 |
本文原載 InfoQ，作者：高玉嫻。轉(zhuǎn)載已獲授權(quán)。
編者注： AI智能體的發(fā)展已然勢(shì)不可擋，但理想與現(xiàn)實(shí)之間往往存在鴻溝。目前來(lái)看，多數(shù)智能體可以實(shí)現(xiàn)數(shù)據(jù)分析、趨勢(shì)預(yù)測(cè)和一定程度的工作流程自動(dòng)化，在簡(jiǎn)單場(chǎng)景中可以選擇正確的工具完成任務(wù)，但面對(duì)復(fù)雜場(chǎng)景，技術(shù)成熟度仍顯不足。要構(gòu)建自主處理復(fù)雜決策的AI智能體，僅靠算法層的優(yōu)化是不夠的，還需要在上下文推理、邊緣案例測(cè)試等方面取得突破。
基于此，我們與您分享 InfoQ作者高玉嫻的深度好文《業(yè)界對(duì) Agent 的最大誤解：它能解決所有問(wèn)題》。文章原載InfoQ，詳情如下，轉(zhuǎn)載時(shí)請(qǐng)務(wù)必注明文章作者和出處。
北京 2025年5月26日 /美通社/ -- 目前業(yè)界對(duì) AI Agent 存在的最大誤解是什么？
"覺(jué)得智能體（Agent）能解決所有的問(wèn)題。"IBM 大中華區(qū)科技事業(yè)部數(shù)據(jù)與人工智能資深技術(shù)專(zhuān)家吳敏達(dá)在日前的媒體圓桌會(huì)上這樣回答。
AI Agent 是眼下幾乎所有科技公司的"必爭(zhēng)之地"。IBM 也在 Think 2025 大會(huì)期間，推出了升級(jí)版本的 AI 智能體解決方案 watsonx Orchestrate：它提供預(yù)構(gòu)建、開(kāi)箱即用的專(zhuān)業(yè)領(lǐng)域智能體（如人力資源、銷(xiāo)售和采購(gòu)智能體等）；支持企業(yè)在 5 分鐘之內(nèi)構(gòu)建自己的 AI Agent；通過(guò)智能體編排工具可以實(shí)現(xiàn)復(fù)雜項(xiàng)目所需的多智能體、多工具協(xié)調(diào)；并且能為 AI Agent 全生命周期提供可觀測(cè)性，包括性能監(jiān)控、防護(hù)、模型優(yōu)化和治理。
AI Agent 規(guī)模應(yīng)用的"拐點(diǎn)時(shí)刻"已經(jīng)到來(lái)，這是業(yè)界的共識(shí)。然而，IBM 也強(qiáng)調(diào)，不必過(guò)度"神化"AI。"技術(shù)的本質(zhì)要看它能不能解決企業(yè)真正的問(wèn)題，尤其當(dāng)它跟核心業(yè)務(wù)綁定起來(lái)，就要回歸業(yè)務(wù)場(chǎng)景去看技術(shù)有沒(méi)有真正產(chǎn)生價(jià)值。"IBM 大中華區(qū)技術(shù)銷(xiāo)售總經(jīng)理、首席技術(shù)官翟峰表示。
換句話說(shuō)，AI 解決不了所有問(wèn)題，也并非所有問(wèn)題都需要用 AI 解決，Agent 同理。
" 真假 " 智能體
區(qū)別于傳統(tǒng)的 AI 助手（如聊天機(jī)器人），AI Agent 不僅能理解指令和生成內(nèi)容，更能基于實(shí)時(shí)數(shù)據(jù)自主規(guī)劃任務(wù)路徑、調(diào)用多系統(tǒng)資源，并在執(zhí)行中動(dòng)態(tài)優(yōu)化策略。
這些優(yōu)秀特質(zhì)讓業(yè)界對(duì) AI Agent 趨之若鶩，當(dāng)然也使得市場(chǎng)上出現(xiàn)不少"新瓶裝舊酒"的產(chǎn)品——雖然換上了 AI Agent 的包裝，但內(nèi)核仍然是傳統(tǒng)的 AI 工具。
吳敏達(dá)告訴記者，想要識(shí)別所謂的"假智能體"并不難。"純‘舊酒'的算力不是在運(yùn)行的時(shí)候（使用），Agent 具有自主運(yùn)行的‘大腦'，需要不停想東西、不停算，這時(shí)候就要堆算力。但以前的自動(dòng)化流程或者 AI 模型的調(diào)用，基本是事先編排好，用歷史數(shù)據(jù)算好，運(yùn)行的時(shí)候沒(méi)有那么多資源消耗，所需的算力要求很小，CPU 就能跑。"
通過(guò)名為 AskIBM 的統(tǒng)一平臺(tái)入口，IBM 內(nèi)部也正在使用 AI Agent 為員工賦能。據(jù)介紹，AskIBM 可以根據(jù)員工的查詢(xún)意圖自動(dòng)路由至 HR、IT 、銷(xiāo)售、采購(gòu)等垂直領(lǐng)域智能體，實(shí)現(xiàn)從問(wèn)題解析到系統(tǒng)交互的全流程自動(dòng)化。
在吳敏達(dá)看來(lái)，構(gòu)建 AI Agent 很容易，然而在企業(yè)中想把 AI 應(yīng)用做好，就需要實(shí)現(xiàn)規(guī)模化，而這一點(diǎn)很難。第一， Agent 開(kāi)發(fā)背后涉及不同框架、不同應(yīng)用、不同廠商，彼此的連接怎么做？第二，企業(yè)如何找到高 ROI 和合適的場(chǎng)景？第三， Agent 從構(gòu)建、生產(chǎn)到運(yùn)維的全生命周期如何做好管理？
針對(duì)這些問(wèn)題，watsonx Orchestrate 有著清晰的架構(gòu)設(shè)計(jì)，如下圖：
自上而下來(lái)看，IBM 在其中的核心思路有三點(diǎn)：
第一層是開(kāi)箱即用的垂域智能體矩陣。包括在 Think 2025 大會(huì)期間首批對(duì)外發(fā)布的 3 個(gè) AI 智能體：人力資源智能體、銷(xiāo)售智能體和采購(gòu)智能體。"比如新員工入職之后的培訓(xùn)、ID 或者權(quán)限申請(qǐng)，甚至都不需要 HR 介入，背后的機(jī)器人就可以回答 90%的問(wèn)題。至于這背后究竟調(diào)用了多少個(gè) AI 智能體并不重要，從業(yè)務(wù)視角來(lái)看，這完全不用管。"翟峰表示。目前，人力資源智能體已經(jīng)正式上線，銷(xiāo)售和采購(gòu)智能體也計(jì)劃將于 6 月份開(kāi)放使用。
"對(duì)于國(guó)內(nèi)企業(yè)來(lái)說(shuō)，在使用的時(shí)候可以把這些智能體作為模板，然后根據(jù)自己的實(shí)際需求進(jìn)行調(diào)整。"吳敏達(dá)舉例。
第二層是多智能體編排。一旦智能體開(kāi)發(fā)上線部署到智能體目錄（Agent Catalog）就可以開(kāi)放給部門(mén)或者其它員工使用，這個(gè)目錄類(lèi)似于一個(gè)智能體倉(cāng)庫(kù)，支持分類(lèi)檢索、權(quán)限管理和版本控制，管理員也可以設(shè)定訪問(wèn)權(quán)限，并通過(guò)審批流程發(fā)布、共享智能體。
但隨著企業(yè)智能體數(shù)量從數(shù)十個(gè)增至數(shù)百個(gè)，管理的復(fù)雜度也會(huì)越來(lái)越高。對(duì)此，watsonx Orchestrate 還引入了多智能體編排功能，支持跨智能體協(xié)作，例如銷(xiāo)售智能體在獲取新客戶(hù)線索后，會(huì)自動(dòng)觸發(fā)市場(chǎng)智能體分析競(jìng)品動(dòng)態(tài)，再調(diào)用客服智能體生成個(gè)性化跟進(jìn)策略。并且，無(wú)論是企業(yè)自己構(gòu)建、合作伙伴構(gòu)建或是開(kāi)源社區(qū)的專(zhuān)業(yè)領(lǐng)域智能體，都可實(shí)現(xiàn)信息共享，并協(xié)同處理復(fù)雜的多步驟流程。
第三層是開(kāi)放的生態(tài)和開(kāi)源協(xié)同。前端是統(tǒng)一的入口，而背后是非常開(kāi)放的智能體生態(tài)。watsonx Orchestrate 集成了 Adobe、AWS、Microsoft、Oracle、Salesforce Agentforce、SAP、ServiceNow 和 Workday 等公司的 80 多種行業(yè)領(lǐng)先的企業(yè)級(jí)應(yīng)用工具。舉例來(lái)說(shuō)，企業(yè)可以選擇直接在 Orchestrate 中調(diào)用 Salesforce 的銷(xiāo)售預(yù)測(cè)智能體，而不需要重復(fù)開(kāi)發(fā)對(duì)接接口。
數(shù)據(jù)是 AI Ready 的嗎？
需要注意的是，AI Agent 完成一項(xiàng)任務(wù)的背后需要非常豐富的知識(shí)，它們可能來(lái)自企業(yè)內(nèi)部、互聯(lián)網(wǎng)或者大模型本身，基于這些知識(shí)，任務(wù)的執(zhí)行或者工具的調(diào)用才不會(huì)出錯(cuò)——這些知識(shí)，實(shí)際上就是數(shù)據(jù)。
翟峰表示，沒(méi)有數(shù)據(jù)的 AI 應(yīng)用都是空談，企業(yè)要落地 AI 首先先問(wèn)自己三個(gè)問(wèn)題：高質(zhì)量的數(shù)據(jù)有沒(méi)有？這些數(shù)據(jù)在用嗎？有沒(méi)有真正發(fā)揮作用？
也就是說(shuō)，有數(shù)據(jù)也并不意味著能用好數(shù)據(jù)。"企業(yè)內(nèi)部 90%以上其實(shí)都是非結(jié)構(gòu)化數(shù)據(jù)，但是目前大家關(guān)注更多的卻是結(jié)構(gòu)化數(shù)據(jù)。"吳敏達(dá)強(qiáng)調(diào)，"因此，幫助企業(yè)提高對(duì)非結(jié)構(gòu)化數(shù)據(jù)的使用，也是 IBM 主攻的方向。"
上圖是最新更新的 watsonx.data 的簡(jiǎn)略邏輯架構(gòu)圖，相較于此前的版本集成了數(shù)據(jù)經(jīng)緯，通過(guò)統(tǒng)一元數(shù)據(jù)治理增加了語(yǔ)義層（watsonx.data intelligence），用戶(hù)可以直接進(jìn)行自然語(yǔ)言提問(wèn)，比如"某供應(yīng)商的應(yīng)付款是多少"，這時(shí)候通過(guò)語(yǔ)義層就可以找到對(duì)應(yīng)的數(shù)據(jù)，它可能來(lái)自結(jié)構(gòu)化數(shù)據(jù)，也可能來(lái)自文檔庫(kù)中的各種非結(jié)構(gòu)化數(shù)據(jù)。如下圖：
"我們認(rèn)為這種方式比 RAG 準(zhǔn)確率更高，因?yàn)槠渲械奈臋n不是直接向量化的，中間有一個(gè)提取的過(guò)程。具體來(lái)說(shuō)，我們通過(guò) watsonx.data integration 去處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，對(duì)于非結(jié)構(gòu)化數(shù)據(jù)，它在向量化的過(guò)程中會(huì)提取其中的實(shí)體（entity）和值（value），提取以后再把文檔向量化。將來(lái)在大模型做知識(shí)庫(kù)查詢(xún)的時(shí)候，不僅會(huì)返回類(lèi)似的向量，同時(shí)會(huì)把相關(guān)的實(shí)體和值返回出來(lái)，通過(guò)實(shí)體和值的輔助，使得準(zhǔn)確率提高。"吳敏達(dá)表示。
watsonx.data integration 是一個(gè)全方位數(shù)據(jù)集成的工具，和過(guò)去 IBM 提供的 DataStage、Data Replication 等數(shù)據(jù)處理工具不同，watsonx.data integration 既可以支持結(jié)構(gòu)化數(shù)據(jù)，也支持非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)。
再往下，當(dāng)數(shù)據(jù)放到 watsonx.data 中并經(jīng)過(guò) watsonx.data integration 統(tǒng)一集成之后，watsonx.data intelligence 就開(kāi)始"工作"了，它的作用是提供統(tǒng)一的數(shù)據(jù)治理和數(shù)據(jù)血緣能力。吳敏達(dá)舉例，"同一批數(shù)據(jù)有多種方式訪問(wèn)，比如用大模型知識(shí)庫(kù)——RAG 的方式去問(wèn)答，或者用傳統(tǒng)的 SQL 查詢(xún)——報(bào)表查詢(xún)的方式，還有用機(jī)器學(xué)習(xí)的方式建模提取數(shù)據(jù)訓(xùn)練一個(gè)模型，也是一種方式。怎么保證不同的訪問(wèn)方式權(quán)限管控是在一起的？這種情況就可以通過(guò) watsonx.data intelligence 來(lái)管控。"
與此同時(shí)，IBM 還把治理后的數(shù)據(jù)都封裝為 API 接口或向量數(shù)據(jù)庫(kù)，供智能體實(shí)時(shí)調(diào)用。例如，供應(yīng)鏈智能體可直接訪問(wèn)實(shí)時(shí)庫(kù)存向量數(shù)據(jù)，動(dòng)態(tài)調(diào)整采購(gòu)計(jì)劃。這不僅提升了數(shù)據(jù)可用性，還為 Agent 的持續(xù)進(jìn)化提供了"養(yǎng)分"。
縱觀整個(gè)鏈路，如果我們把企業(yè)源系統(tǒng)中的原始數(shù)據(jù)比作制造工廠的原材料，那么，watsonx.data integration 的作用就是對(duì)生產(chǎn)原料進(jìn)行制造、加工，加工后放到 watsonx.data 這個(gè)倉(cāng)庫(kù)中，再通過(guò) watsonx.data intelligence 進(jìn)行管理形成資產(chǎn)目錄，最終提供給前端的 AI 和 BI 使用。
流程是自動(dòng)化的嗎？
那么，當(dāng)沒(méi)有技術(shù)基礎(chǔ)的業(yè)務(wù)人員也可以輕松地通過(guò)低代碼甚至無(wú)代碼的方式開(kāi)發(fā)應(yīng)用，并且數(shù)據(jù)也就緒之后，AI Agent 就能在企業(yè)流程中"暢通無(wú)阻"了嗎？恐怕沒(méi)有那么簡(jiǎn)單。
第一，每個(gè)企業(yè)平均擁有上千個(gè)應(yīng)用， AI Agent 如何跟這些系統(tǒng)和應(yīng)用連接和打通？
異構(gòu)系統(tǒng)的困境在企業(yè)發(fā)展中的任何一個(gè)階段都存在，系統(tǒng)和系統(tǒng)之間的接口不同、標(biāo)準(zhǔn)千差萬(wàn)別，過(guò)去的問(wèn)題是不同系統(tǒng)之間如何打通，數(shù)據(jù)孤島如何打破，而現(xiàn)在的問(wèn)題是 AI Agent 和這些系統(tǒng)之間的"次元壁"怎么破，怎么調(diào)用其中的數(shù)據(jù)并執(zhí)行相關(guān)任務(wù)。
比如，企業(yè)在收到客戶(hù)的質(zhì)量問(wèn)題反饋之后，如果要交給 AI Agent 處理：第一步，它需要把問(wèn)題反饋到質(zhì)量管理系統(tǒng)，然后調(diào)用生產(chǎn)制造、設(shè)計(jì)、工藝等不同軟件系統(tǒng)中的數(shù)據(jù)進(jìn)行分析，才能定位問(wèn)題的根源；第二步，在確認(rèn)問(wèn)題之后，需要對(duì)企業(yè)知識(shí)庫(kù)進(jìn)行更新，從而避免類(lèi)似情況重復(fù)出現(xiàn)；第三步，它需要通知相關(guān)負(fù)責(zé)人，這時(shí)候它要調(diào)用郵箱、釘釘或者企微這些不同的通訊應(yīng)用；最后，如果是外部供應(yīng)商零件的問(wèn)題，就涉及外部溝通，所以可能需要把信息生成文檔以 EDI 格式進(jìn)行發(fā)送。
"要把所有這些流程串起來(lái)，每一步都不容易，必須把 AI Agent 和現(xiàn)有的系統(tǒng)有效集成。"IBM 大中華區(qū)科技事業(yè)部自動(dòng)化資深技術(shù)專(zhuān)家張誠(chéng)表示，雖然集成是一個(gè)比較"久遠(yuǎn)"的概念，但現(xiàn)如今它的重要性和含金量還在不斷提升。在 Think 2025 大會(huì)期間 IBM 發(fā)布的 Hybrid Integration，主要就是為了提供完整的云上、云下跨平臺(tái)的集成能力。
第二，如何實(shí)現(xiàn)多個(gè)智能體鏈路的可視化，以及如何處理任務(wù)執(zhí)行過(guò)程中可能出現(xiàn)的報(bào)錯(cuò)？
舉例來(lái)說(shuō)，在某個(gè) AI Agent 上線后，如果出現(xiàn)延時(shí)、網(wǎng)絡(luò)閃斷，或者內(nèi)存溢出、宕機(jī)等問(wèn)題，怎么對(duì)全鏈路實(shí)時(shí)監(jiān)控、主動(dòng)檢測(cè)，并且快速診斷、分析并處理？這個(gè)過(guò)程依賴(lài)于自動(dòng)化的 IT 運(yùn)維能力。
在運(yùn)維層面，IBM 提出了 AgentOps 概念，即希望從 AI Agent 的構(gòu)建、部署上線到運(yùn)維、優(yōu)化迭代全鏈路都實(shí)現(xiàn)可視化。比如，通過(guò) Instana 全棧監(jiān)控工具，實(shí)時(shí)追蹤 Agent 的調(diào)用鏈路、資源消耗和決策準(zhǔn)確性。當(dāng)某 Agent 的響應(yīng)延遲超過(guò)閾值時(shí)，系統(tǒng)可以自動(dòng)觸發(fā)擴(kuò)容機(jī)制。
第三，如何合理分配資源，確保效率的同時(shí)實(shí)現(xiàn)成本最小化？
IBM 認(rèn)為，要從基礎(chǔ)架構(gòu)層面實(shí)現(xiàn)自動(dòng)化，才能讓 AI 能夠高度自動(dòng)化、彈性地使用基礎(chǔ)資源。對(duì)此，可觀測(cè)性工具變得至關(guān)重要，包括發(fā)現(xiàn)、管理、監(jiān)控和優(yōu)化整個(gè)企業(yè)的智能體使用情況，確保高效、負(fù)責(zé)任的技術(shù)采用。
對(duì)此，watsonx 產(chǎn)品組合提供了一套監(jiān)測(cè)工具，可以監(jiān)控 AI 性能和可靠性、執(zhí)行 AI 護(hù)欄，并有效地使用 AI 資源，例如，根據(jù)成本效益或性能等特定目標(biāo)，評(píng)估和選擇 AI 模型。此外，IBM 還在去年宣布收購(gòu)了 HashiCorp，它的定位就是從底層基礎(chǔ)設(shè)施層面，幫助企業(yè)實(shí)現(xiàn)自動(dòng)化的、隨需應(yīng)變的全生命周期管理。
"相關(guān)數(shù)據(jù)顯示，平均而言，企業(yè)有 27%的云計(jì)算支出都在被浪費(fèi)，而這些浪費(fèi)完全可以通過(guò)平臺(tái)分析出來(lái)，從而更好地實(shí)現(xiàn)底層資源的部署，這是 IBM 自動(dòng)化軟件比較側(cè)重解決的事情。"張誠(chéng)強(qiáng)調(diào)。
回歸業(yè)務(wù)本質(zhì)去看待技術(shù)價(jià)值
寫(xiě)到這里，不知道大家有沒(méi)有發(fā)現(xiàn)，除了 AI Agent 這個(gè)全新的概念之外，數(shù)據(jù)、自動(dòng)化等等事實(shí)上還是企業(yè)在信息化、數(shù)字化時(shí)代老生常談的話題。最終，無(wú)論是人來(lái)執(zhí)行任務(wù)、做決策，還是 AI 來(lái)執(zhí)行任務(wù)、做決策，一個(gè)相對(duì)完備和成熟的 IT 基礎(chǔ)設(shè)施是必不可少的，這是企業(yè)必須補(bǔ)上的一"課"。
解決了這個(gè)問(wèn)題，然后才是找場(chǎng)景。
"每個(gè)企業(yè)發(fā)展階段不一樣，遇到的瓶頸也不一樣，企業(yè)必須先想清楚哪個(gè)地方是真正的痛點(diǎn)，無(wú)論你要降本增效還是業(yè)務(wù)創(chuàng)新，企業(yè)的訴求自己要先想清楚。并不是今天 HR Agent 來(lái)了，你企業(yè)只有 3 個(gè) HR 也要用。"翟峰表示。
那么，企業(yè)如何精準(zhǔn)把握業(yè)務(wù)需求，讓內(nèi)部構(gòu)建的 AI 智能體更具針對(duì)性、高價(jià)值并持續(xù)優(yōu)化？IBM 大中華區(qū)科技事業(yè)部車(chē)庫(kù)創(chuàng)新團(tuán)隊(duì)經(jīng)理張珣總結(jié)，企業(yè)應(yīng)該通過(guò)進(jìn)階的路徑去做，通過(guò)不斷迭代優(yōu)化的過(guò)程一步步實(shí)現(xiàn)智能化。
"企業(yè)首先要確保投資可控，因此我們團(tuán)隊(duì)通常會(huì)通過(guò) POC（概念驗(yàn)證）和客戶(hù)一起選擇最典型的場(chǎng)景把我們的想法和產(chǎn)品部署上去，然后驗(yàn)證它的 ROI，如果滿(mǎn)足預(yù)期再大規(guī)模部署。"張珣告訴 InfoQ 記者，"整個(gè) POC 的過(guò)程是 30 天左右，但每周都會(huì)對(duì)方案進(jìn)行迭代，這個(gè)過(guò)程需要讓客戶(hù)充分參與進(jìn)來(lái)，進(jìn)行及時(shí)的反饋，一起驗(yàn)證我們是不是在一條正確的路上，如果不對(duì)就需要不斷調(diào)整。"
以制造業(yè)為例，IBM 車(chē)庫(kù)創(chuàng)新團(tuán)隊(duì)經(jīng)過(guò)對(duì)企業(yè)的需求調(diào)研和深入探討、共創(chuàng)，總結(jié)出來(lái)四個(gè)能給企業(yè)帶來(lái)最大的 ROI 的場(chǎng)景：研發(fā)、生產(chǎn)、供應(yīng)鏈，以及財(cái)務(wù)。再拿 IBM 自身來(lái)說(shuō)，為什么優(yōu)先發(fā)布了 HR、財(cái)務(wù)、采購(gòu)三個(gè)智能體，其實(shí)也是經(jīng)過(guò) IBM 自己內(nèi)部驗(yàn)證，ROI 比較好的場(chǎng)景。
總而言之，在 IBM 看來(lái)，企業(yè)級(jí) AI 的本質(zhì)不在于炫技，而是業(yè)務(wù)重構(gòu)。正如 IBM 董事長(zhǎng) Arvind Krishna 所言："AI 實(shí)驗(yàn)的時(shí)代已經(jīng)結(jié)束，企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)取決于量身定制的 AI 應(yīng)用和可量化的業(yè)務(wù)成果。" 在 Agent 這個(gè)賽道上，IBM 打出的還是 "全棧技術(shù) + 行業(yè) Know-How + 開(kāi)放生態(tài)" 的組合拳，這個(gè)過(guò)程不追求速度，而是更加強(qiáng)調(diào)技術(shù)深度和落地精度。
而對(duì)企業(yè)來(lái)說(shuō)，必須認(rèn)識(shí)到再炫酷的技術(shù)也解決不了業(yè)務(wù)本質(zhì)的問(wèn)題，技術(shù)概念和產(chǎn)品越是眼花繚亂，越要定下心來(lái)練好"內(nèi)功"，快速補(bǔ)齊 IT 基礎(chǔ)設(shè)施能力，是搭上 AI 這趟快車(chē)的基本前提。
