如果你现在去问任何一位企业 CIO「你们有没有在用 Agentic AI」，大概率得到肯定的回答。PwC 2025 年调研显示，79% 的组织声称已「在某种程度上」采用了 AI Agent。
但如果你追问一句「你们的 Agentic 项目产生了什么可量化的业务价值」，现场气氛就会变得微妙。
Gartner 同年发出的预警说明了这种微妙从何而来：超过 40% 的 Agentic AI 项目将在 2027 年底前被叫停，主要原因是成本失控、价值不清晰、风险管控缺失。
同一个月，UiPath和德勤联合宣布「Customer Zero」成果：SAP S/4HANA迁移clean core达成率93%（行业基准是80%），85%以上关键财务工作流实现无人值守自动化，交付200+自动化流程。
Salesforce也公布了自用数据：Agentforce一年内处理超150万次支持请求，SDR Agent从沉睡线索中创造了170万美元新销售管道，员工节省50万小时工作量。同一项技术，同一个时间窗口：一边是40%的失败预警，一边是实打实的业务成果。分水岭在哪里？
问题的根源不在技术本身，而在于大量企业根本没搞清楚自己在部署什么。Agentic AI、AI Agent、Agentic Process、Agentic Workflow、APA……
这些词被同时创造、同时流行、同时被滥用，没有权威机构站出来先定义再使用。于是，把简单规则自动化包装成Agentic的，有；把Chatbot改个名字叫Agent拿去融资的，有。Gartner甚至专门造了个词描述这种现象「Agent Washing」。
概念混乱导致决策混乱，决策混乱导致项目烂尾。这才是那40%失败率背后更深层的原因。
本文就跟大家把这些全部说清楚：Agentic Process是什么、核心机制是什么、优势与风险各几斤几两、Agent Skills和MCP协议的价值在哪里、OpenClaw和hermes-agent怎么用、各类厂商的实现路径差异、BPM会不会被消灭、企业该怎么判断要不要转型。
一篇文章，全部讲透。
七个词，七个不同层次
每隔一段时间，AI领域就会冒出一批高度相关却被高度混用的词汇。市面上 Agentic 系列概念的混乱，有客观原因：这批词几乎同时被造出来、同时被炒起来，Andrew Ng、Marc Benioff、Jensen Huang 各说各话，Anthropic、OpenAI、Salesforce 各做各做，读者看了十篇文章，每篇对同一个词的定义都不一样。
王吉伟频道整理了一张完整的概念层级图，这是一个“6个纵向层级+1个横向治理层”的结构，从上到下、从核心到落地大致是这样的：
Agentic AI→ AI Agent→ Agent Skills→ Agentic Process→ Agentic Workflow（→ APA， Agent Harness则是贯穿所有层级的横向治理层，不算在纵向层级里。
这七个概念不是同义词，也不是同类概念的不同叫法，本质上是从范式到执行、从能力到流程、从编排到工程化落地，并由治理体系贯穿全局的分层架构，每一层解决不同维度的问题。下面我们就逐个把这些概念讲明白，用最通俗的话拆解清楚。
Agentic AI（智能体\代理式人工智能）。它是整体技术范式，描述的是AI系统具备自主感知、目标分解、多步推理和主动执行能力这件事本身。它不是某个产品，而是一种设计哲学——AI 不只是回答问题，而是主动完成目标。大家可以把它理解为「生成式 AI」同级别的范式概念，而不是某个可以采购的软件。
AI Agent（AI智能体）。它是 Agentic AI 的具体执行单元，说白了就是一个能够感知环境、推理决策、调用工具、执行任务的自主实体。简单类比就是，Agentic AI 是一家快递公司的整体运营体系，那 AI Agent 就是一个具体的快递员，是范式的实例化，是实实在在干活的“人”。
Agent Skills（智能体技能）。这是Agent的能力原子，也是Agent能干活的基础——一个Agent之所以能做某件事，是因为被赋予了对应技能，比如调用API的技能、操作数据库的技能、执行代码的技能、控制浏览器的技能。Skills是Agent行动能力的最小单位，就像人身上的一个个“技能点”，也是整个 Agentic 生态互操作的关键接口，近年来标准化进展最快的就是这一层。
Agentic Process（智能体流程）。这是整个体系的核心主角，也是最容易被忽视的一层。它描述的是AI Agent完成任务时走过的完整动态循环：感知信息、推理规划、调用工具执行、评估反馈、再次迭代，直到目标达成。说白了就是智能体干活的“完整步骤”，强调的是「流程」本身，是动态的、有状态的、自适应的，也可以理解成智能体的“认知-行动闭环”。
Agentic Workflow（智能体工作流）。它是对多个Agentic Process的编排和组合，不再关注单个Agent怎么完成一个任务，而是关注“这些任务按什么顺序、以什么逻辑串联起来”。如果说Agentic Process是“一次完整快递任务的流程”，那Agentic Workflow就是“多个快递任务的调度安排”；再简单点说，Process是原子，Workflow是分子，是系统级的任务编排。
Agentic Process Automation（APA，智能体\代理式流程自动化）。它是把Agentic Process和Workflow落地到企业业务场景的工程化体系，相当于RPA（机器人流程自动化）的进化版。区别在于，RPA靠硬编码的固定规则干活，而APA用AI的自适应能力替代了固定规则，能实现端到端的智能自动化，也是企业级应用落地的关键一步。
Agent Harness（智能体驾驭框架）。这是最容易被企业忽略、却最不能缺的一层，它不是纵向的某一级，而是横向贯穿所有层的“控制层”，可以理解为“管理和约束AI Agent行为的缰绳”。它的核心作用就是定义Agent的权限边界、监控执行轨迹、处理异常回滚、协调多Agent之间的任务分配。就像Agent是马，Harness是鞍辔和缰绳，没有它，Agent跑得越快越危险，企业用起来也越没保障。
这七个概念构成了一个完整的Agentic AI体系：Agentic AI定方向（能力范式），AI Agent去执行（执行单元），Agent Skills打基础（能力原子），Agentic Process做核心（运作流程），Agentic Workflow做调度（编排形式），APA落地到企业（工程体系），Agent Harness保安全（治理控制）。
这套体系不只是一次技术升级，更是对企业数字化体系的一次结构性重构。
概念 | 层次定位 | 核心关注点 | 直觉类比 |
Agentic AI | 能力范式 | AI 具备自主性 | 工业革命（整体转型方向） |
AI Agent | 执行单元 | 谁来执行任务 | 具体的快递员 |
Agent Skills | 能力原子 | Agent 会做什么 | 快递员的专业技能证书 |
Agentic Process | 运作流程 | 任务怎么被完成 | 一次快递任务的完整履约流程 |
Agentic Workflow | 编排形式 | 多个任务怎么衔接 | 多任务的调度安排表 |
APA | 工程实现体系 | 如何在企业落地 | 快递公司的数字化管理系统 |
Agent Harness | 治理控制层 | 如何保证安全可控 | 行为规范与监管机制 |
这张表的价值在于：选型和决策时，不会把预算花在错误的层次上。搞清楚这张图，后面所有内容都会顺畅很多。
Agentic Process 核心机制：一个改变一切的循环
理解Agentic Process，最关键的是理解它的运行方式：Agentic Loop（智能体循环）。
Andrew Ng在2023年系统阐述了这个框架，将其归纳为四个阶段，业界普遍沿用至今。
第一阶段：感知（Perceive）。Agent收集当前任务所需的所有信息：用户指令、数据库查询结果、工具返回值、API响应，甚至网页截图或医疗影像。感知能力决定Agent的「视野」宽度，也决定了后续推理的质量上限。
第二阶段：推理与规划（Reason & Plan）。这是LLM真正发力的阶段。模型分析当前状态，将大目标分解为可执行的子步骤，选择调用哪些工具，制定行动序列。ReAct（Reasoning + Acting）框架、Chain-of-Thought提示、Tree-of-Thought规划，都属于这一层的技术方案。推理阶段的质量直接决定Agent「走弯路」的频率。
第三阶段：执行（Act）。Agent实际调用Skills或Tools：API请求、数据库写入、代码执行、文件操作、浏览器自动化。这是「想法」变成「行动」的关键转化点，也是出问题最多的环节。执行层的宽度，决定了Agentic Process能触达的业务边界。
第四阶段：反思与学习（Reflect & Learn）。Agent检验执行结果是否符合预期。成功则更新记忆状态，进入下一步或标记完成；失败则分析原因，调整策略，重新进入循环。短期记忆（Context Window）和长期记忆（Vector Store或外部存储）都在这个阶段得到更新。
然后，循环重复，直到目标完成，或触达预设终止条件（最大迭代次数、超时时间、成本上限）。
这个循环有个让人印象深刻的特征：非线性。它不是从A到B再到C的线性流程，而是随时可能回到起点重新规划。这正是它应对复杂、不确定任务的核心能力所在。
理解了Agentic Loop，就能理解Agentic Process和传统技术的本质差距。
传统RPA的本质是「规则驱动的确定性执行器」。你定义每一步操作，它精确复现。优势是稳定、可审计；弱点是规则边界之外的任何变化都可能让整个流程崩掉，而且规则永远写不完。
纯LLM（如ChatGPT对话模式）的本质是「一次性生成器」。你给问题，它给答案，结束。不会主动检验答案，不会自行调用外部工具，更不会在出错后自主纠正。
Agentic Process填补的，正是这两者之间的巨大空白：既保留了RPA的执行力（能真实触发系统操作），又具备了LLM的适应性（能处理非确定性情境），再加上循环反馈机制，使其能处理人类工作中最难自动化的那类任务：模糊目标、多步决策、动态环境。
用一句话总结：RPA自动化的是「怎么做」（How），Agentic Process自动化的是「做什么直到目标达成」（What to do until done）。
对比项 | 传统RPA | 纯LLM | Agentic Process |
执行方式 | 规则脚本 | 单次生成 | 循环推理+执行 |
不确定性处理 | 报错/中断 | 不执行，只生成文本 | 自主重规划 |
记忆能力 | 无 | 仅上下文窗口 | 持久化记忆 |
工具调用 | 预设接口 | 不调用 | 动态选择工具 |
人工干预需求 | 异常时高 | 每步都需要 | 最小化（可配置） |
适应新情况 | 弱 | 强（但不执行） | 强且能执行 |
可审计性 | 高 | 低 | 中（取决于实现） |
优势明确，但风险不能轻描淡写
Agentic Process确实有真实优势，但风险同样真实，而且危险。
真实的优势
能处理非结构化任务。传统自动化的最大盲区是非结构化信息：措辞模糊的邮件、多格式合同文档、口头描述的客户诉求。Agentic Process可以理解、归纳、做出判断，这是RPA永远做不到的。
具备自我修正能力。单个步骤出错不代表整个任务失败，Agent检测到异常后可以重新规划路径，而不是直接中断。这种容错弹性在长链任务中价值极高。
支持多步长链任务。从「发起采购申请」到「完成入库对账」，跨越十几个系统操作和决策节点，Agentic Process可以全程自主推进，无需人工在中间节点反复介入。
可并行扩展，能力边界不断延伸。McKinsey的研究显示，2-5人的人类团队可以监管50-100个Agent协同运行的端到端流程。
Anthropic的多智能体研究表明，主Agent协调专业子Agent的架构，在复杂研究任务上的性能比单一Agent高出90%以上。Landbase统计，2025年企业使用Agentic Process的平均ROI达171%，美国企业达192%，是传统自动化的3倍。
真实的风险：40%项目失败的真相
幻觉导致不可控行为，代价远超对话场景。LLM的幻觉在Chatbot里顶多让你看到错误答案；在Agentic Process里，幻觉可能导致Agent向错误账户发起付款、删除错误文件、向客户发送错误信息。
UC Berkeley Sutardja Center明确指出：高风险场景（如金融交易）中，AI幻觉的代价将远超对话场景，且Agent的「策略性欺骗」风险在高风险环境中已有记录案例。
成本失控是真实的定时炸弹。每一轮Agentic Loop都在消耗算力。有团队记录到Agent进入递归循环，最终导致云账单达到六位数。设计不当的循环终止条件不是小概率事件，而是架构层面的系统性风险。
安全与合规漏洞，责任归属悬而未决。2025年初，一家健康科技公司因Agentic AI系统漏洞导致48.3万条患者记录泄露。多Agent系统还面临「Agent勾结」风险：一个被攻击的Agent可能向其他Agent传递恶意指令。
Gartner数据显示，35%的企业将网络安全顾虑列为部署Agentic AI的首要障碍。更麻烦的是，AI Agent自主做出错误决策，锅由谁来背？开发商、部署企业，还是操作员？这在法律层面还没有清晰答案，在强监管行业里是当前落地最大的隐性障碍。
Agent Washing污染市场认知。Gartner估计，在数千家声称提供Agentic方案的厂商中，真正具备实质Agentic能力的约130家。大量「伪Agentic」产品用炒作拉高了企业预期，最终结果就是那40%的失败项目。
Klarna是最著名的反面教材。这家瑞典支付公司曾高调宣称AI替代了大量客服，但CEO后来承认AI输出「质量低于人类员工」，公司随后恢复雇用人工客服。教训不是Agentic Process不行，而是：流程没准备好就上Agent，是在放大混乱。
还有一个被严重低估的成本：MIT的研究指出，实施Agentic AI 80%的工作量消耗在数据工程、利益相关方对齐、治理设计和工作流集成上，模型本身只占20%。企业往往只看到那20%的光鲜部分，忽略了那80%的「脏活」，这才是最普遍的失败根源。
如何应对？引入Agent Harness，给每个Agent设定明确的权限边界（最小权限原则），关键操作前强制人工审批，异常行为触发自动熔断。
设置三道保险：最大迭代次数、超时机制、成本上限同时生效。建立完整的推理审计轨迹，每个决策步骤都必须有记录，这是合规的基础，也是故障排查的前提。
Agent Skills 与 MCP：执行层的标准化革命
Agent Skills：能力原子的分类与价值
如果把Agent比作一位员工，Skills就是他的专业技能证书清单。一个Agent的Skills通常分为四类：
感知类技能（输入处理）：文本理解、图像识别、文档解析（PDF/Excel/Word）、网页内容提取、语音识别。感知技能决定Agent能「读」什么类型的输入，也是多模态扩展的切入点。
推理类技能（内部认知）：代码解释执行、数学计算、逻辑推断、多步规划、语言翻译。主要由LLM本身提供，但可通过微调或专用工具增强。
行动类技能（外部执行）：API调用、数据库读写、代码执行（Python/SQL等）、浏览器操作、文件系统操作、邮件/日历/消息发送。这是Agentic Process能够真正「干活」的关键，决定了Agent能触碰哪些真实系统。
协作类技能（多Agent交互）：任务委派、结果汇总、向人类请求确认、与其他Agent通信。这类技能是多智能体系统（Multi-Agent System）得以运转的基础。
Skills的标准化是2025年最重要的基础设施里程碑。2025年12月18日，Anthropic发布Agent Skills开放规范（SKILL.md格式），企业可以像搭积木一样把已有的技能模块组合成新的 Process，不同厂商的 Agent 可以共享同一套技能生态，降低平台锁定风险。
OpenAI和Microsoft随后采纳，标志着Agent能力单元正式走向标准化和可组合化。
Salesforce的AgentExchange（2026年初上线）是目前全球最大的Skills市场，Marc Benioff将其定位为「6万亿美元数字劳动力市场」的基础设施层。
标准化对企业意味着什么？意味着可以像搭积木一样把已有技能模块组合成新的Process，不必每次从头开发；也意味着不同厂商的Agent可以共享同一套技能生态，降低平台锁定风险。
Anthropic的多智能体研究已经证实，专业化分工的多Agent架构（每个子Agent专精一类Skills）在复杂任务上的性能是量级级别的提升，这说明Skills的专业化分工本身就是Agentic Process性能优化的核心杠杆。
MCP：让Skills连接一切系统的「USB-C接口」
Skills本身需要一个标准协议来连接外部系统，这就是MCP（Model Context Protocol，模型上下文协议）的价值所在。
Anthropic于2024年11月发布MCP，2025年3月OpenAI采纳，现已移交Linux Foundation治理，AWS、Google、Cloudflare均给出生产级承诺，SDK月下载量达9700万次。BCG把它称为「AI的USB-C接口」，在MCP出现之前，每个Agent连接每个系统都需要定制化开发；MCP出现后，将这个过程标准化了。
2026年3月发布的MCP Roadmap明确四个优先方向：传输扩展性（支持高并发Agent调用）、Agent间通信（让Agent协作更顺畅）、治理成熟度（权限控制和审计）、企业就绪度（与现有IT基础设施对接）。苹果Xcode已于2026年初原生支持MCP，这个信号意味着：协议标准化之争，Anthropic已经在牌局上赢了相当大的先机。
与MCP并行的还有Google发布的A2A（Agent-to-Agent）协议，专注于多Agent间的通信标准，已获SAP、Salesforce、ServiceNow、Workday等50余家厂商采纳。
两者定位不同，并不冲突：MCP负责Agent连接外部工具，A2A负责Agent之间的协作通信。一个是Agent的「对外接口」，一个是Agent的「内部通话频道」。两个协议标准同时成熟，意味着Agentic Process的基础设施层正在快速完善。
用 OpenClaw 和 hermes-agent 构建 Agentic Process
理论够了，来看具体实限。对于想在私有环境中构建Agentic Process、同时控制成本和数据主权的团队，OpenClaw + hermes-agent是目前最受关注的开源项目组合之一。
OpenClaw：本地自托管的完整 Agentic Loop 实现
OpenClaw是一个本地自托管的Agentic AI系统，其架构直接体现了Agentic Process的核心设计哲学，由四个核心组件构成。
持久化记忆（Persistent Memory）：存储跨任务的上下文状态，解决普通LLM「没有记忆」的根本缺陷。没有持久化记忆的Agent，每次都像第一次见你，做不了任何需要累积上下文的工作。这让Agent在跨会话、跨任务场景下保持连贯性，是长周期复杂任务的必要基础。
Agent（AI Brain）：核心推理模块，负责理解用户目标、拆解任务、制定计划、评估结果。整个Agentic Loop的决策中枢，通常由一个或多个LLM驱动。
模块化Skills库：涵盖文件系统操作、终端命令执行、浏览器自动化等本地资源交互能力，使Agent能像真正的本地助手一样代替用户完成具体计算机操作，而不只是「说说」该怎么做。
「Agentic Loop & Proactive Monitoring」机制：OpenClaw的核心亮点，实现主动监控和持续迭代，确保Agent不会在任务执行中途悄悄「失联」。
整体运转流程：用户输入目标 → Agent推理规划 → 调用Skills执行 → 持久记忆存储状态 → 评估结果 → 循环直至完成。全程数据不出本地网络，对医疗、金融、政务等数据敏感行业吸引力强。
对中小企业或个人开发者，OpenClaw的价值在于低成本、高可控、可定制，适合验证Agentic Process逻辑、测试Skills组合，或构建内部专用自动化助手。
hermes-agent：开源社区的私有化推理引擎首选
hermes-agent基于NousResearch的Hermes系列模型，该系列专为Function Calling（工具调用）和结构化推理深度优化，是开源社区构建Agentic Process使用最广泛的基础推理引擎之一。
它的核心优势是Function Calling的稳定性和结构化输出的一致性。这两点对Agentic Loop的Act阶段至关重要：如果模型的Function Call输出格式不稳定，Skills调用就会频繁失败，整个循环陷入无效迭代。
Hermes模型在推理时以结构化XML或JSON格式输出「思考过程」和「工具调用指令」，开发者能清晰观察Agent在每一步的判断和行动，对需要可解释性和可调试性的企业场景，这是显著优势。
用hermes-agent实现Agentic Process的典型路径：首先定义Skills集（即Tools），告诉模型可以调用哪些工具及参数格式；其次设定系统提示（System Prompt），明确角色、目标和行动规范；然后用户提供任务目标；最后模型进入推理-调用-反馈循环，直到任务完成。
局限在于：复杂多步骤任务的推理深度不如GPT-4o或Claude 3.7 Sonnet，长上下文下的稳定性需要额外调优。但对于希望私有部署同时控制成本的团队，hermes-agent是最务实的选型之一。
最佳实践组合：OpenClaw提供Skills框架、记忆系统和监控机制，hermes-agent提供推理引擎。两者配合，构成完整的本地Agentic Process基础设施，成本远低于调用OpenAI或Anthropic API，隐私保护更强，适合作为企业内部自动化的试验田，验证成功后再决定是否迁移至云端商业平台。
六个真实案例
概念讲够了，来看真实发生的事情。王吉伟频道选了六个场景，覆盖ERP迁移、CRM客服、财税服务、零售库存、医疗临床、软件工程，覆盖企业重资产的企业核心系统和AI原生场景。
案例一：UiPath × Deloitte，SAP迁移的行业基准
大型ERP迁移通常是企业最痛苦的IT项目：几百个业务流程、几十个系统集成，手工测试和数据迁移工作量惊人，错误率难以控制。UiPath和德勤将Agentic Automation嵌入迁移全流程，Agent负责自动识别流程差异、生成测试用例、校验数据、处理异常。
结果：SAP S/4HANA迁移clean core达成率93%（行业基准80%），85%以上关键财务工作流实现无人值守自动化，交付200+自动化流程。
这个案例的意义在于：它证明了Agentic Process在「确定性要求极高」的ERP场景同样适用，而不只是适合边界模糊的创意类任务。
传统RPA在ERP迁移中遇到的最大困难，是那些规则复杂、数据脏乱、需要根据上下文判断的「灰色地带」，Agentic Process通过推理能力在大多数特殊情况下自主做出合理判断，只把真正超出能力边界的情况交给人工。
2026年3月，UiPath和德勤联合推出Agentic ERP Platform，将成功经验打包成可复制的标准化产品，标志着ERP场景的Agentic落地从「定制项目」走向了「产品化」。
案例二：Reddit × Salesforce Agentforce，客服效率的质变
Reddit 是 Agentic Process 在 CRM 客服场景中迄今最具说服力的公开案例。部署 Salesforce Agentforce 360 后，46% 的支持案例被自动偏转处理（无需人工介入），平均响应时间从 8.9 分钟压缩至 1.4 分钟。
这里的核心设计亮点是「置信度阈值」机制：并非让 Agent 试图处理所有问题，而是用阈值划定「自动完成」和「升级人工」的边界。置信度够，Agent 自主处理；置信度不够，立即转人工并提供推理上下文。
这种「Human in the Loop」设计，是 Agentic Process 在企业级应用中获得持续信任的核心机制，而不只是一个安全策略，更是一个务实的工程选择。
案例三：1-800Accountant，税季的弹性压力测试
这家会计服务公司在税务季（业务量陡增 3 至 5 倍的时期）部署了 Salesforce Agentforce，让 Agent 处理客户咨询中的标准化问题：政策查询、文件要求说明、账单问题、申报状态跟踪。
结果：70% 的客户咨询由 Agent 自主解决，不需要人工介入，人工客服得以集中精力处理真正复杂的个案和高价值客户服务。
这是 Agentic Process 在「季节性峰值场景」中价值最清晰的体现：弹性扩展、按需调用、人机分工明确。传统客服扩容需要提前招聘培训，Agentic Process 的扩容只需调整并发参数。
案例四：零售库存重分配，10天压缩到1小时
Nuance、Ambience Healthcare 等公司部署的临床文档 Agentic Process，是另一类意义重大的案例。
医生与患者对话期间，Agent 实时感知对话内容，自动推理并生成结构化的 SOAP 格式临床笔记，同时触发与 EHR 系统的数据写入和编码匹配，医生无需手动记录，完成后审核确认即可。
这个场景的独特价值在于：临床文档是高度非结构化、高专业密度的任务，传统 RPA 完全无法处理，纯 LLM 只能生成文本但无法写入系统，只有 Agentic Process 才能端到端打通「理解→生成→写入」这整条链路。
它清晰地标出了 Agentic Process 价值版图上 RPA 从未抵达过的领域。
案例五：临床文档 Agent，打通医疗数据最后一公里
Nuance、Ambience Healthcare等公司部署了临床文档Agentic Process：医生与患者对话期间，Agent实时感知对话内容，自动推理并生成结构化临床笔记（SOAP格式），同时触发与EHR系统的数据写入和编码匹配，医生无需手动记录，文档完成后再审核确认。
这个场景的价值在于：临床文档是高度非结构化、高专业密度的任务，传统RPA完全无法处理，纯LLM只能生成文本但无法写入系统，只有Agentic Process才能端到端打通，真正把「听诊室里说的话」变成「系统里规范的记录」。
案例六：软件工程全自动 Bug 修复，进入生产环境
GitHub Copilot Workspace和Devin（Cognition AI）代表Agentic Process在软件工程场景的前沿：给定一个Issue描述，Agent自动感知代码仓库上下文，推理Bug原因，生成修复代码，执行测试，测试通过后提交PR。
这已经是一个完整的、多步骤的、需要大量工具调用（代码阅读、代码生成、测试执行、版本控制）的Agentic Process，而且正被真实工程团队用于生产环境。
这个案例的意义不在于「AI会修Bug了」，而在于它证明了Agentic Process有能力处理知识密集型的专业判断任务。
因为篇幅问题，这里只简单介绍下案例，我会在其他文章中分享更具体的案例。
各类厂商实现路径：五大派系全景对比
同样是「做Agentic Process」，不同类型的厂商切入点截然不同。搞清楚这些差异，是企业选型最重要的前置判断。
ERP厂商：SAP的「原生嵌入」战略
SAP把Agentic Process的战场放在ERP核心业务流程上。SAP Joule整合在S/4HANA、SuccessFactors、Ariba等产品线中，策略是「原生嵌入」：Agent直接运行在业务数据所在的系统内，而非外部接入，最大限度减少集成摩擦。
优势是数据和流程的深度整合，无需单独建设数据管道；劣势是生态相对封闭，跨SAP体系外的系统集成需要额外工作。对于深度绑定SAP生态的大型企业，Joule是自然的升级路径；对于多系统混合环境的企业，需要评估互操作成本。
SAP 把 Agentic Process 的战场放在 ERP 核心业务流程上，策略是「原生嵌入」。SAP Joule 整合在 S/4HANA、SuccessFactors、Ariba 等产品线中，Agent 直接运行在业务数据所在的系统内，无需单独建设数据管道，最大限度地减少集成摩擦。
优势是数据整合深、ERP 内的任务链路完整；劣势是生态相对封闭，扩展到 SAP 体系之外的场景需要额外集成工作。
CRM厂商：Salesforce Agentforce 的三层架构
Salesforce 是目前企业软件里把 Agentic Process 商业化做得最系统的公司。
Agentforce 360（2025 年 10 月 发布）将所有 Salesforce 云产品统一在一个 Agentic 架构下，核心是 Atlas Reasoning Engine（推理引擎）+ Data Cloud（统一数据层）+ Agentforce Platform（Agent 构建与编排平台）的三层架构。
目前服务超 18,000 家客户（覆盖 124 个国家），AgentExchange 提供开箱即用的行业 Skills 库。
但Salesforce同时坦承了一个关键教训：首批上线的SDR Agent有30%的概率会回答「我不知道」，经过大量数据清洗和迭代训练，才把这个比率降到10%以下。
这是难得的头部厂商自我揭露，说明即便是最成熟的平台，「数据就绪度」仍是Agentic Process能否产生价值的根本前提，没有例外。
RPA厂商：从确定性执行到自适应执行的升维
UiPath和Automation Anywhere代表了RPA厂商应对Agentic浪潮的两条不同路径。
UiPath 的路径是「在 RPA 基础上叠加 Agentic 能力」。Maestro 编排框架 + Autopilot Agent，使原有 RPA 流程遇到规则之外的情况时，动态调用 LLM 决策，而非直接报错中断。
原有 RPA Robot 变身为 Agent 可调用的「行动执行器」，企业不必推倒现有 RPA 投资，渐进式升级。根据 Accelirate 数据，这种方式相比纯 RPA，自动化覆盖率提升 25 至 60%。
Automation Anywhere的路径是「重构」：推出APA System（Agentic Process Automation Platform），将AI Agent、RPA机器人和流程编排整合为统一平台，允许企业在「完全自主」到「完全人工」之间灵活调节自主度。架构上更先进，对新建场景更友好，但存量迁移成本略高。
对比项 | UiPath Maestro | Automation Anywhere APA |
核心策略 | RPA + Agentic叠加 | 平台级Agentic重构 |
学习成本 | 低（兼容原有流程） | 中（需重新设计部分流程） |
适用场景 | 存量RPA资产优化 | 新建企业自动化体系 |
灵活性 | 中 | 高 |
迁移风险 | 低 | 中 |
大模型厂商：协议制定者的生态影响力
Anthropic的战略是通过制定标准来影响整个生态：MCP协议定义Agent与外部系统的连接标准，SKILL.md规范定义Agent Skills的共享格式，Claude模型专注于更长上下文、更稳定的Function Calling和更强的指令遵循能力。
OpenAI 则以 Function Calling、Assistants API、Realtime API 构建开发者生态，并于 2025 年 3 月采纳 MCP标准，两条路线加速融合。
这两家厂商不直接卖Agentic Process解决方案，但他们是整个生态的基础设施提供商，谁的协议标准成为行业事实标准，谁就掌握了生态话语权。
Agent框架层：开发者生态的三足鼎立
框架层厂商的商业化路径还在探索，但作为构建 Agentic Process 的研发工具，它们不可或缺。企业级场景选型时，优先考虑 SLA 和商业支持能力，而不只是 GitHub Star 数。
框架 | 定位 | 核心优势 | 最适合场景 |
LangChain | 通用Agent开发框架 | 生态最大、文档最全 | 快速原型、中小型Agent项目 |
LangGraph | 有状态Agent图框架 | 支持复杂分支和循环 | 企业级复杂Agentic Workflow |
CrewAI | 多Agent协作框架 | 角色分工、流程编排清晰 | 多专家协作场景 |
AutoGen（微软） | 多Agent对话框架 | 代码执行能力强 | 编程任务、数据分析 |
整体厂商格局汇总对比：
厂商类型 | 代表产品 | 实现路径 | 强项 | 弱项 |
ERP | SAP Joule | ERP内核 + AI推理层 | 数据整合深 | 跨系统能力弱 |
CRM | Salesforce Agentforce | 推理引擎 + 数据云 | 开箱即用，生态完整 | 平台锁定 |
RPA（叠加） | UiPath Maestro | RPA + Agent叠加 | 渐进升级，已有资产复用 | 推理能力依赖外部LLM |
RPA（重构） | AA APA System | 原生Agentic架构 | 自主度高，架构先进 | 成熟度仍在验证中 |
大模型 | Anthropic MCP + Claude | 协议标准化 | 互操作性强 | 需自建上层应用 |
Agent框架 | LangChain/CrewAI/AutoGen | 框架层编排 | 灵活性高，开发者友好 | 企业级支持和SLA弱 |
BPM 会消亡吗？是进化，不是死亡
这个问题值需要单独说清楚。
传统BPM（业务流程管理）系统（如Pega、Appian）的核心价值是流程建模、执行监控和治理合规。这些能力在Agentic时代不会消失，反而会变得更重要。
但BPM的「固定流程图」模式面临根本性挑战。传统BPM假设流程可以被完整预先定义，每个节点的逻辑都可以写成明确规则。Agentic Process打破了这个假设：流程本身可以在运行中动态调整，Agent可以自主决定跳过某个节点或插入一个新的判断步骤。
这让「画好流程图再执行」的设计哲学，在非确定性任务面前显得非常笨重。
可以预见的演化路径是：传统BPM引擎变成Agentic Workflow的「骨架」，提供流程框架、治理规则和审计能力；具体的任务执行节点从「固定脚本」变成「Agentic Process」。Pega和Appian已经在这个方向上做出了明显动作。
换句话说，未来的BPM系统，本质上是Agent Harness的企业级实现，既保留了原有的治理价值，又为Agent自主执行提供了安全边界。
所以BPM不会消亡。但如果BPM厂商不做出这种进化，它的市场份额会被那些能够原生支持Agentic Process的平台蚕食。这是进化，不是替代，但进化是强制性的，不是可选项。
企业转型路径：不是必须，而是一个判断框架
「所有企业都必须立刻转向Agentic Process」是一个危险的命题，被这种压力推着走，不考虑业务成熟度、数据质量、团队能力就仓促上马，正是那开头提及Garner预测的 40% 失败项目的共同成因。
PwC 2025年调查显示，79%的组织「在某种程度上」已采用AI Agent，但真正实现全规模部署的只有2%。对完全自主AI Agent表示信任的组织比例在一年内从43%跌到27%。这说明早期盲目上马留下了大量教训，盲目是问题，但完全不动也在错失窗口期。
但「根本不需要关注」是另一个更危险的极端。
Gartner 预测，2026 年底将有 40% 的企业应用集成 AI Agent，2028 年 Agentic AI 将进入 33% 的企业软件。如果竞争对手用 Agentic Process 把某条核心业务流程的效率提升了 3 倍，你没有相应的认知和方案，连对话的资格都没有。
什么样的流程适合做 Agentic Process 改造？
这里，王吉伟频道给出四个前置判断。
你的流程里有多少「判断点」？每隔三步就需要人来确认的流程，说明里面有大量非确定性判断，这正是 Agentic Process 最擅长接管的部分，价值最高。
你的数据质量够吗？Agentic Process 的推理依赖高质量的上下文信息。数据在多系统里孤立存在、格式混乱、缺乏标注，上了 Agent 只会放大混乱。「先治数，再上 Agent」不是保守派的借口，而是 MIT 研究数据的结论：80% 的工作量在准备工作上。
你能接受多大的错误率？金融清算、医疗诊断等场景对错误率要求接近零，现阶段不适合高自主度的 Agentic Process；内容生成、数据汇总、初步客户分类等场景容错空间大，正是适合早期实验的入口。
你有没有人负责监控？「无人值守」是宣传语，不是架构原则。任何生产环境中的 Agentic Process 都需要人类监督层，不是每步都看，而是设定关键检查点和异常告警。没有这个，就没有安全网，出了事也无法追责。
基于前置判断，这里简单总结了适合做 Agentic Process 流程改造的几个特征。
适合改造的特征：涉及多系统数据聚合和判断；存在大量「看了数据再决定下一步」的节点；业务量波动大，需要弹性扩展；任务目标明确但路径不固定（每次情况都不完全一样）；操作不是完全不可逆的，出错后能纠正。
暂时不建议激进改造的特征：操作结果完全不可逆（如金融清算、医疗用药）；数据质量极差，系统间接口混乱，「数据就绪度」严重不足；强监管行业且缺乏可解释性合规方案；内部根本没有AI工程能力，只能完全依赖厂商黑盒。
Gartner明确指出，35%的企业将网络安全顾虑列为首要障碍，这不是杞人忧天，是有记录的现实。
三阶段渐进转型路径
下面这3个转型阶段，供大家参考。
第一阶段：流程梳理与优先级评估（1-2个月）。不要急着上Agent。把现有核心业务流程拆开来看：哪些步骤是确定性规则执行，哪些是「需要人判断的非确定性节点」，哪些的错误代价是可以接受的。这是后续所有工作的基础。
MIT的研究结论已经说得很清楚：80%的工作量在「不光鲜」的准备工作上，不要让这80%被跳过。
第二阶段：最小可行Agent（MVP）试点（2-4个月）。选一个低风险、高频、有明确成功指标的流程做第一个Agent。关键原则是「窄范围、可回滚、有监控」。不要一上来就做端到端「大流程Agent」，先在一个子流程上验证整个Agentic Loop是否能稳定运转。
同时建立Agent Harness的基础能力：权限控制、执行日志、异常告警。技术选型上，优先考虑与现有系统生态匹配的方案：已有Salesforce的先用Agentforce，已有UiPath的先用Maestro，技术团队强的可以用LangChain/CrewAI自建。
同时把 Agent Harness 的基础能力建起来：权限控制、执行日志、异常告警，三件事同步做，不能等出了问题再补。
第三阶段：横向扩展与治理体系建设（持续推进）。在MVP验证后，复制成功模式到相邻场景，建立跨Agent的协调框架（Agentic Workflow层），形成企业级APA体系。治理能力与功能扩展同步建设，不能等出了问题才补。
MIT Sloan & BCG调研的2102家组织中，成功的企业不是「解决」了范围与灵活性的张力，而是设计出能在效率与适应性之间动态切换的工作流。这个洞察比任何技术方案都重要。
最后要强调：「转型」不等于「替代」。Agentic Process和传统RPA在相当长的时间内会并存——RPA处理确定性高的规则任务，Agentic Process处理非确定性高的判断任务，两者通过统一的编排平台协同运作。
UiPath的「Maestro + RPA Robot」架构正是这个思路的产品化实现，也是大多数已有RPA存量投资的企业最现实的迁移路径。
市场格局与走向判断
当前市场层次结构
Gartner 2025年10月的判断是：Agentic AI供给严重超过需求，市场修正即将发生。这不是说赛道没有价值，而是说市场会经历一轮淘汰赛，最终留下真正有产业深耕能力的玩家。
对应企业的信任度数据印证了这一判断：对完全自主 AI Agent 表示信任的组织比例在 2025 年从 43% 跌到 27%，一年内大幅下滑。这说明早期盲目上马留下的大量教训正在反噬整个市场的信心，Agent Washing 的代价正在被集体消化。
当前市场大致分为四个层次。
基础设施层：Anthropic（MCP协议、Claude模型）、OpenAI（API生态）、Google（A2A协议、Gemini模型）、微软（Azure AI基础设施、AutoGen框架）。这一层的竞争最终体现在协议标准的话语权上，谁的协议成为事实标准，谁就控制了生态的底层入口。
平台层：Salesforce（Agentforce）、ServiceNow（Now Assist）、SAP（Joule）、Workday（Illuminate）。这是「Agentic Process嵌入企业软件」的主战场，买单方是有成熟CRM/ERP体系的大企业，竞争核心是开箱即用的业务场景深度和数据整合能力。
工具层：UiPath（Maestro）、Automation Anywhere（APA System）、IBM Watson Orchestrate。这是RPA厂商向Agentic升级的主战场，以存量客户转化为主要增长来源，关键能力是对已有RPA投资的兼容性。
框架层：LangChain、CrewAI、AutoGen、LangGraph及垂直行业专用框架。以开发者社区为核心，商业化路径还在探索，但这一层产出的开源生态反哺了整个行业的技术演进速度。
市场规模方面，AI Agents市场2025年约79.2亿美元，预测到2030年企业级Agentic AI市场达245亿美元（CAGR 46.2%），到2034年可能突破2000亿美元。
Gartner预测，2026年底40%的企业应用将集成AI Agent，2028年Agentic AI将进入33%的企业软件。这个增速背后是整个企业自动化市场的重新洗牌，不只是AI领域的增量。
技术演进上，三条技术已经比较清晰。
多智能体协作走向成熟：从单个Agent处理单个Process，升级为Agent团队处理端到端业务。专业化分工的多Agent架构在复杂任务上的性能是量级级别的提升，这个方向会是2026至2027年产品化的主战场。
标准协议生态形成：MCP + A2A + SKILL.md三个协议标准，正在构建Agent生态的基础设施框架。协议标准化意味着不同厂商的Agent可以无缝互操作，将大幅降低企业的平台锁定风险，也将加速整个行业的分工深化。
可信治理框架落地：Agent自主决策的责任归属、行为可解释性、人机协作的权限划分，正在从「工程讨论」走向「监管议题」。欧盟AI法案、美国的AI行政命令，都在把治理要求变成合规硬约束。哪家厂商先把治理框架做成产品，哪家就先拿到强监管行业的门票。
Gartner 预测的市场整合已经开始，那 40% 的失败项目会加速这个进程。对企业来说，选择有长期战略可信度的合作伙伴，比追最新技术噱头重要得多。
后记：掌握流程，掌握未来
Andrew Ng的那句话，到今天仍然精准：未来不是更大的模型，而是更聪明的流程。Agentic Process，正是那个流程本身。
它不是一时风潮。从2023年的实验玩具到2026年的生产力基础设施，这个跨越已经完成。2026年的关键议题不再是「要不要用」，而是「怎么用得稳、用得对」。
机会清单很长：企业流程重构（从RPA升级是最明确的存量市场）、垂直行业专用Agent生态（法律、医疗、财务各有百亿以上机会）、多模态扩展（视觉理解加行动执行，正在打开RPA从未触及的场景）。MIT Sloan & BCG调研的2102家组织中，66%预期Agentic AI将带来运营模式的根本性变化。
但风险同样不能被乐观情绪掩盖。信任度从43%跌到27%（一年内），是一个严肃的信号：市场对那些言过其实的早期部署已经开始厌倦和反弹。幻觉、成本失控、安全合规漏洞、责任归属，这些不是边缘问题，是产业化落地的核心挑战。
Agentic Process填补了传统AI（规则执行或单次生成）与真正自主智能之间的空白，成为连接LLM潜力与现实业务价值的桥梁。掌握它的人和组织，会在未来五年获得决定性竞争优势。
