ИИ-агенты и агентный ИИ: концептуальная таксономия, приложения и вызовы

AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenge

May 15, 2025

Авторы: Ranjan Sapkota, Konstantinos I. Roumeliotis, Manoj Karkee

cs.AI

Аннотация

В данном исследовании проводится критическое разграничение между ИИ-агентами и агентным ИИ, предлагается структурированная концептуальная таксономия, карта применения и анализ проблем для уточнения их различных философий проектирования и возможностей. Мы начинаем с описания стратегии поиска и базовых определений, характеризуя ИИ-агентов как модульные системы, управляемые крупными языковыми моделями (LLM) и крупными моделями изображений (LIM) для узкоспециализированной автоматизации задач. Генеративный ИИ рассматривается как предшественник, а ИИ-агенты развиваются за счет интеграции инструментов, инженерии промптов и улучшений в области рассуждений. В отличие от этого, системы агентного ИИ представляют собой парадигмальный сдвиг, характеризующийся многоагентным взаимодействием, динамической декомпозицией задач, устойчивой памятью и оркестрированной автономией. Последовательно оценивая эволюцию архитектуры, операционные механизмы, стили взаимодействия и уровни автономии, мы представляем сравнительный анализ обеих парадигм. Области применения, такие как поддержка клиентов, планирование и обобщение данных, противопоставляются внедрению агентного ИИ в автоматизацию исследований, координацию роботов и поддержку медицинских решений. Мы также исследуем уникальные проблемы каждой парадигмы, включая галлюцинации, хрупкость, возникающее поведение и сбои в координации, и предлагаем целевые решения, такие как ReAct-циклы, RAG, слои оркестрации и причинное моделирование. Эта работа направлена на создание четкого плана разработки устойчивых, масштабируемых и объяснимых систем на основе ИИ-агентов и агентного ИИ. >ИИ-агенты, агентно-ориентированный, модели "визуальный язык", системы поддержки решений на основе агентного ИИ, приложения агентного ИИ.

English

This study critically distinguishes between AI Agents and Agentic AI, offering a structured conceptual taxonomy, application mapping, and challenge analysis to clarify their divergent design philosophies and capabilities. We begin by outlining the search strategy and foundational definitions, characterizing AI Agents as modular systems driven by Large Language Models (LLMs) and Large Image Models (LIMs) for narrow, task-specific automation. Generative AI is positioned as a precursor, with AI Agents advancing through tool integration, prompt engineering, and reasoning enhancements. In contrast, Agentic AI systems represent a paradigmatic shift marked by multi-agent collaboration, dynamic task decomposition, persistent memory, and orchestrated autonomy. Through a sequential evaluation of architectural evolution, operational mechanisms, interaction styles, and autonomy levels, we present a comparative analysis across both paradigms. Application domains such as customer support, scheduling, and data summarization are contrasted with Agentic AI deployments in research automation, robotic coordination, and medical decision support. We further examine unique challenges in each paradigm including hallucination, brittleness, emergent behavior, and coordination failure and propose targeted solutions such as ReAct loops, RAG, orchestration layers, and causal modeling. This work aims to provide a definitive roadmap for developing robust, scalable, and explainable AI agent and Agentic AI-driven systems. >AI Agents, Agent-driven, Vision-Language-Models, Agentic AI Decision Support System, Agentic-AI Applications