的燃料。缺乏高质量、AI 就绪的数据，任何宏大的 AI 愿景都将成为空中楼阁。 这种自主性在供应链领域体现得尤为明显。预测指出，相当比例的日常供应链决策将由 AI 智能体独立完成。 攻击者正在利用 AI 智能体进行更高效的凭证窃取和欺诈，这使得防御方必须同样采用 AI 技术来进行对抗。网络安全正在演变为一场“AI 对抗 AI”的军备竞赛。数据安全特别是隐私保护面临着严峻挑战。 在这里，你不仅能获取AI相关的各类市场分析报告、技术论文书籍、应用实践指南等等，涵盖生成式AI、大模型、AIGC、AI芯片和机器人等技术、应用和市场，还能与同侪一起探讨如何使用人工智能大模型和智能体来为工作增效 企业和个人都需要从根本上改变对技术的认知，从将 AI 视为一种单纯的效率工具，转变为将其视为具有一定自主性的合作伙伴。
45010编辑于 2025-12-15- 来自专栏架构驿站
一文读懂 Agentic AI（代理型 AI ）技术点滴
Hello folks，我是 Luga，今天我们来聊一下赋能人工智能自主性和目标导向能力应用场景的 - 构建高效、灵活的计算架构的 Agentic AI 技术。 从某种意义上而言，Agentic AI 不仅仅是传统 AI 的升级版，通过结合大模型技术、强化学习和多模态交互，赋予了 AI 更强的自主性和目标导向能力。 具体可参考如下所示： 1、自主性（Autonomy） Agentic AI 无需持续的人类干预即可独立运行，能够根据目标和环境状态自主完成任务。 —02 — Agentic AI 与传统 AI 的对比解析 传统 AI 系统（如基于规则的专家系统或监督学习模型）通常专注于单一任务，缺乏自主性和上下文理解能力，其设计目标是高效完成预定义任务 代表了 AI 代理能力的最低阶段，其核心特征是高度依赖人类指令，缺乏自主性和对程序流程的控制能力。
5K10编辑于 2025-03-24 基于大语言模型的智能体自主性分级演进与产业价值链重构研究
第一章 自主性的进化：技术架构的代际跨越1.1 从Chatbot到Autonomous Agent的演进路径在分析智能体之前，必须厘清其与传统Chatbot及Copilot的本质区别。 当前的AI系统正处于“自主性阶梯”（Scale of Autonomy）的关键跃升期。L1：Chatbots（对话机器人）核心特征：基于静态知识库或预训练数据进行问答，缺乏记忆与规划能力。 2.3 信任层：监控、评估与安全随着Agent自主性的提升，其带来的风险（幻觉、违规操作、数据泄露）呈指数级上升。 在这里，您不仅能获取AI相关的各类市场分析报告、技术论文书籍和应用实践指南，涵盖生成式AI、大模型、AI芯片及机器人等前沿主题，还能与同侪一起深度探讨如何使用人工智能大模型和智能体来为工作增效，为生活添彩 VAPI、Retell AI等语音基础设施公司的快速融资，以及Meta对Play AI、WaveForms AI的收购，都预示着“语音Agent”将接管客户服务和销售通话。
65100编辑于 2025-11-30- 来自专栏猫头虎博客专区
什么是Agentic AI？Agentic AI 与传统 AIGC 有什么区别？
Agentic AI，即“智能代理 AI”，是一种具备自主性和智能行动能力的人工智能系统。与传统的 AIGC 主要用于内容生成不同，Agentic AI 旨在创建能够执行复杂任务的智能代理。 这些代理不仅能分析数据、理解环境，还能制定决策并采取行动，具备一定的自主性和适应能力。 正文 2.1 Agentic AI 的核心特性 Agentic AI 主要具备以下核心特性： 自主性（Autonomy）：能够独立完成任务，不需要人类全程干预。 同时，智能代理的概念被提出，这些代理具备自主性、反应性和主动性，能够感知环境并做出决策。 Agentic AI 的未来发展 Agentic AI 作为 AI 发展的新方向，未来可能带来以下变革： 更强的自主性：AI 代理将更加智能，能够独立完成复杂任务。
1.7K10编辑于 2025-03-21 - 来自专栏CloudBest
雾计算：工业物联网自主化关键
Embedded Computing Design报导指出，IIoT的演变，根据数据互连性与人工智能(AI)程度的不同，可分为监控、优化与自主性三个层级。 进入自主性层级的IIoT，主要利用AI管理系统，不再需要人为介入。各项决策权与控制将依据反应时间要求与数据规模，分配到IIoT系统的不同阶层。这个层级的实时数据会在各个运算节点间移动。 如果没有雾计算，系统便不可能拥有自主性，而透过雾计算，业者便能开发出更有弹性、韧性的自主化系统。 监控层级的IIoT并无部署雾计算的必要，但对于优化使用案例而言，雾计算可说是十分理想的功能;对于自主性使用案例，雾计算更是关键。 以Linux容器等灵活的运算框架有助于简化AI应用的部署与管理，而数据分布式服务(DDS)等连网标准，是优化与自主性使用案例达成数据互连性不可或缺的基础。
50850发布于 2019-08-02 马虾Agent的驾驭实践（四）-- 框架/模式和场景的“三角”选择
因为要反复调用AI模型，很容易“烧”掉不少API费用。 典型场景：开放域的探索任务，比如科研灵感、新奇想法的实验。 老实人：确定性工作流 + 规则引擎（比如RPA） 自主性：极低。 议会制：多智能体辩论/共识 自主性：很高。多个AI互相讨论、辩论，最终达成一致结论。 可控性：中高。结果经过“集体决策”，但仍然无法100%保证正确。 经济性：极低。 做AI Agent，就像组队打游戏：你总得放弃一样 前面我们聊了，想让一个AI智能体同时具备高自主性（自己会动）、高可控性（你能管得住它）、高效率（省时省钱）——这几乎是不可能的，就像打游戏时你不能同时点上所有天赋 所以优先保住：可控性（每一步都能解释、回滚） +效率（毫秒级响应） 愿意牺牲：自主性（AI不能自己发明新策略） 怎么做： 写死交易规则，加上各种“护栏”——比如禁止买入预算超标的股票、每笔交易都要记录。 所以优先保住：自主性（能自己设计实验步骤） +可控性（每一步都能审计） 愿意牺牲：效率（可以算几个小时甚至几天） 怎么做： 允许AI长时间推理、翻阅大量论文，但每一次搜索、每一个结论都要记录在案。
16110编辑于 2026-05-08- 来自专栏用户5637037的专栏
基于人工智能的舰队竞争中模块化与自主性的协同分析
原文标题：Analysis of the Synergy between Modularity and Autonomy in an Artificial Intelligence Based Fleet Competition
41230发布于 2019-07-17 医疗支付系统中自校正代理AI架构设计
在医疗支付系统中，自主性必须在明确定义的约束内运行。它涉及对合规参数的受约束决策。灵活性将转化为策略变动处的动态调整。可扩展性支持季节性注册高峰或索赔激增。概率性决策优化改进了对模糊案例的处理。 监管环境中的有界自主性医疗支付运营在严格的监管框架下运作。合规边界定义了可接受的决策行为。代理自主性必须保持在这些边界之内。风险分级提供了一种实用的控制结构。 随着自主性的扩大，监督也必须随之扩大。没有适当的治理机制，自主性会增加运营风险；然而，在适当控制下，它可以减少异常量并提高系统稳定性。 代理AI重塑了控制逻辑。从自动化到自主性的转变自主支付系统不会取代确定性的基础，而是对其进行扩展和增强。RPA继续有条不紊地执行交易工作流。超自动化协调多系统流程。智能自动化改进文档和数据解释。 AI自动化在事务引擎之上引入自适应推理。它们共同形成了一个分层的执行结构，而不是一个松散的工具有效集合。只有在存在具有明确治理规则的自校正反馈机制时，自主性才能产生。关于升级级别不应有任何模糊之处。
9710编辑于 2026-05-25医疗支付系统中的自校正智能体AI设计
图2：具有多智能体协调和反馈驱动决策的智能体AI系统概念架构。在医疗支付系统中，自主性必须在明确定义的约束内运行。它包括对合规参数的约束性决策。灵活性将转化为策略变化发生处的动态调整。 受监管环境中的有限自主性医疗支付操作在严格的监管框架下运行。合规边界定义了可接受的决策行为。智能体自主性必须保持在这些边界之内。风险分层提供了一个实用的控制结构。 随着自主性的扩展，监督也必须随之扩展。没有适当的治理机制，自主性会增加操作风险；然而，在适当控制的情况下，它可以减少异常量并提高系统稳定性。 智能体AI重塑控制逻辑。从自动化到自主性的转变自主支付系统不会取代确定性基础，而是扩展和增强它们。RPA继续有条不紊地执行事务性工作流程。超自动化协调多系统流程。智能自动化改进文档和数据解释。 AI自动化在事务引擎之上引入适应性推理。它们共同形成一个分层执行结构，而不是松散的工具有效组合。只有在存在具有明确治理规则的自校正反馈机制时，自主性才能出现。关于升级级别不应有任何模糊之处。
12510编辑于 2026-05-09规避AI原生转型中的架构健忘症
在QCon AI纽约2025大会上，Tracy Bannon发表演讲，探讨了AI代理的快速采用如何重塑软件系统，以及如果组织将所有“AI”或“代理”视为可互换的，为何会面临重复熟悉架构失败的风险。 “每个人都在谈论AI‘生产力’，却很少有人提及随之而来的架构健忘症。” —— Tracy Bannon为了具体说明，Bannon概述了一组在软件开发生命周期中常见的自主性模式。 演讲的一个核心主题是：自主性本身不会失败；当自主性的增长速度快于架构纪律时，失败就会发生。Bannon将这种差距称为“代理债务”。 Bannon鼓励团队从“为什么”开始思考，而不是“如何做”，并在增加自主性之前明确权衡取舍。她将决策描述为总是在改善一个维度的同时牺牲另一个维度的优化，例如价值与努力、或速度与质量。 Bannon将这一责任定位为通过设计受管理的代理而非临时自动化、使风险和债务可见、以及仅在明确能带来价值的地方追求更高水平的自主性，来防止架构健忘症。
12310编辑于 2026-01-08Anthropic 实测数据曝光 ：AI 智能体已经能自主跑 45 分钟了
AI 智能体到底有多 “自主”？不是实验室跑分，不是理论推演，而是真实用户场景里的实测数据。 最近，Anthropic 发布了一份重磅研究 —— 基于数百万次真实人机交互，第一次把 AI 智能体在现实中的自主性、风险、人类干预行为彻底摊开。 结论很直白：AI 已经可以在无人干预的情况下，连续自主运行 45 分钟；越熟练的用户，越敢给 AI 放权，但也越会主动监控；高风险场景正在出现，只是还没大规模普及。 以下是该研究的完整中文版解读。 厘清这一应用范围，是安全部署 AI 的关键，但我们对于人类在现实世界中实际如何使用智能体，却知之甚少。 本研究的核心结论是：要实现对智能体的有效监管，需要搭建全新的部署后监控体系，也需要构建新的人机交互模式，助力人类与 AI 共同管控自主性与风险。
16810编辑于 2026-06-01- 来自专栏实在智能RPA
一文读懂 AI Agent 的企业级落地逻辑丨科普扫盲
三、企业级 AI Agent 落地的实践路径1、从实验室到生产线现在企业对 AI 的需求已经从概念验证走向实际应用。越来越多的企业希望 AI 能无缝集成到生产环境中，带来可量化的业务成果。 四、AI Agent 的自主性与可控性怎么平衡随着 AI Agent 的不断发展，我们可以看到它自主性越来越强了，但这也引发了关于可控性的一些担忧。 一方面，AI Agent 的自主性使其能够更好地适应复杂多变的业务环境以提高工作效率和质量；但同时在另一方面，过高的自主性又可能导致 AI Agent 的行为难以预测和控制，带来潜在的风险。 因此企业在使用 AI Agent 时需要在自主性和可控性之间找到平衡，以更好确保 AI Agent 的行为符合企业的业务目标和伦理道德标准。 企业在引入 AI Agent 时，不仅要根据自身的业务需求和技术条件，制定合理的落地策略，同时也需要关注 AI Agent 的自主性与可控性关系问题，以确保其在为企业创造价值的同时，不会带来不可控的风险
71620编辑于 2025-08-13 - 来自专栏云云众生s
智能体评估工具：开发者对抗AI幻觉的新武器
一个名为“AI自主评估”的生成式AI新领域帮助开发者保护其AI应用免受幻觉的影响。 自主性指的是系统自主行动并独立实现目标的能力。因此，AI自主性评估工具是评估生成式AI和AI智能体是否存在幻觉和其他问题的解决方案。 该领域非常新兴，解决方案提供商和研究人员仍在确定使用哪些指标。 为了了解更多信息，我们采访了Atin Sanyal，他是新兴AI自主性评估领域的专家。 开放域幻觉是指AI模型在没有特定上下文或输入的情况下生成虚假信息。封闭域幻觉是指AI模型仅基于有限的上下文数据编造不正确的信息。 在构建AI智能体时，封闭域幻觉尤其令人担忧。 评估AI智能体：开源 这就是AI自主性评估发挥作用的地方。 “这实际上是关于我们如何帮助AI工程师使这些不可预测的系统更可预测，并为它们提供正确的防护措施，并帮助我们所说的评估，”Sanyal说。
62810编辑于 2025-02-19 马虾Agent的驾驭实践（三）-- 不可能三角
在AI领域，此处我用“马虾”代指基于HermesAgent（爱马仕）和OpenClaw（龙虾）之类的 Agent框架构建的马虾Agent。】 自主性 ↔ 可控性：最经典的张力 高自主性要求 Agent需要拥有广泛的行动空间、灵活的推理机制、对环境的主动适应。它必须能够绕过预设路径，自行决定工具调用顺序，甚至重写自己的子目标。 这些手段本质上会限制行动空间，减少自由决策点，从而压制自主性。 结论：自主性越高，行为空间越大，就越难对其施加完整的、可验证的控制。反之，严格的可控性会牺牲Agent的自主适应能力。 2. 自主性 ↔ 效率：长链条推理的代价 高自主性 通常意味着Agent需要执行多次LLM调用（规划、反思、工具调用、错误重试），需要维护长期记忆与工作记忆，需要探索多条可能的解决路径。 结论：提升自主性几乎必然引入额外开销（更多的token、更多的推理步骤、更复杂的记忆系统），从而降低单位资源的产出效率。追求极致效率则只能接受极低的自主性（例如单轮提示词完成的简单任务）。 3.
18810编辑于 2026-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号