Arsanjani GenAI 成熟度模型

概述

GenAI 成熟度模型出自 Agentic Architectural Patterns for Building Multi-Agent Systems（Arsanjani & Bustos，Packt，2026），定义了七个层级（0–6），为企业级 AI 落地提供战略路线图——从原始数据准备，到成熟的多智能体协作。该模型的突出之处在于，它明确地将成熟度层级与架构模式相对应：一个组织的成熟度直接取决于其所实施的具体模式，而非仅停留于意图层面。

安全、隐私与合规作为横切关注点贯穿每个层级。

成熟度层级

层级	名称	核心活动	示例
0	数据准备（数据基础）	采集、生成（含合成数据）、清洗、整理并治理数据；解决质量、相关性、授权与可访问性问题	构建受治理的数据湖；建立数据血缘体系
1	模型选型与提示词服务	选择预训练基础模型；设计提示词（提示词工程）；通过 API 部署并对外服务，支持内容生成、问答及基础函数调用	一个基于模型知识回答 HR 问题的聊天机器人
2	上下文增强（RAG）	使用 RAG 动态检索外部知识（文档、数据库），并将其注入提示词；可提升准确率，减少幻觉	一个在回答前先检索最新内部政策文档的知识问答机器人
3	特定领域调优	使用 PEFT/LoRA 适配器调优或全量微调，基于领域数据专门化术语、风格和智能体角色行为	在企业销售数据上微调模型，使其理解销售领域行话
4	接地与评测	实现输出接地（引用、来源链接），并建立涵盖准确性、偏差、公平性和安全性的完善评测框架	一个提供摘要并附带来源报告显式引用的金融分析智能体
5	单智能体系统	围绕单个自主 AI 智能体构建系统，执行多步推理、规划与工具调用（通过函数调用或 MCP）；需要 LLMOps/AgentOps 进行生命周期管理	一个通过真实 API 自主预订机票和酒店的旅行规划智能体
6	多智能体系统	部署多个专用智能体，借助 A2A 协议相互协作、协调和协商，解决单个智能体能力范围以外的复杂问题	一个供应链系统，其中库存、物流和预测智能体协同应对供应中断

智能体 AI 成熟度谱系（第 5–6 级详解）

在智能体部分（第 5–6 级）内，书中定义了六个更细粒度的子层级，与协调模式目录直接对应：

子层级	描述	核心模式
1 – 基础智能体	单个智能体，固定工作流，预定义工具调用	Single-Agent Baseline、Static Function Calling、Watchdog Timeout、Agent Calls Human
2 – 动态单智能体	单个智能体从预批准工具中动态选择	Agent Router、Dynamic Tool Selection、Simple RAG、Simple Retry
3 – 内省型（ReAct/Reflexion）	自我反思与自我纠错的反馈循环	ReAct、Reflexion、Instruction Fidelity Auditing、Adaptive Retry with Prompt Mutation
4 – 多智能体系统	多个专用智能体；结构化自顶向下协调	Supervisor Architecture、Multi-Agent Planning、Shared Epistemic Memory、Event-Driven Reactivity、Tool/Agent Registry
5 – 元智能体进阶	元智能体负责监督并动态重新分配工作	Meta-agents、Blackboard Topology、Resource Allocation、Contract-Net Marketplace、Supervision Trees
6 – 自纠错智能体	多轮反馈循环；智能体相互审视并迭代优化	Consensus、Agent Negotiation、Conflict Resolution、FCoT Embedding、Coevolved Agent Training、Trust Decay

新一代智能体技术栈

向第 5–6 级进阶，需要掌握三个互补的互操作层：

层级	技术	用途
1 – 函数调用	LLM 原生能力	智能体的 LLM 在单一应用运行时内调用本地工具
2 – Model Context Protocol（MCP）	Anthropic 的开放标准	标准化智能体发现并调用外部工具（独立的可互操作服务）的方式（智能体 → 工具）
3 – Agent-to-Agent（A2A）	Google 的开放协议	跨框架、跨独立智能体之间结构化任务委托与协作的通用标准（智能体 → 智能体）

心智模型：MCP = 智能体连接工具；A2A = 智能体之间互联。 在完整的多智能体工作流中，编排者通过 A2A 委派任务 → 工作者智能体通过 MCP 访问所需工具 → 结果再经 A2A 汇总返回。

智能体解剖

书中定义了构成任意 AI 智能体持续运行循环的七个内部组件：

组件	功能	实现方式
目标（Goals）	智能体的行动目标	配置参数或动态状态
感知（Sense/Perception）	从环境（API、数据库、传感器）采集数据	API 监听器、数据流处理器、MCP 客户端
推理（Reason/Cognition）	使用 LLM 分析感知到的信息	智能体就绪的 LLM；结合目标解读输入
规划（Plan）	制定行动序列	LLM 生成的任务序列；可静态或动态
执行（Act/Action）	通过工具执行计划	外部 API 调用、代码执行、响应生成
记忆（Memory）	存储知识、状态与历史经验	短期记忆（上下文内）；长期记忆（向量数据库、持久化存储）
协调（Coordinate）	与其他智能体交互（仅限多智能体系统）	A2A 协议；跟踪任务生命周期状态（已提交、处理中、已完成）

智能体循环： 感知 → 推理 → 规划 → 执行 → （反馈）→ 感知。每次迭代使智能体能够根据结果自适应调整。

落地推进路线图

书中第 12 章将模式映射到三个实施阶段：

阶段	核心原则	待实施模式
1 – 基础系统	把一件事做好；测试每个集成点	Single-Agent Baseline、基础可观测性、静态工具调用
2 – 生产就绪服务	可靠性与可扩展性	Watchdog Timeout、Adaptive Retry、金丝雀发布测试、检查点机制、评测流水线
3 – 自优化生态	持续学习与多智能体协调	Coevolved Agent Training、Trust Decay、Swarm Architecture、Consensus

关键生产挑战

书中将从概念验证到生产落地的挑战归为四类：

类别	关键挑战
战略与组织	证明 ROI、获得利益相关方认同、运营整合、变革管理
数据相关	数据治理、数据质量、数据孤岛、隐私合规（GDPR、HIPAA）
模型与技术	模型鲁棒性、对抗攻击、减少幻觉、遗留系统集成、LLMOps/AgentOps
伦理与负责任 AI	偏差缓解、透明度、可解释性、治理框架

参见

参考资料

Arsanjani, A., & Bustos, J.P. (2026). Agentic Architectural Patterns for Building Multi-Agent Systems. Packt Publishing. ISBN 978-1-80602-957-0. — 完整模式目录与 GenAI 成熟度模型；代码见 https://github.com/PacktPublishing/Agentic-Architectural-Patterns-for-Building-Multi-Agent-Systems