Agentic Systems
用来统称 workflow 和 agent 的更大范畴，强调模型、工具和环境反馈如何被组织成持续执行系统。
#ai
#agentic-systems
#concept
#growing
[!info] related notes
- 所属 MOC: Agent MOC, AI MOC
- 前置概念: LLM, Function Calling, Built-in tools, MCP 协议
- 并列概念: Agent, Augmented LLM, Orchestration
- 易混淆概念: AI Agent 创建实践
- 关系笔记: Agentic Workflow Patterns
Agentic Systems
一句话定义
Agentic systems 是一个总称，指那些让 LLM 不只单次生成文本，而是结合工具、状态和环境反馈去持续完成任务的系统。
核心机制 / 工作原理
这个概念的重要点不在“它是不是完全自主”，而在于：
- 模型不只是输出一段答案
- 系统会把工具调用、检索、状态传递、结果检查和后续动作串成闭环
- 任务推进可能跨越多次 LLM 调用
在这个总框架下，可以再分成两类：
workflow：流程由代码预先编排，模型只完成其中某些步骤agent：模型可以根据目标、工具结果和环境反馈决定下一步做什么
最小例子 / 最小场景
一个“先让模型起草，再让另一个模型打分，再按分数决定是否重写”的系统，就已经是 agentic system，即使它还不是 fully autonomous agent。
边界与易混淆点
- agentic system 不等于一定是“自由行动很久的 autonomous agent”。
- 单次 prompt + RAG 不是所有时候都该升级成 agentic system；很多任务优化单次调用就够了。
- 真正值得上 agentic system 的场景，通常都需要多步执行、工具交互和反馈闭环。
学习检查
不看正文回答：
- Agentic System 为什么是比 Agent 更大的范畴？
- 固定 Workflow 与自主 Agent 都可以属于 Agentic System 吗？为什么？
- 模型、工具、环境反馈和控制逻辑分别扮演什么角色？
- 一个系统“用了 LLM + Tool”为什么还不自动等于完整 Agent？
- 哪些任务更适合确定性 workflow，哪些任务才值得增加动态决策？
- 给一个真实自动化任务，把它拆成模型决策与确定性控制两部分。
Digital Biome