AI Agents vs. Agentic AI:Kubernetes开发者指南

我爱免费

作者：微信文章

字数 2017，阅读大约需 11 分钟

AI 代理是具有 AI 功能的单用途微服务，通过工具集成和提示工程执行特定任务。自主 AI 则是由多个 AI 代理组成的复杂系统，通过编排、持久内存和自主决策能力协同工作，解决复杂问题。理解这两种模式对于构建现代云原生应用至关重要。

译自：AI Agents vs. Agentic AI: A Kubernetes Developer’s Guide[1]

作者：Janakiram MSV

区分 AI 代理[2] 和 自主 AI[3] 对于构建容器化应用程序和微服务的开发人员来说至关重要。虽然这些术语听起来相似，并且在技术讨论中经常被混淆，但它们代表着根本不同的架构模式，直接影响您在 Kubernetes[4] 环境中设计和部署 AI 系统的方式。

微服务架构和自主 AI 乍一看可能具有可比性。 两种方法都通过将大问题分解为在分布式云基础设施上运行的较小组件来解决复杂性。 如需更多背景信息，请阅读我的文章，该文章向微服务开发人员介绍了 AI 代理和自主工作流的概念[5]。

今天的文章使用 Kubernetes 和容器开发人员熟悉的类比来比较 AI 代理和自主 AI 系统——想想 pod、服务、sidecar、服务网格和可观测性。我们将保持定义简单，避免可能使 DevOps 工程师感到困惑的繁琐术语。最后，您将了解单个 AI 代理与代理系统的比较，以及规划器、工具、内存和外部系统如何发挥作用。
什么是 AI 代理？

AI 代理是独立的自主软件实体，它们通过工具集成和提示工程来执行特定任务。 将它们视为具有 AI 功能的单用途微服务。 每个代理处理一项明确定义的职责，例如处理客户查询、重置密码或分析日志。 它们使用请求-响应模式运行，并且通常在交互之间保持最小状态。
单个 AI 代理的架构

一个简单的 AI 代理通常包括一个 AI 模型和一些运行时逻辑。 它还可以与内存存储或工具集成以扩展其功能。 例如，代理可能需要记住请求之间的上下文或检索信息以完成其任务。 AI 代理设置可能如下面的插图所示。


[6]
AI 代理概念图

在此图中，代理（在 pod 中运行）连接到向量数据库（充当其内存），并在需要时通过 API 调用外部工具服务。 向量数据库（内存）类似于 sidecar 数据库，允许代理存储或检索上下文，很像微服务可能利用缓存或数据库。

外部工具服务类似于我们的代理 pod 依赖的另一个微服务，用于执行特定功能（例如，计算服务）。 AI 代理自主决定何时使用这些资源。 就像代理 pod 有一个用于内存的 sidecar 并且知道如何调用集群中的其他服务一样。 代理仍然专注于其特定任务，并使用工具或数据源作为辅助，而不是试图自己完成所有事情。
什么是自主 AI？

自主 AI 代表着更复杂的东西。 这些系统具有多个 AI 代理，它们通过编排、持久内存和自主决策能力协同工作。 如果 AI 代理是微服务，那么自主 AI 就包含了您的整个部署，包括服务网格和事件驱动架构。 该系统可以将复杂问题分解为子任务，在专业代理之间进行协调，并根据经验调整其策略。

如果 AI 代理是微服务，那么自主 AI 就包含了您的整个部署。

例如，考虑一个电子商务场景。 您可能有一个定价代理、一个库存代理和一个客户服务代理相互交互。 每个代理都可以在其专业领域独立运行，但它们像微服务一样朝着共同的应用程序目标协作。 定价代理可以根据市场数据自主调整价格，库存代理可以根据预测的需求重新订购库存，支持代理可以处理客户咨询。 它们通过消息或共享内存共享信息和协调操作，就像微服务发出事件或调用彼此的 API 一样。
自主 AI 的架构

本质上，自主 AI 系统引入了一种规划和适应的概念，代理可以在其中制定计划、协商职责或在第一次尝试时未解决问题时返回。 换句话说，该系统表现出一种具有智能的编排形式，类似于具有指挥的微服务交响乐团，而不是单一的脚本化工作流程。

代理可以自我纠正并在多个步骤中改进其方法。 这就是为什么自主 AI 通常被描述为经过协调的自主代理，用于处理对于单个代理来说过于复杂的相互依赖的任务。 它在概念上类似于在 Kubernetes 上运行分布式工作流程，其中不同的服务处理每个步骤。 但是，在这种情况下，每个步骤/代理都有自主权来实现其部分。

为了可视化这一点，这是一个自主系统中一个简单的序列，其中一个代理充当规划器，其他代理充当子任务的工作者：


[7]
在此流程中，规划器代理接收传入的请求并将其分解为多个部分。 它将任务 A 委托给专门的工作者代理 A，后者可能会调用外部工具服务 X（可能是微服务 API 或函数），然后将一些中间结果存储在共享内存存储中。 然后，任务 B 由工作者代理 B 处理，后者读取代理 A 存储的内容并可能调用工具服务 Y。规划器收集结果并生成最终结果以返回。

从概念上讲，自主 AI 系统是一个由 AI 驱动的 pod（代理）网络，具有智能编排覆盖，而不是一组孤立的智能服务。

这类似于一个动态工作流程，其中规划器充当编排服务或 Kubernetes 控制器，确保每个步骤（代理）执行其工作。 请注意代理如何通信：不是像在单个程序中那样直接通过函数调用，而是通过共享资源（内存）或消息传递。 这类似于服务使用数据库或事件总线来同步状态。 在此示例中，内存存储充当集群范围内的共享状态（类似于多个服务使用的配置映射或数据库），使代理能够可靠地传递信息。

总的来说，从概念上讲，自主 AI 系统是一个由 AI 驱动的 pod（代理）网络，具有智能编排覆盖，而不是一组孤立的智能服务。
接下来是什么？

对于容器开发人员来说，信息很明确。 AI 代理是微服务的自然演变，为各个组件带来了智能。 自主 AI 代表了下一代分布式系统，其中自主代理协作以解决复杂问题。

理解这些模式及其在 Kubernetes 环境中的实现对于构建现代云原生应用程序至关重要。 今天可用的工具和框架可以使用熟悉的容器编排模式来部署复杂的 AI 系统，使每个开发团队都可以使用 AI 功能。

在接下来的文章中，我将演示如何在云原生环境中运行 AI 代理和自主系统。 敬请关注。
引用链接

[1] AI Agents vs. Agentic AI: A Kubernetes Developer’s Guide:https://thenewstack.io/ai-agents-vs-agentic-ai-a-kubernetes-developers-guide/
[2]AI 代理:https://thenewstack.io/ai-agents-a-comprehensive-introduction-for-developers/
[3]自主 AI:https://thenewstack.io/agentic-ai-the-next-frontier-of-ai-power/
[4]Kubernetes:https://thenewstack.io/kubernetes/
[5]AI 代理和自主工作流的概念:https://thenewstack.io/what-agentic-workflows-mean-to-microservices-developers/
[6]:https://cdn.thenewstack.io/media/2025/09/68a4f0e3-ai-agent-1024x1001.png
[7]:https://cdn.thenewstack.io/media/2025/09/0b78cae0-agentic-ai-1-1024x577.png