أنظمة الذكاء الاصطناعي الوكيل هي نهج حديث ومهم يتجاوز الذكاء الاصطناعي التقليدي والذكاء الاصطناعي التوليدي والأنظمة الذاتية، عبر التركيز على الاستقلالية والقابلية للتكيف والاستدلال الموجَّه بالأهداف. تقدم هذه الدراسة مراجعة واضحة لأنظمة الذكاء الاصطناعي الوكيل من خلال الجمع بين تعريفاتها وأطرها وبنياتها، ومقارنتها بالمجالات ذات الصلة مثل الذكاء الاصطناعي التوليدي والحوسبة الذاتية والأنظمة متعددة الوكلاء. ولتحقيق ذلك، راجعنا 143 دراسة أولية حول الأنظمة الوكيلة الحالية القائمة على النماذج اللغوية الكبيرة وغير القائمة عليها، وفحصنا كيفية دعمها للتخطيط والذاكرة والتأمل الذاتي ومتابعة الأهداف. كما صنّفنا نماذج البنية وآليات الإدخال والإخراج والتطبيقات وفق مجالات المهام التي يُطبَّق فيها الذكاء الاصطناعي الوكيل، مدعومة بجداول تلخيصية تبرز دراسات حالة واقعية. وصُنِّفت مقاييس التقييم إلى مقاييس نوعية وكمية، مع طرق الاختبار المتاحة للتحقق من أداء الأنظمة وموثوقيتها. وتسلط هذه الدراسة الضوء على التحديات والقيود الرئيسية للذكاء الاصطناعي الوكيل، التقنية والبنيوية والتنسيقية والأخلاقية والأمنية. لقد نظّمنا في هذا البحث الأسس المفاهيمية والأدوات المتاحة والبنيات ومقاييس التقييم، مما يضع أساسًا منظمًا لفهم الذكاء الاصطناعي الوكيل وتطويره. وتهدف هذه النتائج إلى مساعدة الباحثين والمطورين على بناء أنظمة أفضل وأوضح وأكثر قابلية للتكيف تدعم النشر المسؤول في مختلف المجالات.
يشير الذكاء الاصطناعي الوكيل إلى أنظمة ذكاء اصطناعي لا تكتفي بالرد على المطالبات، بل تضع أهدافًا فرعية وتختار الأدوات وتنفذ خطوات متعددة لتحقيق هدف المستخدم بإشراف محدود. وعمليًا، تنسّق هذه الأنظمة عدة وكلاء يتولى كل منهم جزءًا من المهمة، مع طبقة تنسيق تُبقيهم متوائمين مع الهدف [1]. فالوكيل نظام يستشعر بيئته ويقرر ما يجب فعله ثم يتصرف لتحقيق هدف ما؛ ومن الأمثلة البسيطة وكيل تخطيط السفر الذي يفكك مهمة «خطط لرحلة 3 أيام إلى شيكاغو بميزانية 1500 دولار» إلى مهام فرعية كالرحلات والفندق وبرنامج الرحلة، ويستعلم عن مصادر فورية، ويقارن الخيارات، ويحجز، ثم ينتج خطة قابلة للمشاركة لا تطلب التأكيد إلا عند الخطوات الأساسية. وهذا يتجاوز روبوتات المحادثة التقليدية عبر التخطيط والتصرف والتحقق من النتائج في حلقة متكررة [2].
يتسارع الاهتمام بالذكاء الاصطناعي الوكيل مع سعي المؤسسات إلى أتمتة تُحدث أثرًا في العمل الفعلي لا في توليد المحتوى فحسب. ويتتبع محللو الصناعة «وكلاء الذكاء الاصطناعي» كسوق مستقلة تُقدَّر بنحو 5.3–5.4 مليارات دولار في 2024، مع توقعات ببلوغ 50–52 مليار دولار بحلول 2030 [3، 4]. وتشير الدراسات إلى الاتجاه نفسه، إذ أظهر عمل من Stanford HAI [5] وكلاء يحاكون السلوك البشري، بينما تصف إرشادات مثل AWS [2] مستويات متزايدة من الاستقلالية يخطط فيها الوكيل وينفذ ويفحص الخبرة ويتكيف ذاتيًا بدل انتظار المطالبات خطوة بخطوة. وتنقل هذه التطورات الذكاء الاصطناعي من المساعد التفاعلي إلى المتعاون الاستباقي في مجالات عدة [6، 7، 8].
أما الأنظمة التقليدية فقد أتمتت خطوات منفردة ضمن قواعد محدودة، في حين يربط الذكاء الاصطناعي الوكيل هذه الخطوات ويتتبع التقدم ويتعافى من الأخطاء ويؤتمت عمليات كاملة — مثل الإغلاق الشهري وتسوية المطالبات والمبيعات وسير عمل البحث — كانت حكرًا على الجهد البشري. وتُبرز تقارير المؤسسات هذا التحول البنيوي من نماذج أذكى إلى أنظمة وكيلة مدمجة في العمليات [9]. وتستعرض هذه المراجعة كيفية تعريف المجال للذكاء الاصطناعي الوكيل، والبنيات التي تمكّنه، ومواضع تطبيقه، وكيفية قياسه، والتحديات المفتوحة مثل الموثوقية والتنسيق والسلامة والحوكمة التي يجب معالجتها قبل النشر الواسع.
يتمثل هدف هذا البحث في تقديم مراجعة شاملة للذكاء الاصطناعي الوكيل عبر تجميع تعريفاته وأطر عمله وبنياته، ومقارنته بالنماذج ذات الصلة، ودراسة الأدوات والأطر الحالية، ونماذج البنية، والتطبيقات عبر المجالات، وآليات الإدخال والإخراج، وطرق الاختبار ومقاييس التقييم، والتحديات والقيود الرئيسية. وتنظَّم بقية الورقة كالتالي: يعرض القسم الثاني المنهجية، ويقدم القسم الثالث النتائج بدءًا بالتعريف المفاهيمي، ثم الأطر، ثم المكونات والنماذج البنيوية، ثم الأهداف والمهام عبر المجالات، ثم آليات الإدخال والإخراج، ثم طرق التقييم ومقاييسه، ثم التحديات، ويختتم القسم الرابع بالخلاصة واتجاهات البحث المستقبلية.
لإجراء هذه الدراسة، بحثنا في عدة قواعد بيانات أكاديمية شملت Library Search وACM Digital Library وScienceDirect وGoogle Scholar وSemantic Scholar، باستخدام استعلام دقيق يجمع مصطلحات («agentic AI» أو «agent» أو «autonomous AI» أو «multi-agent systems» أو «autonomic computing» أو «generative AI» أو «AI planning» أو «AI memory systems» أو «AI feedback loops») مع مصطلحات المراجعة («survey» أو «overview» أو «review» أو «summary» أو «literature review»). وبعد جمع النتائج أزلنا المكرر وفحصنا الملخصات والخلاصات لتحديد الصلة، وشملنا الأوراق التي تناقش مفاهيم الذكاء الاصطناعي الوكيل أو أنظمته أو تحدياته، وتتبعنا مراجعها لاكتشاف دراسات إضافية مفيدة، ثم استخلصنا المعلومات الأساسية من جميع الدراسات المختارة لتلخيص المعرفة الحالية.
وأسفرت عملية البحث عن 143 دراسة أولية استُخدمت لاستخلاص البيانات، نُشرت بين 2005 والوقت الحاضر، وأكثر من 90% منها نُشر في 2024 و2025، مما يوضح حداثة هذا المجال. ومن حيث نوع المنشور: 17% وقائع مؤتمرات، و46% مجلات محكّمة، و28% مسودات أولية (preprints)، والبقية أطروحات ومقالات وورش عمل. ومن حيث المنصة، نُشر 32 من الأوراق المختارة على منصة arXiv، و27 في وقائع مؤتمرات، و43 في مجلات مثل IEEE Access وEngineering Applications of Artificial Intelligence. وإلى جانب الأوراق الرئيسية، درسنا 21 مقالة مراجعة ومسحًا قُيّمت مساهماتها في ستة أبعاد (التعريفات، والتصنيف، والبنية، والتطبيقات، وتصنيف الإدخال والإخراج، والتقييم، والتحديات) بدرجات منخفض/متوسط/مرتفع/غير منطبق، فتبيّن أن معظم المسوحات السابقة تغطي أبعادًا جزئية فقط، بينما تغطي ورقتنا الأبعاد الستة جميعها.
يمثل الذكاء الاصطناعي الوكيل تحولًا جوهريًا في تصميم أنظمة الذكاء الاصطناعي: فبدل الأدوات السلبية والتفاعلية، يشير إلى أنظمة مستقلة موجَّهة بالأهداف يمكنها العمل لفترات طويلة بإشراف بشري محدود [27، 31، 32، 33]. وعلى خلاف الذكاء الاصطناعي التقليدي أو النماذج اللغوية الكبيرة القياسية التي تستجيب لمطالبة واحدة [34]، تفهم هذه الأنظمة الأهداف العامة وتفككها إلى مهام أصغر وتنفذ خططًا متعددة الخطوات مع التكيف مع التغذية الراجعة من البيئات المتغيرة [35، 36، 37]. وما يميزها هو الجمع بين قدرات أساسية في نظام واحد: التخطيط الاستراتيجي، والذاكرة الحافظة للسياق عبر الزمن، واستخدام الأدوات الخارجية لتوسيع القدرات، والتعاون مع وكلاء آخرين [38، 39، 40].
يُقصد بالوكيل كيانًا برمجيًا مستقلًا يستشعر ويستدل ويتصرف لإنجاز مهام محددة تكيفيًا، بينما يشير الذكاء الاصطناعي الوكيل إلى نظام متعدد الوكلاء تتعاون فيه وكلاء متخصصون وينسّقون ويخططون معًا لتحقيق أهداف معقدة عالية المستوى. ويوضح الجدول (2) مقارنة منظمة بين الأنظمة متعددة الوكلاء والذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل عبر جوانب مثل صنع القرار والقابلية للتكيف ومنهج التعلم وإدارة سير العمل، مبرزًا التقدم من التنسيق الموزع في الأنظمة متعددة الوكلاء والتوليد القائم على الأنماط في الذكاء التوليدي نحو الاستقلالية والاستدلال الموجَّه بالأهداف. كما يوضح الشكل (3) بمخطط Venn تموضع الذكاء الاصطناعي الوكيل داخل منظومة الذكاء الاصطناعي الأوسع: فهو يتداخل مع التعلم المعزز والأنظمة متعددة الوكلاء، ويبني بقوة على النماذج اللغوية الكبيرة والتعلم المعزز، بينما تقف الحوسبة الذاتية خارجًا جزئيًا كمجال ذي صلة يركز على الأنظمة ذاتية الإدارة [77، 78].
في جوهر الذكاء الاصطناعي الوكيل ذكاءٌ موجَّه ذاتيًا بالأهداف يعمل «بدرجة من الوكالة»، فيبادر ويخطط مسبقًا ويشكّل النتائج عبر الزمن [14، 46]. وبدمج النماذج التأسيسية مع المخططات وقواعد المعرفة والمستشعرات والمشغّلات وآليات التغذية الراجعة، تستطيع هذه الأنظمة فهم البيئات المعقدة وتعديل استراتيجياتها لحظيًا وتحقيق أهدافها باستقلالية [37، 41، 42]. ومع أن الاستقلالية تُعرَّف عمليًا بقدرة النظام على وضع أهداف فرعية وإنجاز المهام دون تدخل بشري والتكيف مع الأحداث غير المتوقعة [22]، فإن الأطر الحالية ما تزال مقيدة بالاعتماد على أهداف يحددها البشر والهشاشة في التخطيط طويل الأمد وصعوبات المساءلة، مما يجعل هذه الأنظمة قيّمة في البحث العلمي والأتمتة الصناعية وإدارة الامتثال حيث الدقة والتعلم المستمر واتخاذ القرار الذكي أمور أساسية [43، 44، 45].
يُظهر تطور أطر العمل القائمة على النماذج اللغوية الكبيرة مثل LangChain [26، 31، 78، 80] وAutoGPT [26، 31، 78] وBabyAGI [31] وAutoGen [80] وOpenAgents [26] توجهًا واضحًا نحو أنظمة أكثر ذكاءً واستقلالية، إذ تمنح هذه الأطر وكلاء الذكاء الاصطناعي القدرة على التخطيط وتذكّر الإجراءات السابقة والتأمل في الأداء ومتابعة الأهداف واستخدام الأدوات الخارجية. ويعرض الجدول (3) هذه الأطر مع غرض كل منها وقدراته الوكيلة ونموذجه اللغوي الأساسي. فـ LangChain إطار مفتوح المصدر يربط النموذج اللغوي بالأدوات الخارجية ومصادر البيانات وواجهات API لبناء سير عمل متعدد الخطوات، مع ذاكرة أساسية واسترجاع معزز بالتوليد (RAG) لكن دون تأمل ذاتي أصيل. أما AutoGPT فيعمل كوكيل مستقل تمامًا يفكك الأهداف عالية المستوى إلى خطوات قابلة للتنفيذ ويعدّل خطته ديناميكيًا، مع ذاكرة قصيرة وطويلة المدى وأدوات مثل بحث الويب وتنفيذ الشيفرة وإدارة الملفات، جامعًا التخطيط والذاكرة والتأمل ومتابعة الأهداف [43، 44، 45، 47].
يتبنى BabyAGI نهجًا أبسط يركز على توليد المهام وتتبع التقدم مع امتدادات للأدوات الخارجية، ويصحح نفسه تكراريًا عبر التغذية الراجعة [49، 81، 82]. ويُصمَّم AutoGen للأنظمة متعددة الوكلاء بحيث تتواصل الوكلاء وتتعاون وتخطط مع الحفاظ على سياق مشترك ودعم التأمل والتحسين. ويركز OpenAgents على وكلاء يعملون في نظام بيئي مشترك مع ذاكرة سياقية وتخطيط تكراري. أما CAMEL فيمكّن لعب الأدوار الحوارية بين الوكلاء (مثل «مستخدم» و«مساعد») لاستكشاف سلوكيات ناشئة عبر نماذج مثل GPT-4 وLLaMA [83، 87]، بينما يدير MetaGPT «مجتمعًا» من الوكلاء المتخصصين بتفكيك المشكلات وإسناد المهام الفرعية وتنسيق التفاعلات [84، 87]. ويوجَّه SuperAGI نحو الجاهزية الإنتاجية بدعم نماذج متعددة المورّدين وضوابط للموارد والمراقبة، في حين يمزج إطار TB-CSPN الهجين الاستخدام الانتقائي للنموذج اللغوي مع التنسيق الرمزي الصارم عبر شبكات Petri الملوّنة لضمان استدلال قابل للتحقق [85، 86].
لا تعتمد الأنظمة الوكيلة كلها على النماذج اللغوية الكبيرة؛ فالأنظمة غير القائمة عليها تحقق الاستقلالية عبر القواعد أو التعلم أو التخطيط أو السلوكيات التفاعلية، وتُستخدم على نطاق واسع في الروبوتات والمحاكاة واتخاذ القرار الآلي. ومن أهمها الأنظمة متعددة الوكلاء القائمة على القواعد مثل CLIPS وDrools وJADE [88]، ووكلاء التعلم المعزز بخوارزميات مثل Q-learning وشبكات DQN [89، 90، 91] المستخدمة في الروبوتات والمركبات ذاتية القيادة، ووكلاء التخطيط بخوارزميات مثل STRIPS وPDDL [92]، وأطر محاكاة الأنظمة مثل NetLogo [93] وMASON [94] لنمذجة السلوكيات الاجتماعية والبيئية والاقتصادية المعقدة، والروبوتات السلوكية القائمة على بنى الاستيعاب (subsumption) التي تستجيب للمثيرات البيئية بقواعد حسية-حركية بسيطة. وتُظهر هذه الأنظمة معًا أن الذكاء والقابلية للتكيف والسلوك المستقل يمكن أن تنبثق من القواعد والتعلم والتخطيط، مما يبرز الإمكانات الواسعة للذكاء الاصطناعي الوكيل خارج النماذج اللغوية.
يعرّف هذا القسم مجموعة مكونات وكيلة تُقارَن بها البنيات وفق تدفق التحكم وتوصيل الوحدات لا وفق المصطلحات: الإدراك ونمذجة العالم، والذاكرة (قصيرة وطويلة المدى والعرضية)، والتخطيط والاستدلال وتفكيك الأهداف، والتنفيذ والتشغيل، والتأمل والتقييم، والتنسيق والتفاعل. ويشكّل النموذج — سواء كان نموذجًا لغويًا كبيرًا أو نموذج وكلاء كبيرًا (LAM) أو نموذجًا تأسيسيًا (FM) — الطبقة الأساسية للذكاء، وغالبًا ما يعمل كمحرك استدلال وواجهة إدراكية ومنسّق في آن واحد [41، 42، 96]. وينبثق السلوك الوكيلي من تنسيق هذه المكونات القابلة لإعادة الاستخدام لا من نموذج واحد، كما يوضح الشكل (4): يستوعب الإدراك المدخلات الخارجية ويطبّعها في ملاحظات منظمة، وتحافظ الذاكرة على الاستمرارية الزمنية بقواعد استرجاع وترقية تربط الماضي بالحاضر، ويحوّل التخطيط الأهداف إلى خطوات قابلة للتنفيذ، ويجسّر التنفيذ بين الإدراك والأثر عبر الأدوات وواجهات API مع التحقق وإعادة المحاولة، بينما تتحقق وحدات التأمل من المخرجات وتنقّحها، وتدير وحدات التفاعل الحوار بين الإنسان والوكيل وبين الوكلاء مع إظهار الآثار لأغراض الشفافية [47، 50، 95].
حددت الورقة خمسة نماذج تنسيق شائعة: (1) الوكيل المنفرد ReAct الذي يُناوِب الاستدلال خطوة بخطوة مع التصرف، مع مقيّم خفيف اختياري قبل الالتزام بالمخرج، وهو خط أساس قوي للمهام المحدودة والتطوير السريع لكنه لا يتوسع جيدًا للتنسيق طويل الأمد [98]. (2) المشرف/الهرمي، حيث يفكك منسّق أهدافًا عالية المستوى إلى مهام فرعية ويوكّلها إلى وكلاء متخصصين يعمل كل منهم بحلقة ReAct محلية، مع حالة مشتركة للاتساق — مناسب للمهام القابلة للتفكيك مع تكلفة تنسيق ومخاطر عنق الزجاجة [47، 50، 95]. (3) الهجين التفاعلي-التداولي الذي يشغّل حلقتين متوازيتين: سريعة للأحداث الحرجة وبطيئة للأهداف طويلة الأمد، مع حكَم (Arbitrator) يفضّ التعارض — مفضل للعمليات اللحظية ذات الأهداف طويلة الأمد [38، 47، 95]. (4) المعتقد-الرغبة-النية (BDI) الذي ينمذج التداول بحالات ذهنية صريحة (يعتقد/يريد/ينوي) مع قواعد التزام، قوي في قابلية التفسير والمساءلة لكنه هش في البيئات المفتوحة [38، 95]. (5) القرار الطبقي (العصبي-الرمزي) الذي يدمج الإدراك العصبي والاستدلال الاحتمالي مع مخطط رمزي وطبقة تنفيذ، مناسب لاتخاذ القرار تحت عدم اليقين مع استدلال شفاف [38، 39، 41، 95].
تنجح البنيات أو تفشل ليس بمكوناتها فحسب بل بكيفية تركيبها وتنسيقها زمنيًا. تغلّف البنى الجيدة المكونات في أنظمة فرعية قابلة للنشر المستقل بواجهات واضحة، مما يدعم التوسع وعزل الأعطال والتوازي والتطور التدريجي. ويُدار التنسيق مركزيًا عبر مشرف (غالبًا نموذج لغوي) يوجّه المهام ويحافظ على السياق المشترك ويثير التأمل أو إعادة التخطيط — وهو الأنسب لسير العمل الخاضع للتنظيم — أو لامركزيًا عبر تمرير الرسائل وبروتوكولات الحالة المشتركة حيث تتفاوض الأدوار أو تصوّت، مما يحسّن تحمل الأعطال والإنتاجية على حساب تعقيد الاختبار والمراقبة [42، 47، 96]. وتتبادل الأنظمة الإنتاجية رسائل منظمة (مثل JSON) تشمل نوايا المهام ولقطات الحالة ونتائج الأدوات، وتستخدم رسوم سير العمل لتمثيل التفرع وإعادة المحاولة والتعويضات، مع خطافات تقييم (نقّاد وفحوص سياسات) عند التحولات الحرجة. ويقارن الجدول (4) هذه العائلات البنيوية من حيث نقاط القوة والمخاطر، موجهًا اختيار النموذج الأنسب حسب قابلية التوسع والشفافية والمتانة.
يُستخدم الذكاء الاصطناعي الوكيل في مجالات وتطبيقات واسعة لإنجاز تشكيلة كبيرة من الأهداف والمهام: إذ يحدد هدفًا عالي المستوى ويفككه إلى مهام أصغر وينجزها بكفاءة حتى في البيئات المتطورة وغير المتوقعة والمعقدة، جامعًا البيانات من مصادر متعددة ومتخذًا قرارات مدروسة ومنسّقًا عدة وكلاء للعمل معًا لحظيًا. ويقدم الجدول (5) والشكل (10) تصنيفًا مجاليًا يوضح كيف تشكّل احتياجات كل مجال هذه الأنظمة وحدودها وأهدافها. ففي الرعاية الصحية يشمل ذلك التشخيص وخطط العلاج والرعاية الشخصية وتقسيم صور الأشعة والتنبؤ بالنوبات والحوكمة الأخلاقية [35، 56، 59، 60، 99، 100، 101، 102]. وفي المجال العسكري والأمن السيبراني تمكّن فرق الوكلاء المستقلة الأعمال الهجومية والدفاعية المنسقة والدفاع الاستباقي عبر تدوير الخدمات [119، 120]. وفي النقل تحسّن أنظمة التحكم المروري الذكية التوجيه الديناميكي وإدارة الإشارات عبر الوكلاء [43، 61، 74، 103، 104].
وفي البرمجيات يفكك الوكلاء الاستعلامات المعقدة ويحددون الأدوات وينفذون المهام الفرعية مع تغذية راجعة قابلة للتعديل لحظيًا، داعمين تطوير البرمجيات المستقل وأتمتة سير الأعمال واختبار البرمجيات [50، 51، 106، 107، 110، 113، 115، 116، 117]. وفي المالية والمصارف والتأمين حسّن الوكلاء التنميط المخاطري والتنبؤ والإقراض وإدارة الخزانة وكشف الاحتيال ودعم العملاء على مدار الساعة [39، 80، 96، 128، 129، 130، 131]. وفي التصنيع والصناعة حسّنت الأنظمة متعددة الوكلاء كفاءة محطات المعالجة والعمليات وسلاسل التوريد والروبوتات التعاونية [33، 55، 63، 122، 123، 124]. وفي السياحة حسّنت التسعير والتخطيط وخدمة العملاء عبر فرق بشرية-ذكائية [127]، بينما تدعم الأنظمة متعددة المجالات المساعدات الشخصية والأمن السيبراني وإدارة المعرفة [31، 32، 46، 66، 132، 134، 136، 137، 138].
وفي الاكتشاف العلمي تُسرّع الأنظمة المستقلة البحث عبر توليد الفرضيات وأتمتة مراجعة الأدبيات وتصميم التجارب وتحليل البيانات في الكيمياء وعلوم المواد والمعلوماتية الحيوية والطاقة [45، 64، 65، 150، 151، 152، 153]. وفي التجزئة والتجارة الإلكترونية تخصّص التفاعلات وتؤتمت سلاسل التوريد والجدولة وسير العمل متعدد الخطوات [27، 78، 140، 141، 142، 144، 145، 146]. وفي المدن الذكية والطاقة تدعم خدمات المدن وتخفض استهلاك المباني وتحسّن كفاءة الطاقة عبر التوائم الرقمية [58، 70، 125، 126]. وفي الإدارة العامة تحسّن إدارة الموارد ومحاكاة السياسات وكشف الاحتيال [37، 41]. وفي التعليم تخصّص التعلم عبر تتبع أداء الطلبة وتعديل المحتوى والتغذية الراجعة الفورية وأتمتة التصحيح [57، 97، 147، 148، 149].
صُممت أنظمة الذكاء الاصطناعي الوكيل للعمل في بيئات معقدة ببنى إدخال وإخراج مرنة تدعم اتخاذ القرار المستقل، ويصنّف الجدول (6) النماذج حسب نوع المدخل مع المهمة والتقنيات المستخدمة لإنتاج المخرج. فالنص إلى إجراءات (Text-to-Actions) هو النمط الأشهر: تعليمات حرة بلغة طبيعية تُترجم إلى تنفيذ مهام وتنسيق بين الوكلاء عبر نماذج مثل Vectara-agentic وAutoGPT [27، 34]، وتمتد إلى أتمتة العمليات الروبوتية وإدارة الشبكات وتوفير الطاقة في البيئات الذكية [38، 62، 71، 82، 121]، مع قدرة على التحسين الذاتي عبر التغذية الراجعة مثل BrainBody-LLM وSELF-REFINE [50، 75، 144]. والنمط نص إلى نص (Text-to-Text) ينتج لغة بشرية مقروءة: مشاركة المعرفة بين الوكلاء، واسترجاع المعلومات، وحل المشكلات والبرمجة، وأتمتة تفاعلات العملاء [40، 41، 52، 77، 110، 137، 140، 155]. وينتج النمط نص إلى بيانات متعددة الوسائط مخرجات منظمة مثل سكربتات JSON وYAML والتوثيق البحثي والتصورات البيانية وسجلات التدقيق [64، 100، 105، 138، 151].
توسّع الأنظمة الوكيلة مداخلها لتشمل الصوت (عبر التعرف ASR والذاكرة قصيرة وطويلة المدى ونماذج مثل GPT-4) للاستشارات الأخلاقية والمقابلات المتعاطفة [60، 101، 153]، والبيانات اللحظية من المستشعرات والكاميرات لتحسين العمليات وكشف التهديدات والاستجابة الفورية [30، 36، 70، 72، 73، 119، 123، 131، 156]، ومجموعات البيانات الجاهزة لإدارة الأداء والتوصيات والتسعير [79، 102، 129، 142، 145، 146، 157] أو لاتخاذ إجراءات مثل التداول والاستثمار [63، 66، 80، 117، 158] أو للتنبؤ الصحي والأمني [35، 67] أو للتنبيهات عن المخاطر والاحتيال [102، 129]. وتدمج المدخلات متعددة الوسائط (نص وصور وصوت وفيديو ورسوم ومجموعات بيانات) قنوات حسية متعددة للإدراك المعقد ومواءمة السلوك مع نوايا البشر [33، 46، 95، 124، 132، 135]. وتتجاوز الأنظمة المداخل التقليدية إلى الإحداثيات المكانية للملاحة الخالية من التصادم [69]، والبيانات العددية المرتبطة بأنظمة SCADA [43]، والتنبيهات للاستجابة للحوادث [161]، وملفات الشيفرة مثل Codex [51]، وملفات CSV [58]، وملفات PDF عبر واجهات مثل Gemini 1.5 [99]. وبالمقارنة، تعمل الأنظمة التقليدية على مدخلات منظمة ثابتة تنتج مخرجات محددة سلفًا عبر قواعد أو تعلم خاضع للإشراف مع تدخل بشري ضروري [47، 71، 95، 106، 132، 135]، بينما تعمل الأنظمة الوكيلة بمدخلات متعددة الوسائط وديناميكية وسياقية لتنتج خططًا وقرارات تكيفية مستمرة واستباقية وتتعلم من بيئاتها [33، 38، 55، 136، 157، 161].
تزداد أهمية تقييم أنظمة الذكاء الاصطناعي الوكيل مع توسعها في كل مجال، إذ يجب التحقق من الأداء لضمان الموثوقية والكفاءة والسلامة وتحديد نقاط القوة والقيود لدعم التحسين والنشر المسؤول. ويميز الشكل (11) بين طريقتين مرتبطتين: طرق الاختبار — حيث تُعرَّض الأنظمة لتجارب وسيناريوهات — ومقاييس التقييم — وهي المقاييس المحددة لقياس الأداء وتفسير نتائج الاختبارات. وتشمل طرق الاختبار: توليد الاختبارات الآلي [110]، والتحقق الشكلي [95]، والمراقبة اللحظية [51] ومراقبة النبض [123]، وحقن الأعطال [123] والاسترداد الآلي [150]، واختبار المعايير [61، 113] واختبار الضغط [39] واختبار A/B [132]، والاختبارات عبر المجالات مثل MineDojo وALFRED وScienceWorld [76] ومنصة CRAB [75]، والمحاكاة للمعضلات الأخلاقية [162] والتوائم الرقمية [163]، والتحقق البشري في الحلقة [45] واختبار قبول المستخدم [104]، واختبار القدرات الضارة [46] والاختبار الإرشادي [134]، والتقييم المرتكز على سير العمل [50] والاختبار المستقل للمهام الفرعية [46].
وتنقسم مقاييس التقييم إلى نوعية وكمية. فالنوعية تشمل: قابلية التفسير — وضوح أسباب القرارات عبر التأمل الذاتي والتأمل المتقاطع لنماذج مثل GPT-4 وLLaMA ونموذج CAM [44، 122، 133، 150]. والشفافية — انكشاف آليات العمل الداخلية عبر واجهات واضحة والحوكمة المفتوحة [37، 44، 135]. ورضا المستخدم — قياس تلبية الاحتياجات والتفضيلات عبر نماذج مثل BiLLP [47، 132، 163]. والعدالة — كشف التحيز عبر SHAP والتحليل المضاد للواقع [56، 101]. وتخفيف التحيز — تقليل النتائج الجائرة ضد الفئات الضعيفة [49، 56]. والسلوك التعاوني — قياس تنسيق الوكلاء عبر القواعد الاجتماعية المشتركة والتعلم المعزز [70، 157]. والقابلية للتكيف — التعلم المستمر وضبط الأهداف ديناميكيًا [68، 75، 154]. والمتانة — الحفاظ على الأداء الموجَّه بالأهداف رغم الأعطال، وتُختبر عبر التنفيذ المعزول والتتبع ومعيار AgentHarm [36، 48، 51، 136].
أما المقاييس الكمية فتشمل الدقة (نحو 94% لأطر مثل LangGraph وCrewAI [53]، و96–97% في تطبيقات مثل ECG AI [164])، والدقة الإيجابية (Precision) والاستدعاء (Recall) ودرجة F1 ومسافة التحرير البياني (GED) لقياس الاستدلال متعدد القفزات [52، 105]، ودقة القواعد (Rule Fidelity) بنحو 94% للوكلاء العصبيين-الرمزيين [54، 161]، وزمن إنجاز المهمة (نحو 12 ± 2 دقيقة، بتحسن 34.2% عن الذكاء التقليدي [39، 53، 58، 138، 151])، ومعدل النقر (CTR) وإجمالي قيمة البضائع (GMV) في التوصيات [132]. وتبقى الدقة الوكيلة سياقية متعددة الأوجه تتشكل بمواءمة الأهداف وسياق المجال وقدرة الذكاء على التخطيط والتكيف والاستدلال، لا رقمًا ثابتًا واحدًا [35، 41، 47، 134]. وتدعم استعادة الأخطاء بنى الشفاء الذاتي والتوليد المعزز بالاسترجاع والتحقق المتقاطع متعدد الوكلاء وحلقات الفاعل-الناقد [33، 49، 58، 65، 66، 71، 75، 79، 82، 121، 123، 132، 140، 166]، بينما تبني الثقةَ التفسيراتُ المعقولة والعدالة والمساءلة رغم هشاشة النماذج الكبيرة أمام الأخطاء والهجمات والهلوسات [37، 65، 71، 120، 128، 130، 132، 133، 135، 141].
تواجه أنظمة الذكاء الاصطناعي الوكيل تحديات تقنية واجتماعية تنبع من حاجتها إلى الاستشعار والتخطيط والتصرف المستمر في بيئات ديناميكية، مع قضايا الثقة والسلامة والأخلاق والحوكمة التي تتطلب إشرافًا وأطر تصميم مبررة. فعلى المستوى البنيوي/التقني توجد قيود في تفكيك المهام الديناميكي والتخطيط الهرمي والاستدلال التكيفي، وجمود رمزي في الأطر الحديثة، وهشاشة النماذج الوكيلة الكلاسيكية في التخطيط الاستراتيجي طويل الأمد، وضغوط الحجم والسرعة والتنوع والصدقية للبيانات، وغموض البنى الذي يحد من قابلية التفسير — مما يستدعي بنى وكيلة نمطية شفافة قابلة للتوسع تعمل تحت عدم اليقين [38، 54، 105، 106، 157، 167]. وعلى مستوى الأداء وتكامل الأدوات توجد تأخيرات وعدم كفاءة حسابية في المهام متعددة الخطوات، وغياب واجهات معيارية للتكامل مع سير العمل التجارية، ودعم محدود لبيئات التصميم والاختبار والنشر — خاصة في مجالات حرجة كالرعاية الصحية [53، 105، 135].
ويعاني التنسيق متعدد الوكلاء صعوبات متكررة في التعاون والمزامنة والتوسع: انهيارات التواصل وعدم توافق الاستراتيجيات، وتباين الوصول إلى البيانات، وزمن الاستجابة، وسوء المواءمة من ضعف مشاركة السياق، والقابلية للأعطال المترابطة والتواطؤ غير المقصود — مما يستلزم بروتوكولات تنسيق قابلة للتوسع ووعيًا سياقيًا وضمانات سلامة [53، 105، 135]. أما التفاعل البشري-الذكائي فيعاني محدودية الشفافية وقابلية التفسير، وتصميم واجهات ضعيفة أو غير آمنة، وبروتوكولات تواصل جامدة، وغياب الجوانب التشاركية للإشراف والتغذية التصحيحية، وصعوبة فهم دقائق النية البشرية — مما يقترح مناهج وكيلة متمحورة حول الإنسان [53، 105، 162]. ويبقى الأمن قضية جوهرية: هجمات عدائية وتسميم البيانات وسوء استخدام الأدوات الخارجية وواجهات API، وغياب خطوط تحقق موثوقة لمصادر المعرفة، وضعف عمليات الإشراف — مما يتطلب مبادئ الأمن بالتصميم وتدقيقًا مستمرًا وحواجز حماية [53، 105، 135، 162]. وعلى المستوى الأخلاقي/المجتمعي/الحوكمي توجد مخاطر الخصوصية (نحو 78% من المؤسسات أبلغت عن مشكلات سلامة البيانات [53])، وصعوبة المساءلة عن قرارات التعلم المعزز غير المتوقعة، وإخفاقات التواصل بين الوكلاء، ورداءة جودة البيانات المسببة للتحيز — مما يؤثر في الثقة والعدالة [105، 135، 157].
يشير الذكاء الاصطناعي الوكيل إلى أنظمة ذكية تتصرف باستقلالية وتخطط وتعدّل خطواتها وتعمل في بيئات معقدة بإشراف بشري محدود. وبجمع النماذج اللغوية الكبيرة والتعلم المعزز، تدير هذه الأنظمة سير عمل متعدد الخطوات وتتذكر التفاعلات السابقة وتتابع أهدافًا متعددة. وتوضح أطر مثل LangChain وAutoGPT وBabyAGI وAutoGen وOpenAgents هذا التطور من الاستدلال المنظم والمهام التكرارية إلى التعاون متعدد الوكلاء وحل المشكلات التكيفي. وتشترك أفضل الأنظمة الوكيلة في مكونات أساسية — الإدراك والتخطيط والتنفيذ والذاكرة والتأمل والتنسيق والتفاعل — مع اختلافها في أسلوب التنسيق وحلقة التحكم، مستفيدة من الذاكرة الصريحة والتغذية الراجعة المدمجة والتنسيق القائم على الرسوم البيانية لسلوكيات تكيفية موثوقة.
يتجاوز الذكاء الاصطناعي الوكيل أطر الإدخال والإخراج البسيطة ليشمل أنواعًا متنوعة من البيانات — النص والصوت والمدخلات متعددة الوسائط ومجموعات البيانات والتدفقات اللحظية وحتى صيغ متخصصة كملفات الشيفرة وPDF — ميسّرًا العمل المستقل عبر بيئات منظمة وغير منظمة مع مواجهة عناصر الواقع غير المتوقعة. ويتطلب تقييمه نهجًا متعدد الأوجه يدمج الدقة التقنية بالعوامل النوعية، وستوازن أنجح الأنظمة بين الأداء التشغيلي والشفافية والعدالة والمتانة. ويجب أن تعطي الأبحاث المستقبلية الأولوية للمعايير الموحدة، وقياس الأداء القوي، ونمذجة الإدخال والإخراج، ومعالجة تحديات الموثوقية والسلامة وقابلية التفسير والحوكمة، بما يدعم التصميم والنشر المسؤول للذكاء الاصطناعي الوكيل في مختلف المجالات.
Agentic AI systems are a recently emerged and important approach that goes beyond traditional AI, generative AI, and autonomous systems by focusing on autonomy, adaptability, and goal-driven reasoning. This study provides a clear review of agentic AI systems by bringing together their definitions, frameworks, and architectures, and by comparing them with related areas like generative AI, autonomic computing, and multi-agent systems. To do this, we reviewed 143 primary studies on current LLM-based and non-LLM-driven agentic systems and examined how they support planning, memory, reflection, and goal pursuit. Furthermore, we classified architectural models, input–output mechanisms, and applications based on their task domains where agentic AI is applied, supported using tabular summaries that highlight real-world case studies. Evaluation metrics were classified as qualitative and quantitative measures, along with available testing methods of agentic AI systems to check the system's performance and reliability. This study also highlights the main challenges and limitations of agentic AI, covering technical, architectural, coordination, ethical, and security issues. We organized the conceptual foundations, available tools, architectures, and evaluation metrics in this research, which defines a structured foundation for understanding and advancing agentic AI. These findings aim to help researchers and developers build better, clearer, and more adaptable systems that support responsible deployment in different domains.
Agentic AI refers to AI systems that do not just answer prompts; they set sub-goals, choose tools, and take multi-step actions to achieve a user's objective with limited supervision. In practice, these systems coordinate multiple agents, each handling part of the job, and an orchestration layer that keeps them aligned with the goal [1]. An agent is a system that senses its environment, decides what to do, and takes action to achieve a goal. A simple example is a travel planner agent: given 'plan a 3-day trip to Chicago under USD 1500', it breaks the task into subtasks such as flights, hotel, itinerary, queries real-time sources, compares options, books reservations, then produces a shareable plan that asks for confirmation only at key steps. This goes beyond traditional chatbots by planning, acting, and verifying outcomes in a loop [2].
Interest in agentic AI is rising quickly as organizations look for automation that impacts real work, not just content generation. Industry analysts now track "AI agents" as a distinct market, estimating ∼USD 5.3–5.4B in 2024 and projecting ∼USD 50–52 B by 2030 [3, 4]. Scholarly research suggests the same movement. One work from Stanford HAI [5] shows agents that exhibit human-like behavior, while industry guidance such as AWS [2] describes increasing levels of autonomy in which the agent iteratively plans, acts, checks experience, and adjusts each step autonomously rather than expecting step-by-step prompts from a human. Together, these advances move AI from reactive assistants to proactive collaborators in various fields [6, 7, 8].
Traditional systems automated individual steps that complied with limited rules; agentic AI connects these steps, tracks progress, recovers from errors, and automates end-to-end processes — month-end close, claims adjudication, sales outreach, even research workflows — previously limited to human effort. Early enterprise reporting highlights this architectural turn from smarter models to agentic, process-embedded systems [9]. This review synthesizes how the field defines agentic AI, the architectures that enable it, where it is being applied, how it is measured, and the open challenges, such as reliability, coordination, safety, and governance, that must be addressed for widespread deployment.
The purpose of this research is to provide a comprehensive review of agentic AI by synthesizing its definitions, frameworks, and architectures, comparing it with related paradigms, examining current tools and frameworks, architectural models, applications across domains, input–output mechanisms, testing methods and evaluation metrics, and key challenges and limitations. The remainder of this paper is organized as follows. Section 2 describes the methodology, and Section 3 presents the results, beginning with the conceptual definition, then frameworks, core components and architectural models, goals and tasks across domains, input–output mechanisms, evaluation methods and metrics, and challenges. Section 4 concludes with findings and future research directions.
To carry out this study, we searched several academic databases, including Library Search, ACM Digital Library, ScienceDirect, Google Scholar, and Semantic Scholar, using a precise query combining terms ("agentic AI" OR "agent" OR "autonomous AI" OR "multi-agent systems" OR "autonomic computing" OR "generative AI" OR "AI planning" OR "AI memory systems" OR "AI feedback loops") with review terms ("survey" OR "overview" OR "review" OR "summary" OR "literature review"). After collecting the results, we removed duplicates and examined abstracts and conclusions to determine relevance. We included papers that discussed agentic AI concepts, systems, or challenges, tracked their references to find additional useful studies, and extracted key information from all selected studies to summarize current knowledge.
The search process yielded 143 primary studies used for data extraction, published from 2005 to the present, with more than 90% published in 2024 and 2025, underscoring how new this field is. By publication type: 17% conference proceedings, 46% peer-reviewed journals, and 28% preprints, with the rest dissertations, articles, and workshops. By platform, 32 selected papers appeared on arXiv, 27 in conference proceedings, and 43 in journals such as IEEE Access and Engineering Applications of Artificial Intelligence. Alongside the main papers, we studied 21 survey and review articles whose contributions across six dimensions (definitions, taxonomy, architecture, applications, input–output classification, evaluation, challenges) were graded low/medium/high/not-applicable, revealing that most prior surveys cover only partial dimensions, whereas our paper covers all six.
Agentic artificial intelligence marks a major change in how AI systems are designed: instead of passive, reactive tools, it denotes autonomous, goal-driven systems that can operate for long periods with minimal human supervision [27, 31, 32, 33]. Unlike traditional AI or standard large language models (LLMs) that respond only to single prompts [34], these systems understand broad objectives, break them down into smaller tasks, and carry out multi-step plans while adapting to feedback from changing environments [35, 36, 37]. What makes them stand out is combining key abilities in one system: strategic planning, memory preserving context over time, external tool use extending capabilities, and collaboration with other agents [38, 39, 40].
An agent is an autonomous software entity that perceives, reasons, and acts to complete specific adaptively directed tasks, whereas agentic AI is a multi-agent system in which specialized agents collaborate, coordinate, and plan together to achieve complex, high-level objectives. Table 2 presents a structured comparison of multi-agent systems, generative AI, and agentic AI across aspects such as decision-making, adaptability, learning approach, and workflow management, illustrating the progression from distributed coordination in MAS and pattern-based generation in GenAI toward autonomy and goal-driven reasoning. Figure 3 uses a Venn diagram to situate agentic AI within the broader AI ecosystem: it overlaps with reinforcement learning and multi-agent systems and builds strongly on LLMs and RL, while autonomic computing sits partially outside as a related field focused on self-managing systems [77, 78].
At the heart of agentic AI is self-directed, goal-focused intelligence operating with a "degree of agenticness" — working proactively, planning ahead, and shaping outcomes over time [14, 46]. By combining foundation models with planners, knowledge bases, sensors, actuators, and feedback mechanisms, these systems understand complex environments, adjust strategies in real time, and achieve goals independently [37, 41, 42]. Although autonomy is defined in practice as a system's capacity to establish sub-goals, finish tasks without human involvement, and adjust to unexpected events [22], current frameworks remain constrained by reliance on human-defined goals, vulnerability in long-term planning, and accountability difficulties — making these systems valuable in scientific research, industrial automation, and compliance management, where precision, continuous learning, and smart decision-making are essential [43, 44, 45].
The development of LLM-based frameworks such as LangChain [26, 31, 78, 80], AutoGPT [26, 31, 78], BabyAGI [31], AutoGen [80], and OpenAgents [26] shows a clear trend toward smarter, more independent AI systems, giving AI agents the ability to plan, remember past actions, reflect on performance, pursue goals, and use external tools. Table 3 presents these frameworks with each one's purpose, agentic capabilities, and underlying LLM. LangChain is a popular open-source framework connecting the LLM to external tools, data sources, and APIs to build multi-step workflows, with basic memory and Retrieval-Augmented Generation (RAG) but no native self-reflection. AutoGPT operates as a fully autonomous agent that breaks high-level goals into actionable steps and dynamically adjusts its plan, with short- and long-term memory and tools such as web search, code execution, and file management, combining planning, memory, reflection, and goal-oriented execution [43, 44, 45, 47].
BabyAGI takes a simpler approach focused on task generation and progress tracking with extensions for external tools, self-correcting iteratively through feedback [49, 81, 82]. AutoGen is designed for multi-agent systems where agents communicate and collaborate while planning with shared context and reflection support. OpenAgents focuses on agents working in a shared ecosystem with contextual memory and iterative planning. CAMEL enables role-playing dialogue between agents (e.g., "User" and "Assistant") to explore emergent behaviors using models such as GPT-4 and LLaMA [83, 87], while MetaGPT manages a "society" of specialized agents by decomposing problems, assigning subtasks, and coordinating interactions [84, 87]. SuperAGI targets production readiness with multi-vendor model support and resource controls and monitoring, whereas the hybrid TB-CSPN framework blends selective LLM use with strict symbolic coordination via Colored Petri Nets to guarantee verifiable reasoning [85, 86].
Not all agentic systems depend on LLMs; non-LLM-driven systems achieve autonomy through rules, learning, planning, or reactive behaviors and are widely used in robotics, simulations, and automated decision-making. Key types include rule-based multi-agent systems such as CLIPS, Drools, and JADE [88]; reinforcement learning agents using algorithms such as Q-learning and Deep Q-Networks (DQN) [89, 90, 91] in robotics and autonomous vehicles; planning agents using algorithms such as STRIPS or PDDL [92]; agent-based simulation frameworks such as NetLogo [93] and MASON [94] for modeling complex social, ecological, or economic behaviors; and behavior-based robotic agents using subsumption architectures that respond to environmental stimuli through simple sensorimotor rules. Together, these systems show that intelligence, adaptability, and autonomous behavior can emerge from rules, learning, and planning, highlighting agentic AI's broad potential beyond language models.
This section defines a set of agent components used to compare architectures by control flow and module wiring rather than terminology: perception and world modeling; memory (short-term, long-term, episodic); planning, reasoning, and goal decomposition; execution and actuation; reflection and evaluation; and communication, orchestration, and autonomy. The model — whether an LLM, large agent model (LAM), or foundation model (FM) — provides the base layer of intelligence, often serving as reasoning engine, perceptual front-end, and orchestrator at once [41, 42, 96]. Agentic behavior arises from orchestrating these reusable components rather than from a single model, as Figure 4 shows: perception ingests and normalizes external inputs into structured observations; memory maintains temporal continuity with retrieval and promotion rules linking past to present; planning transforms goals into actionable steps; execution bridges cognition to impact via tools and APIs with validation and retries; reflection modules verify outputs and refine them; and interaction modules manage human–agent and agent–agent dialogue while surfacing traces for transparency [47, 50, 95].
The paper outlines five common orchestration models: (1) ReAct single-agent, which interleaves stepwise reasoning with acting plus an optional lightweight evaluator before committing output — a strong baseline for bounded tasks and rapid prototyping that scales poorly to long-horizon coordination [98]. (2) Supervisor/hierarchical, where an orchestrator decomposes high-level goals into subtasks delegated to specialized sub-agents each running a local ReAct loop, with shared state for coherence — suited to decomposable tasks with coordination overhead and bottleneck risks [47, 50, 95]. (3) Hybrid reactive–deliberative, running two parallel loops — fast for time-critical events, slow for long-horizon goals — with an Arbitrator resolving conflicts, preferred for real-time operations with long-horizon objectives [38, 47, 95]. (4) Belief–Desire–Intention (BDI), modeling deliberation with explicit mental states (beliefs/desires/intentions) and commitment rules, strong in explainability and auditability but brittle in open worlds [38, 95]. (5) Layered decision (neuro-symbolic), integrating neural perception and probabilistic inference with a symbolic planner and execution layer, suited to decision-making under uncertainty with traceable reasoning [38, 39, 41, 95].
Architectures succeed or fail not only by which components they contain but by how those components are modularized and coordinated at runtime. Good designs encapsulate components into independently deployable subsystems with clear interfaces, supporting scaling, fault isolation, parallelism, and plug-and-play evolution. Coordination is managed centrally via a supervisor (often LLM-based) that routes tasks, maintains shared context, and triggers reflection or replanning — best for regulated workflows — or in a decentralized way via message-passing and shared-state protocols where roles negotiate or vote, improving fault tolerance and throughput at the cost of testing and observability complexity [42, 47, 96]. Production systems exchange structured messages (e.g., JSON) covering task intents, state snapshots, and tool results; use workflow graphs to represent branching, retries, and compensations; and attach evaluation hooks (critics, policy checks) at critical transitions. Table 4 compares these architecture families on strengths and risks, guiding model choice by scalability, transparency, and robustness.
Agentic AI is used across many areas and applications to accomplish a wide variety of goals and tasks: systems determine a high-level objective, break it into smaller tasks, and accomplish them efficiently even in evolving, unpredictable, complex settings, combining data from many sources, making informed decisions, and coordinating multiple agents in real time. Table 5 and Figure 10 provide a domain-based categorization showing how each field's needs shape these systems. In healthcare this includes diagnostics, treatment plans, personalized care, medical image segmentation, seizure prediction, and ethical governance [35, 56, 59, 60, 99, 100, 101, 102]. In military and cybersecurity, teams of autonomous agents enable coordinated offensive and defensive actions and proactive defense via service rotation [119, 120]. In transportation, intelligent agentic traffic control improves dynamic routing and signal operations across agents [43, 61, 74, 103, 104].
In software, agents independently decompose complex queries, select tools, and execute subtasks with real-time adjustable feedback, supporting autonomous development, business workflow automation, and software testing [50, 51, 106, 107, 110, 113, 115, 116, 117]. In finance, banking, and insurance, agents improved risk profiling, forecasting, lending, treasury management, fraud detection, and 24/7 customer support [39, 80, 96, 128, 129, 130, 131]. In manufacturing and industry, multi-agent systems improved treatment plant efficiency, operations, supply chains, and collaborative robotics [33, 55, 63, 122, 123, 124]. In tourism they improved pricing, planning, and customer service via human–AI teams [127], while multi-domain systems support personal assistants, cybersecurity, and knowledge management [31, 32, 46, 66, 132, 134, 136, 137, 138].
In scientific discovery, autonomous systems accelerate research through hypothesis generation, literature review automation, experiment design, and data analysis in chemistry, materials science, bioinformatics, and energy [45, 64, 65, 150, 151, 152, 153]. In retail and e-commerce they personalize interactions and automate supply chains, scheduling, and multi-step workflows [27, 78, 140, 141, 142, 144, 145, 146]. In smart cities and energy they support city services, cut building consumption, and improve efficiency via digital twins [58, 70, 125, 126]. In public administration they improve resource management, policy simulation, and fraud detection [37, 41]. In education they personalize learning by tracking student performance, adapting content, giving instant feedback, and automating grading [57, 97, 147, 148, 149].
Agentic AI systems built for complex environments use flexible input–output structures supporting independent decision-making, and Table 6 classifies models by input type with the task and technologies used to produce the output. Text-to-Actions is the most prominent pattern: free-form natural language instructions translated into task execution and inter-agent coordination via models such as Vectara-agentic and AutoGPT [27, 34], extending to robotic process automation, network management, and smart-environment energy savings [38, 62, 71, 82, 121], with self-improvement via feedback such as BrainBody-LLM and SELF-REFINE [50, 75, 144]. Text-to-Text produces human-readable language: knowledge sharing among agents, information retrieval, problem-solving and coding, and customer interaction automation [40, 41, 52, 77, 110, 137, 140, 155]. Text-to-multimodal-data yields structured outputs such as JSON and YAML scripts, research documentation, data visualizations, and audit logs [64, 100, 105, 138, 151].
Agentic systems extend inputs to audio (via ASR, short/long-term memory, and models such as GPT-4) for ethical advisory and empathetic interviewing [60, 101, 153]; real-time sensor and camera data for operations optimization, threat detection, and instant response [30, 36, 70, 72, 73, 119, 123, 131, 156]; ready-made datasets for performance management, recommendations, and pricing [79, 102, 129, 142, 145, 146, 157], for actions such as trading and investment [63, 66, 80, 117, 158], for health and security forecasting [35, 67], or for risk and fraud alerts [102, 129]. Multimodal inputs (text, images, audio, video, graphs, datasets) fuse multiple sensory channels for complex perception and aligning behavior with human intent [33, 46, 95, 124, 132, 135]. Systems go beyond conventional inputs to spatial coordinates for collision-free navigation [69], SCADA-linked numeric data [43], incident-response alerts [161], code files such as via Codex [51], CSV files [58], and PDFs via interfaces such as Gemini 1.5 [99]. By contrast, traditional systems work on fixed structured inputs producing predefined outputs via rules or supervised learning with necessary human intervention [47, 71, 95, 106, 132, 135], while agentic systems operate with multimodal, dynamic, contextual inputs producing continuous, proactive, adaptive plans and decisions and learning from their environments [33, 38, 55, 136, 157, 161].
Evaluating agentic AI systems grows increasingly critical as they expand into every domain: performance must be validated to ensure reliability, efficiency, and safety and to identify strengths and limitations supporting improvement and responsible use. Figure 11 distinguishes two related practices: testing methods — where systems are subjected to experiments and scenarios — and evaluation metrics — the specific measures of performance used to interpret test results. Testing methods include: automated test generation [110], formal verification [95], runtime monitoring [51] and heartbeat monitoring [123], fault injection [123] and automated recovery [150], benchmark testing [61, 113], stress testing [39], and A/B testing [132]; cross-domain tests such as MineDojo, ALFRED, and ScienceWorld [76] and the CRAB platform [75]; simulations for ethical dilemmas [162] and digital twins [163]; human-in-the-loop verification [45] and user acceptance testing [104]; harmful-capability testing [46] and heuristic testing [134]; and workflow-centric evaluation [50] and independent subtask testing [46].
Evaluation metrics split into qualitative and quantitative. Qualitative metrics include: explainability — clarity of decision reasons via self-reflection and cross-agent reflection for models such as GPT-4, LLaMA, and CAM [44, 122, 133, 150]. Transparency — exposure of internal workings via clear interfaces and open governance [37, 44, 135]. User satisfaction — measuring needs and preference fulfillment via models such as BiLLP [47, 132, 163]. Fairness — detecting bias via SHAP and counterfactual analysis [56, 101]. Bias mitigation — reducing unfair outcomes against vulnerable groups [49, 56]. Cooperative behavior — measuring agent coordination via shared social rules and reinforcement learning [70, 157]. Adaptability — continuous learning and dynamic goal adjustment [68, 75, 154]. Robustness — maintaining goal-directed performance despite failures, tested via sandboxed execution, traceability, and the AgentHarm benchmark [36, 48, 51, 136].
Quantitative metrics include accuracy (around 94% for frameworks such as LangGraph and CrewAI [53]; 96–97% in applications such as ECG AI [164]), precision, recall, F1 score, Graph Edit Distance (GED) for multi-hop reasoning [52, 105], rule fidelity of around 94% for neuro-symbolic agents [54, 161], task completion time (around 12 ± 2 min, a 34.2% improvement over traditional AI [39, 53, 58, 138, 151]), and click-through rate (CTR) and gross merchandise value (GMV) in recommendations [132]. Agentic accuracy remains context-dependent and multi-faceted, shaped by goal alignment, domain context, and the AI's ability to plan, adapt, and reason — not a single fixed number [35, 41, 47, 134]. Error recovery is supported by self-healing architectures, retrieval-augmented generation, multi-agent cross-verification, and actor–critic loops [33, 49, 58, 65, 66, 71, 75, 79, 82, 121, 123, 132, 140, 166], while trust is built on reasonable explanations, fairness, and accountability despite large models' vulnerability to errors, attacks, and hallucinations [37, 65, 71, 120, 128, 130, 132, 133, 135, 141].
Agentic AI systems face technical and social challenges stemming from their need to continuously sense, plan, and act in dynamic environments, alongside trust, safety, ethics, and governance issues requiring oversight and justifiable design frameworks. Architecturally/technically there are limits in dynamic task decomposition, hierarchical planning, and adaptive reasoning; symbolic rigidity in recent frameworks; brittleness of classical agent models in long-term strategic planning; volume/velocity/variety/veracity data strains; and opaque architectures limiting interpretability — calling for modular, transparent, scalable agent architectures operating under uncertainty [38, 54, 105, 106, 157, 167]. On performance and tool integration there are delays and computational inefficiencies in multi-step tasks, missing standard interfaces for integration with commercial workflows, and limited design/test/deployment environment support — especially in critical areas such as healthcare [53, 105, 135].
Multi-agent coordination suffers recurring difficulties in collaboration, synchronization, and scaling: communication breakdowns and strategy misalignment, inconsistent data access, latency, weak context sharing, and susceptibility to correlated failures and unintended collusion — demanding scalable coordination protocols, context awareness, and safety guarantees [53, 105, 135]. Human–AI interaction suffers limited transparency and interpretability, poor or insecure interface design, rigid communication protocols, missing participatory aspects for oversight and corrective feedback, and difficulty grasping subtle human intent — suggesting human-centered agent approaches [53, 105, 162]. Security remains fundamental: adversarial attacks, data poisoning, external tool/API misuse, missing verifiable pipelines to knowledge sources, and weak oversight processes — requiring secure-by-design principles, continuous audits, and guardrails [53, 105, 135, 162]. Ethically/societally, privacy risks persist (about 78% of organizations reported data safety problems [53]), RL-driven decisions resist accountability, inter-agent communication failures create safety risks, and poor-quality data yields biased, unfair outcomes affecting trust and fairness [105, 135, 157].
Agentic AI denotes intelligent systems that act autonomously, plan and adjust steps, and operate in complex environments with minimal human oversight. Combining LLMs and reinforcement learning, these systems manage multi-step workflows, remember past interactions, and pursue multiple goals. Frameworks such as LangChain, AutoGPT, BabyAGI, AutoGen, and OpenAgents illustrate this evolution from structured reasoning and iterative tasks to multi-agent collaboration and adaptive problem-solving. The best agentic systems share core components — perception, planning, execution, memory, reflection, orchestration, and interaction — differing in orchestration style and control loop, leveraging explicit memory, built-in feedback, and graph-based orchestration for adaptive, reliable behaviors.
Agentic AI moves well beyond simple input–output frameworks to encompass diverse data types — text, audio, multimodal inputs, datasets, real-time streams, even specialized formats such as code files and PDFs — enabling autonomous work across structured and unstructured environments while countering real-world unpredictability. Evaluating it requires a multi-faceted approach integrating technical accuracy with qualitative factors, and the most successful systems will balance operational performance with transparency, fairness, and robustness. Future research should prioritize unified benchmarks, robust performance measurement, input–output modeling, and addressing reliability, safety, interpretability, and governance challenges, supporting responsible design and deployment of agentic AI across domains.