造浪:面向水资源管理智能体AI的人类主导工作流逻辑
《Water Research》:Making Waves: Human-Governed Workflow Logic for Agentic AI in Water Management
【字体:
大
中
小
】
时间:2026年09月19日
来源:Water Research 12.8
编辑推荐:
•工作流逻辑是水务管理中可靠且高效的 Agentic AI 的关键。•执行轨迹将可靠的任务执行与可复用的智能体技能联系起来。•人类治理负责定义、验证和更新可复用的程序性经验。•学习循环使技能和流程控制器能够跨任务和站点持续改进。章节摘要Agentic AI 及其在水务管理中的
- •
工作流逻辑是水务管理中可靠且高效的 Agentic AI 的关键。
- •
执行轨迹将可靠的任务执行与可复用的智能体技能联系起来。
- •
人类治理负责定义、验证和更新可复用的程序性经验。
- •
学习循环使技能和流程控制器能够跨任务和站点持续改进。
章节摘要
Agentic AI 及其在水务管理中的潜力
Agentic AI 正在将人工智能从内容生成扩展到面向目标的任务执行。大语言模型(LLMs)可以生成文本、代码或解释,而智能体系统则能够解读目标、分解任务、检索证据、调用外部工具、整合中间结果、维护任务状态并调整后续行动(Wang 等,2024 年;Chowa 等,2026 年)。其实用价值在于协调知识、数据、模型和工具,将其
两个现实瓶颈
随着智能体开始参与更长的运营链条,两个相关的局限性变得更加明显。可靠决策要求所有与任务相关的条件和规则被组装成一条连贯的证据链,而在线构建和验证这条证据链随着任务复杂度的增加变得越来越具有挑战性。
第一个瓶颈是运营接地(operational grounding)不完整。水务管理规则往往依赖于时间、系统状态、运营目标和相互作用的约束条件。一个
人类的作用:工作流定义、验证与干预
将执行轨迹转化为可复用的程序性经验,不仅仅是简单地记录它们。需要人类专业知识来定义使执行有效的运营逻辑,判断哪些轨迹足够可靠和有用以被保留,并在关键决策点保留权限。因此,我们区分了人类治理的三种互补角色:工作流定义、验证和干预。
人类治理的学习循环
基于这些角色,Agentic AI 的采用可以作为一个人类治理的学习循环来推进,其中运营经验逐步为后续规划和执行提供信息(图 2)。实际使用、自动化测试和历史回放生成执行轨迹;自动化和专家评估识别可靠的经验和重复出现的程序性模式;经验证的模式被提炼为可复用的技能;流程控制器则学习或检索这些
结论
- •
Agentic AI 在水务管理中的下一个前沿是能够在复杂的运营流程中持续进行可靠且高效的执行。
- •
执行轨迹可以通过人类治理的评估和技能形成,将重复的运营经验转化为可复用的规划和执行能力。
- •
更广泛的挑战是使这种能力在变化的任务、站点和机构之间具有可迁移性、自适应性和可问责性。
CRediT 作者贡献声明
Ze Wang:写作 – 初稿撰写、可视化、概念构思。Guangtao Fu:写作 – 审阅与编辑、写作 – 初稿撰写、概念构思。Chi Zhang:写作 – 审阅与编辑、监督指导、概念构思。
利益冲突声明
作者声明他们没有任何已知的竞争财务利益或个人关系,这些利益或关系可能会影响本研究中报告的工作。
致谢
本研究由国家自然科学基金资助(项目编号:52509010)
Ze Wang|Guangtao Fu|Chi Zhang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号