这篇文档属于类型b（科学论文，但不是单一原创研究报告，属于综述类论文）。以下是针对该文档的学术报告内容：

作者与机构
本文由Anjan Sapkota（康奈尔大学生物与环境工程系）、Konstantinos I. Roumeliotis（伯罗奔尼撒大学信息与电信系）和Manoj Karkee（康奈尔大学生物与环境工程系）合作完成，发表于期刊《Information Fusion》2026年第126卷。

论文主题
本文题为《AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges》，旨在对生成式AI时代下的两类智能体范式——AI Agents（AI代理）与Agentic AI（具自主性的AI系统）——进行概念性分类，并系统分析其架构差异、应用场景及核心挑战。

主要观点与论据

1. 概念分类与范式差异

论文提出，AI Agents与Agentic AI虽均基于大型语言模型（LLMs），但设计哲学与能力存在根本差异：
- AI Agents：模块化系统，依赖LLMs和工具集成（如API调用）执行特定任务（如客服机器人、日程管理），具有有限自主性和任务专一性。
- Agentic AI：代表范式转变，通过多智能体协作、动态任务分解、持久记忆和协调自治实现复杂目标（如研究自动化、医疗决策支持）。
支持论据：
- 对比表格（表1）显示，AI Agents处理单一任务，而Agentic AI支持多步骤协作（如智能家居系统中各设备代理的协同）。
- 历史演进分析指出，ChatGPT（2022年发布）推动AI从生成式模型转向具备工具调用能力的AI Agents，再进阶至多智能体协调的Agentic AI。

2. 架构演进与技术增强

Agentic AI的架构在AI Agents基础上扩展了以下关键组件：
- 专业化智能体集群：如MetaGPT框架中模拟企业部门分工的代理（CEO、工程师等角色）。
- 高级规划与记忆：采用ReAct（推理-行动循环）和Chain-of-Thought（思维链）提示实现迭代推理，并通过持久记忆（如向量数据库）跨任务保存上下文。
支持论据：
- 图8展示了从基础感知-推理-行动模块到多智能体协作的架构演进。
- 案例：农业无人机集群通过共享空间记忆协调采摘与运输任务（图11b）。

3. 应用场景对比

论文对比了两类范式在四大领域的应用差异：
- AI Agents：适用于结构化任务（如邮件分类、数据摘要），依赖单一代理的确定性操作。
- Agentic AI：解决动态复杂问题（如多代理研究助手协同撰写基金提案、医院ICU中诊断与治疗代理的协作）。
支持论据：
- 图9列举了客服自动化（AI Agents）与科研自动化（Agentic AI）的功能边界。
- 实际案例：中国首个Agentic AI医院通过分布式代理实现诊断与治疗方案的实时同步（图11c）。

4. 核心挑战与解决方案

两类范式面临不同局限性：
- AI Agents：因果推理缺失、幻觉（hallucination）问题、长程规划失败。
- Agentic AI：代理间错误传导、协调崩溃、涌现行为不可预测性。
支持方案：
- 检索增强生成（RAG）和工具调用缓解AI Agents的知识局限性。
- 因果建模与协调层设计（如Google的A2A协议）提升Agentic AI的稳定性（图13）。

论文价值与意义

1. 理论贡献：首次建立AI Agents与Agentic AI的明确分类学，填补了多智能体系统研究中架构与评估标准模糊的空白。
   
2. 实践指导：为开发者提供范式选择框架——简单任务用AI Agents，复杂协作需Agentic AI，避免设计过度或不足。
   
3. 前沿展望：指出未来智能体需融合因果推理、记忆架构与安全协议，以应用于自动驾驶、金融等高风险领域。
   

亮点
- 系统性对比：通过7张表格与11幅图表（如Google趋势分析图1）量化两类范式的差异。
- 跨学科整合：融合计算机科学（多智能体系统）、认知架构（BDI模型）与工业自动化案例，体现综述的广度与深度。

此报告基于文档内容提炼，保留了原文献的学术严谨性，同时以清晰层级呈现核心观点与证据链。