在当前人工智能技术蓬勃发展的背景下，代理式人工智能(Agentic AI)成为业内热议的话题。然而，尽管这项技术展现出比聊天机器人更强大的性能，其实际影响力仍然有限。即使已经看到生产力提升的组织也未全面采用这项技术。这种迟疑主要源于开发和运营所需的大量资源投入，而非对技术价值的质疑。
印度软件公司(Indium Software)首席数据科学家阿希什·库马尔(Ashish Kumar)在接受AIM专访时指出，技能差距是主要障碍。代理式人工智能需要提示和应用程序接口(API)之外的支持，还需要周密的设计、编排、模块化，以及既懂软件又懂业务的专业人才。
与传统机器人相比，代理系统不依赖固定规则，而是通过目标导向做出决策。库马尔强调，这种特性使传统的准确率指标变得次要，系统的可靠性和透明度才是关键。目前，这些系统通常能达到90-95%的成功率，但剩余5%的边缘案例成为了达到99%成功率的主要障碍。
在成本方面，内部使用场景的API支出相对可控。但面向消费者的代理服务可能因大量调用语言模型而导致成本快速上升。随着基础模型的发展，这些成本有望降低。
系统集成是另一个重要挑战。构建代理系统需要整合大语言模型(LLM)、向量数据库、编排层、内存模块和企业API。其架构类似微服务，虽然灵活性高，但维护难度也大。
在实际应用中，印度软件公司采用CrewAI进行系统编排，使用Claude处理代码密集型任务，应用Gemini处理多模态输入。他们通过LlamaIndex支持文档解析，使用FastAPI和MCP协议实现企业系统集成。开发流程通常从本地的Ollama或Hugging Face模型开始，后续根据需求连接OpenAI或Claude的API。在状态和内存管理方面，结合使用Redis、向量数据库和知识图谱。
库马尔特别强调，所有API必须符合MCP标准，开发时应自动转换为MCP兼容版本。
