Agentic 自动化：能实时调整的 AI 驱动自动化

Agentic 自动化把 AI 从“生成内容的步骤”变成“能自己判断、选择工具并完成任务的执行者”。它并不取代可视化工作流，而是在工作流之上增加自主性、上下文理解和实时调整能力。

下面先区分几个容易混淆的概念，再看 Make 里的 AI Agent 具体由什么组成、怎么配置，以及哪些环节必须保留人工控制。

什么是 Agentic 自动化？

按照 Make 官方帮助中心的定义，AI Agent 是一种会按照你的指令自主完成任务的 AI 系统。可以把它理解为一个理解你的目标后自己动手完成任务的助手。

“Agentic（智能体式）”强调的是自主性：它不只是按固定步骤执行，而是根据当前目标和条件，选择用什么工具、按什么顺序完成任务。这与传统的、预先定义好每一步的工作流有明显区别。

传统工作流、生成式 AI 和 Agentic 自动化的区别

三者的关系是叠加而不是替代，可以先从“由谁做决定”来区分：

• 传统自动化工作流：步骤事先定义，执行结果可预测，适合规则稳定的重复任务。
• 生成式 AI 步骤：在工作流中负责生成内容或识别模式，但决策仍由预先定义的流程控制。
• Agentic 自动化：在流程中加入自主判断，让系统在条件变化时自行调整，而不是为每种情况都预先写死分支。

稳定的部分继续用可视化工作流承载，需要判断和适应的部分交给 AI Agent，并对结果设置检查点和边界。

Make AI Agent (New) 由哪些核心概念组成？

Make 当前版本的 AI Agent 应用是 Make AI Agent (New)。按照官方帮助中心的说明，它围绕以下核心概念构建：

• 大语言模型（LLM）：充当 Agent 的“大脑”，负责理解和推理。
• AI provider（AI 提供方）：把 Agent 连接到 LLM。常见选择包括 OpenAI、Gemini 和 Anthropic Claude；Make 自己的 AI Provider 不需要另外开通第三方账号。
• 指令（Instructions）：定义 Agent 的角色、行为方式、目标和执行步骤，是它所有任务都要遵循的规则。
• 知识（Knowledge）：Agent 用来让回答更贴合业务的参考资料，通常以文件形式存放在它的记忆中，例如常见问题、品牌规范、公司政策和内部文档。
• 输入（Input）：每次运行时 Agent 要处理的可变信息，例如一条 Slack 消息或其他模块传来的数据。
• 工具（Tools）：让 Agent 能够操作外部服务、真正“动手做事”的能力。在 Make 中，工具可以是模块、场景、MCP server 提供的工具，也可以是其他 Agent。
• 推理（Reasoning）：Agent 处理任务时的分步思考过程。使用推理模型且任务需要更深入推理时，界面会显示代理的推理信息。
• 文件（Files）：任务相关的文档，例如邮件附件或聊天消息里的文件，供 Agent 在工具中处理。

理解这套结构，有助于判断一个问题应该交给 Agent 自主处理，还是应该固定在普通工作流里。

如何在 Make 中配置一个 AI Agent？

当前版本的 Agent 是放在场景（scenario）里的一个模块：Make AI Agent (New) > Run an agent。你通常在它前面放一个触发器，也可以按需在前后增加普通模块，然后在 Scenario Builder 中完成配置：

• AI provider 与模型（Connection / Model）：选择用哪家提供方和哪个 LLM。免费套餐使用 Make 自己的 AI Provider；付费套餐还可以接入自定义的 AI provider 连接，例如 OpenAI 或 Anthropic Claude。
• 指令（Instructions）：清楚、系统地写清 Agent 的角色、行为、目标和执行步骤。
• 输入（Input / Input files）：填入本次运行的具体任务，或映射前面模块传来的数据；也可以附上要处理的文件。
• 工具（Tools）：通过模块旁的 “Add tool” 加入模块或场景，通过 “Add MCP” 接入第三方 MCP server；还可以把其他 Agent 作为工具，让主 Agent 把任务分派给子 Agent（嵌套只支持一层）。
• 知识（Knowledge）：上传 JSON、TXT、CSV、PDF 等知识文件，Make 会把内容存入 RAG 向量数据库，Agent 再按需检索相关片段。
• 测试（Chat）：在 Make 里通过聊天界面用示例请求测试 Agent，并根据结果调整设置、工具或知识。
• 高级设置：还可以配置 Conversation ID（是否让 Agent 记住同一会话）、最大对话历史长度、单步超时和响应格式等。

Make AI Agent (New) 目前处于开放测试（open beta）阶段，功能、可用范围和计费方式都可能调整，请以 Make 官方帮助中心页面为准。

为什么企业关注 Agentic 自动化

引入 Agentic 自动化，通常是为了在保持流程可控的前提下减少对确定步骤的依赖：

• 减少预定义工作量：不需要为每一种边界情况都提前写出分支。
• 更强的适应能力：输入和目标变化时，系统可以自行调整处理方式。
• 降低人工介入频率：例行任务可以自动推进，人工集中在需要判断的节点。
• 复用已有资产：Agent 可以直接把现有模块和场景当作工具使用，不必推倒重来。

这些收益的前提是流程边界清楚、结果可检查；否则自主性会放大错误的影响范围。

风险与控制：让 AI 在有边界的流程里工作

引入自主性的同时，需要把控制点设计清楚：

• 明确输出用途：当 AI 输出会影响客户、金额、合同、法律或品牌声誉时，应保留人工确认。
• 可观测：保留 Agent 使用的工具、输入输出和推理过程，便于事后复盘。
• 可回退：为失败情况设计重试、通知和人工兜底，而不是静默失败。
• 权限与数据边界：按官方安全、权限和数据存储文档评估数据的存储与访问范围。
• 从小范围开始：先用低风险、可人工复核的流程验证，再逐步扩大自主范围。

常见问题

下面是关于 Make AI Agent 的几个常见问题：

Agentic 自动化会取代我现有的场景吗？

通常不会。稳定的步骤继续由现有场景承载，Agent 负责需要判断和适应的部分，两者可以组合使用。

AI Agent 和在工作流里调用一次大模型有什么区别？

调用一次大模型只是生成内容，决策仍由流程控制；AI Agent 会自主选择工具并推进任务，因此需要额外的边界和检查点。

在哪里可以看到 Make AI Agent 的最新能力说明？

请以 Make 官方帮助中心中 Make AI Agent (New) 相关页面为准，产品能力、可用范围和计费可能持续更新。

如果你更关心如何看清整个自动化版图和依赖关系，可以继续阅读 Make Grid。