章勇：AI智能体（AI Agent）是指能够自主感知环境、做出决策并执行任务的智能系统。这一术语的提出，可以追溯到上个世纪，从早期的符号推理到专家系统，智能体这个名词在人工智能领域已经多次出现。尽管如此，AI智能体真正走向实用化，还是得益于近年来人工智能领域中大模型、大数据和大算力等技术的突破。特别是大型语言模型如GPT、DeepSeek等智能水平的飞速进展，极大地提升了AI智能体的自然语言理解、生成、推理和规划能力，而大数据爆发式增长和算力大幅提升，为AI智能体发展筑牢数据和算力根基，使其成为当下最关键的AI落地方向之一。

当前，AI智能体正处于一个快速发展和迈向实际应用的重要阶段，我们看到，更智能、更通用的AI智能体已经能够理解用户的基本意图，进行规划和决策；AI智能体越来越擅长利用外部工具来扩展自身能力，以完成更复杂的任务，与现实世界进行更深层次的互动；同时，AI智能体开始具备更强的短期和长期记忆能力，保持上下文，并从经验中学习，从而提高性能和提供更个性化的服务；而多个AI智能体之间的协同工作也已经出现，以解决更复杂的问题，实现集群智能。

不仅如此，AI智能体不再仅仅局限于对话和信息提供，而是开始具备自主执行任务的能力。例如，一些商用AI智能体已经能够操作电脑界面、调用API接口来完成诸如文件处理、信息检索、甚至在线购物等复杂任务；AI智能体已经朝着能够理解和处理多种模态信息的方向发展，通过多模态交互能力的增强，实现更自然、更丰富的交互体验；而在端侧，AI智能体也逐渐兴起，手机厂商等纷纷推出或升级其手机助手为AI智能体，以实现更智能化的设备管理和任务执行多智能体协作的探索。最近一段时间，我们更是看到了如Coze、DIFY这些AI智能体开发平台的出现，看到了如MCP这样的大模型与外部数据源和工具之间的通信协议，通过AI智能体平台和协议的构建，用户可以创建和分享自己的智能体，并探索智能体之间的协作，形成AI智能体的基本生态。

总之，2025年AI智能体在技术上取得了显著进展，并在多个领域展现出初步的应用成果。通用型AI智能体在消费端初步落地，并向行业进行拓展，AI智能体开始在客服、编程、内容创作、知识获取、财务、工业制造、智能家居、自动驾驶、金融服务、教育辅导等多个领域进行应用尝试，展现出生机勃勃的势头。

章勇：一个高度自主的AI智能体能够根据自身的目标和对环境的理解做出决策，而不需要人类每一步的指令。AI智能体的核心特点就是自主性、交互性和进化性。自主性是指AI智能体在没有直接外部干预的情况下，能够独立地感知环境、进行推理、制定目标、规划行动、使用工具并执行任务的能力。交互性是指AI智能体能够与人类用户、其他智能体或工具，以及外部环境进行信息交换和协作的能力。进化性是指AI智能体具有自我学习和自我优化的能力，能够随着时间的推移不断进化和提升自身性能，通过长期记忆和动态环境建模，根据反馈和新数据进行在线学习，实时改进其决策和行为策略。AI智能体的这三个核心特点，使得其和传统的人工智能技术相比，有着明显的优势：

（1）主动感知与自主决策

在安防垂域大模型的加持之下，AI智能体可以借助多模态的感知设备，主动获取信息，如音视频数据、GPS位置、环境温湿度等，这种能力超越了传统安防中AI算法对单一数据源的依赖，实现了更全面的环境理解。另一方面，安防场景是复杂多变的，为了适应不同的场景，传统业务系统或软件的定制化常常是不得已而为之的工作，而基于垂域大模型的AI安防智能体则可在复杂安防场景下自主做出决策并调整工作流编排，动态分配资源以应对个性化事件。这种灵活性远非传统安防系统的固定响应流程设计可比,整个过程无需人工干预，大大提高了安防任务的效率。

（2）交互式的意图识别与深度推理

传统的人工智能系统，信息流动是单向的，即采集输入、AI算法处理到结果输出，而AI智能体则能够与环境、用户或其他智能体进行有效的交互与沟通，通过信息的双向交互，确保了AI智能体对复杂任务的充分理解。此外，智能体还可以与已有工具或其他系统和设备进行数据交换和协同工作，形成一个可扩展的有机整体。例如，在一个入侵检测的安防场景中，基于大模型的AI智能体不仅能识别“翻越围栏”行为，还能关联上下文信息，结合时间、地点、历史数据判断威胁等级，并进一步寻找到合适的工具，确定最佳的行动，这种推理能力源于智能体对记忆模块和奖励机制的整合，使其决策更贴近人类认知。AI智能体的这些能力，都是传统方案根本不具备的。

（3）自我优化与持续学习

非常重要的一点，是现代的AI智能体通过动态记忆和自我反思机制不断优化性能，这种机制赋予了它们持续学习和优化性能的强大能力，使其能够在与环境和任务的互动中自主地存储、检索和利用经验。通过自我反思，AI智能体能够审视自身的决策过程、识别错误、总结经验教训，并据此调整未来的行为策略。这种闭环的优化过程是实时的、动态化的和自主的，使其能够在复杂多变的环境中不断进化，提升智能水平。而传统的安防AI系统，严重依赖大量的人工标注和采集数据进行被动式地优化，其性能提升往往滞后于环境变化和新的场景出现，在面对未知和突发状况时显得无能为力。

可见，AI智能体所具备的自主决策、实时交互、自我进化等一系列优势，会彻底颠覆过去安防业务和行业解决方案完全依赖人工经验进行设计和部署的模式，转变为由AI智能体根据实际环境、实时数据和不断变化的需求实现自动化的动态适应，这也代表了未来安防行业发展的必然趋势。

章勇：AI智能体所具备的核心能力，即主动感知、意图理解与自主决策，基于这些能力，目前已经可以看到的安防应用场景：

（1）通过交互式意图理解实现智能调阅与精准检索

传统安防系统依赖人工输入关键词或时间轴查找视频片段，效率低且易遗漏关键信息，而AI智能体通过自然语言处理与多模态语义理解，可实现交互式意图解析。例如，用户只需输入“查找昨天中午12点在XXX路口出现的骑蓝色电动车的可疑人员”，智能体即可自动调用相关路口的摄像头数据、分析相关人员的行为轨迹并输出结构化结果。又如，在一场大型体育赛事的安保工作中，安保人员需要查看某名观众在特定时间段的行动轨迹。AI智能体可自动通过分析赛事场馆内的数千个摄像头画面，结合时间、地点等信息，快速从海量数据中精准找到该观众的行动路径，大大提高调阅效率，精准输出结果。

（2）通过智能化工作流实现端到端的任务自动化

AI安防智能体能够根据业务需求，自动编排复杂的工作流，提高工作效率，替代传统人工协作的低效环节。例如，在智慧园区的安防系统中，当发生异常入侵事件时，智能体可以自动启动对应的工作流，包括触发警报、锁定监控区域、通知安保人员、调整附近摄像头的监控角度等，整个过程无需人为干预，实现快速响应和处理，并形成从“事件触发”到“风险评估”，再到“任务执行”，最后“结果反馈”的完整闭环。

（3）通过智能建模，动态风险预测与策略优化

传统安防依赖于人为设定的静态规则，如固定阈值告警，难以应对时变威胁。AI智能体通过历史数据分析与环境建模，可提供动态的决策支持。例如，某人管防范系统基于智能体的时序预测能力，结合人员历史行为、社会背景和当前的生活状态，提前识别潜在的风险人员，形成处置建议，避免极端事件的发生。

（4）通过系统工具调用，实现多平台资源整合

AI智能体一大特点是可以自动化地调用系统已有工具，从而无缝整合异构的安防系统。例如，用户只需对智能体下达“查看上周所有异常门禁记录并生成报告”，系统即可自动调用门禁数据库、视频监控与数据分析模块，完成跨平台数据整合与可视化输出。这种能力打破了传统安防子系统间的数据孤岛，实现“指令即服务”的智能化体验，无须大量人工介入，即可实现多个系统之间的协同工作。

AI智能体对传统安防痛点最重要的突破，就是消除了其固定模式化业务的弊端。传统安防业务主要依赖于固定的模式和流程，缺乏灵活性和适应性。例如，视频监控系统往往只能按照预设的规则进行报警，对于一些复杂场景或特殊情况无法做出准确判断和有效响应。AI智能体则能够通过意图识别，真正理解用户的需求，而不是简单地按照固定规则执行操作。例如，在一个商场的安防监控中，传统的系统可能只能单一对人员的闯入行为进行报警，而无法识别出商场内更大的治安风险。而AI智能体可以通过对人群的聚集情况、行为模式等进行更深度的分析判断，及时发现异常并做出相应的反应。

其次，在传统安防业务中，工作流程和工具的使用通常是独立的、互相割裂的。工作人员需要手动在不同的系统之间切换和操作，效率低且容易出错。AI智能体通过自动化的工作编排与工具调用，可以将不同的系统和工具整合在一起，形成一个有机的整体。

最后，传统安防中AI算法严重依赖离线训练的弊端，有望通过AI智能体得到缓解。AI智能体所具备的动态记忆、自我反思和持续学习能力，为解决这一难题提供了新的思路。通过在线学习机制，AI智能体能够在实际运行过程中不断地从新的数据和交互中学习，实时更新自身的知识和模型，而无需完全依赖大规模的离线数据集和人工干预。动态记忆使其能够记住重要的历史信息和经验，自我反思使其能够评估自身的行为并进行改进，而持续学习则保证了其性能可以随着时间的推移和环境的变化而不断优化。这种在线学习和自主优化的能力，根本上得益于大模型技术，使得AI智能体能够更好地适应不断演变的安防长尾场景，减少对大规模离线数据采集和人工再训练的依赖。虽然在某些场景下完全取代离线训练可能还需要时间，但AI智能体无疑为解决传统安防AI算法的离线训练瓶颈开辟了一条更具效率的道路。

章勇：基于安防大模型的AI智能体技术，还处于一个积极发展和寻求落地的阶段，目前看来还有很多技术挑战：

（1）安防行业知识的深度融合

AI智能体的基本能力来自大模型。安防场景具有高度复杂性和专业性，安防行业知识与大模型的深度融合是AI垂域智能体能力的根本保证。当前，安防垂域大模型本身也还在快速迭代之中，在多模态感知和任务推理方面还有很大提升空间，安防行业的领域知识极具碎片化，信息的动态更新还难以实时同步至大模型中，这就限制了AI智能体的适应性。AI智能体如果不能根据最新的行业知识做出正确决策，整个系统就无法正常运作。

（2）实时性与低延迟的需求

安防场景对响应速度要求极高，而大模型的计算复杂性可能导致延迟。尽管端侧AI技术可部分缓解问题，但是当前端侧的算力还比较受限。边缘设备算力不足可能迫使部分任务回传云端，进一步加剧延迟风险。大模型推断的延迟，将使得AI智能体的意图识别和决策判断不够及时，从而影响整个系统表现。

（3）多AI智能体之间的协作

多个AI智能体的相互协作，虽然在一些领域已经有成功案例，但是对于安防这个对可靠性、安全性和实时性要求极高的应用行业，仍然面临着不少显著的挑战。例如对系统任务分配与协调，如何有效地将复杂的安防任务分解并分配给不同的智能体，避免任务冲突、重复或遗漏；又如何建立高效、可靠、安全的智能体间的通信机制；以及如何有效地管理和调度多智能体系统中的计算资源、数据共享等等问题，这些都还没有明确答案。

（4）与传统安防业务系统的融合与集成

已经部署的传统安防系统与基于AI智能体由于设计理念完全不同，兼容性差的问题显而易见。此外，AI智能体的跨平台工具调用依赖统一的API接口，而当前行业标准缺失，导致新老系统的生态协作困难。

总之，基于大模型构建的安防垂域AI智能体在技术层面和实际应用落地还有很多工作要做。当然，在这之前，首先是安防系统设计人员的思路变革，勇于接受一套新的基于AI智能体的设计理念，从传统设计修修补补的舒适区跳跃到未来设计的创新区，可能才是最大的挑战。

章勇：安防行业是现代人工智能最先落地的工业领域，近年来，国家层面及各地方政府聚焦于AI+安防的融合发展，陆续出台了多项政策法规，以切实有力的举措推动了安防行业向智能化加速迈进。当前，大模型技术的迅猛迭代，在各行各业掀起了新一波AI技术革命的浪潮，而大模型正是构成AI智能体的核心基石。因此，AI智能体作为人工智能和大模型落地的关键路径，有国家政策和前沿技术的双重驱动，其未来发展前景是非常光明的。可以预见，安防垂域AI智能体在不远的将来，将发挥更为关键且不可替代的作用，并持续推动安防行业迈向更高层次的智能化发展阶段。

在技术演进的路径中，提升AI智能体的自主性与智能决策能力，是重中之重，这好比是安防领域从“L2辅助驾驶”到“L3自动驾驶”的阶跃，只有AI智能体增强垂直领域知识，进行针对性训练优化，更懂安防业务，才能具备更强的自主决策能力，独立完成更多复杂的任务。其次，进一步提升端侧AI技术，将使智能体向边缘设备迁移，以增强边缘设备计算能力，支持更复杂的AI智能体本地运行，满足安防场景的低延迟需求。此外，进一步提升多模态的综合分析能力，整合安防场景的视频、音频、生物特征等多源数据，实现更高级的感知功能，如复杂场景下的目标识别、行为分析、情感识别等，将为智能体决策提供更丰富的信息依据，使其能做出更科学合理的决策。

在行业应用上，AI智能体应在各传统安防的垂直行业持续深化，传统业务流程将被智能化、自动化、高灵活性和高适应性的AI智能体替代，这是一个必然的趋势。如在智慧城市方面，AI智能体将成为城市大脑的核心组成部分，整合城市各类安防数据通管理、实现更精细化的城市管理；在交通管理方面，AI智能体将革新交通监控和管理系统，实现更智能的交通流量优化、交通事故的自动检测与快速响应、违章行为的精准识别以及车路云的协同管理，提升交通效率和安全性；在公共安全方面，AI智能体将在犯罪预测、嫌疑人追踪、重点区域监控、人群异常行为分析等方面发挥关键作用，提升预警能力和案件侦破效率，并在大型活动安保、边境管控等场景能提供更智能化的解决方案。在应急管理方面，当自然灾害、公共卫生事件突发时，AI智能体能够辅助进行灾情分析、资源调度、救援路线规划、受灾人员识别与救助，提升应急响应的速度和效率，减少损失。

利用AI智能体与外界环境和其它智能体的交互性能力，我们可以探索很多新兴场景，如拓展机器人安防、无人机安防等等，我们甚至可以研发基于数字孪生的虚拟安防，构建虚拟安防沙盘，通过AI智能体对数字孪生模型进行实时监控、分析和模拟，实现对安防场景的预测性维护和优化。更进一步，可以通过AI智能体与物联网融合，实现安防设备与物联网设备的互联互通，打造更智能、更高效的安防物联网生态。

AI智能体的出现，在安防行业有潜力带来新的商业模式创新。比如，AI智能体作为一个高度自主的智能系统，可以为安防用户提供更多的无须人工干预的智能化服务，将安防行业向服务行业深度转变，如自动提供安防系统的日常运维或是应急响应的多层次服务。此外，基于安防业务中积累的大量数据，通过AI智能体进行深度挖掘和分析，也可以为用户提供更加丰富的数据增值服务。如为城市管理者提供城市安防态势分析、犯罪趋势预测等数据支持，辅助城市决策和规划。

章勇：下面举几个不同场景的例子：

（1）在智能交通应用中，我们设计了信号灯控制的AI智能体，通过在路口部署车流量监测设备，实时将车流量数据传输至AI智能体。智能体基于深度强化学习算法，对不同时段、不同方向的车流量进行分析和建模，学习交通流量的变化规律。根据实时车流量状况，智能体自动调整交通灯时长，如在车流量大的方向延长绿灯时间，保障交通顺畅。该案例可有效改善城市交通拥堵问题，提高城市交通运行效率。

（2）在公共安全领域，我们设计了AI智能体用于公安辅助办案应用，结合大数据分析技术，对案件相关数据进行挖掘和关联分析，挖掘出有价值的破案线索，有效提高了公安办案效率，减轻民警的工作负担。

（3）针对安防企业的设备维护需求，我们开发了基于AI智能体的行业知识库问答系统，将设备维护手册、技术文档、常见故障案例等知识资料整合成一个结构化的行业知识库。智能体通过对知识库的学习和训练，理解和掌握设备维护相关的专业知识。当企业的维护人员通过自然语言向智能体提问时，如“某型号设备出现某某故障应如何处理”，智能体能够快速准确地从知识库中检索相关信息，并以清晰易懂的方式回答问题，提供详细的故障处理方法和步骤。整个过程大幅度缩减了维护人力配置，提高了设备维护效率。