 |
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)展已然勢不可擋，但理想與現(xiàn)實之間往往存在鴻溝。目前來看，多數(shù)智能體可以實現(xiàn)數(shù)據(jù)分析、趨勢預(yù)測和一定程度的工作流程自動化，在簡單場景中可以選擇正確的工具完成任務(wù)，但面對復(fù)雜場景，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 Agent 的最大誤解：它能解決所有問題》。文章原載InfoQ，詳情如下，轉(zhuǎn)載時請務(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 AI Agent 存在的最大誤解是什么？
"覺得智能體（Agent）能解決所有的問題。"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)專家吳敏達在日前的媒體圓桌會上這樣回答。
AI Agent 是眼下幾乎所有科技公司的"必爭之地"。IBM 也在 Think 2025 大會期間，推出了升級版本的 AI 智能體解決方案 watsonx Orchestrate：它提供預(yù)構(gòu)建、開箱即用的專業(yè)領(lǐng)域智能體（如人力資源、銷售和采購智能體等）；支持企業(yè)在 5 分鐘之內(nèi)構(gòu)建自己的 AI Agent；通過智能體編排工具可以實現(xiàn)復(fù)雜項目所需的多智能體、多工具協(xié)調(diào)；并且能為 AI Agent 全生命周期提供可觀測性，包括性能監(jiān)控、防護、模型優(yōu)化和治理。
AI Agent 規(guī)模應(yīng)用的"拐點時刻"已經(jīng)到來，這是業(yè)界的共識。然而，IBM 也強調(diào)，不必過度"神化"AI。"技術(shù)的本質(zhì)要看它能不能解決企業(yè)真正的問題，尤其當它跟核心業(yè)務(wù)綁定起來，就要回歸業(yè)務(wù)場景去看技術(shù)有沒有真正產(chǎn)生價值。"IBM 大中華區(qū)技術(shù)銷售總經(jīng)理、首席技術(shù)官翟峰表示。
換句話說，AI 解決不了所有問題，也并非所有問題都需要用 AI 解決，Agent 同理。
" 真假 " 智能體
區(qū)別于傳統(tǒng)的 AI 助手（如聊天機器人），AI Agent 不僅能理解指令和生成內(nèi)容，更能基于實時數(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)行中動態(tài)優(yōu)化策略。
這些優(yōu)秀特質(zhì)讓業(yè)界對 AI Agent 趨之若鶩，當然也使得市場上出現(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。
吳敏達告訴記者，想要識別所謂的"假智能體"并不難。"純‘舊酒'的算力不是在運行的時候（使用），Agent 具有自主運行的‘大腦'，需要不停想東西、不停算，這時候就要堆算力。但以前的自動化流程或者 AI 模型的調(diào)用，基本是事先編排好，用歷史數(shù)據(jù)算好，運行的時候沒有那么多資源消耗，所需的算力要求很小，CPU 就能跑。"
通過名為 AskIBM 的統(tǒng)一平臺入口，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)員工的查詢意圖自動路由至 HR、IT 、銷售、采購等垂直領(lǐng)域智能體，實現(xiàn)從問題解析到系統(tǒng)交互的全流程自動化。
在吳敏達看來，構(gòu)建 AI Agent 很容易，然而在企業(yè)中想把 AI 應(yīng)用做好，就需要實現(xiàn)規(guī)?；@一點很難。第一， Agent 開發(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 和合適的場景？第三， Agent 從構(gòu)建、生產(chǎn)到運維的全生命周期如何做好管理？
針對這些問題，watsonx Orchestrate 有著清晰的架構(gòu)設(shè)計，如下圖：
自上而下來看，IBM 在其中的核心思路有三點：
第一層是開箱即用的垂域智能體矩陣。包括在 Think 2025 大會期間首批對外發(fā)布的 3 個 AI 智能體：人力資源智能體、銷售智能體和采購智能體。"比如新員工入職之后的培訓(xùn)、ID 或者權(quán)限申請，甚至都不需要 HR 介入，背后的機器人就可以回答 90%的問題。至于這背后究竟調(diào)用了多少個 AI 智能體并不重要，從業(yè)務(wù)視角來看，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，銷售和采購智能體也計劃將于 6 月份開放使用。
"對于國內(nèi)企業(yè)來說，在使用的時候可以把這些智能體作為模板，然后根據(jù)自己的實際需求進行調(diào)整。"吳敏達舉例。
第二層是多智能體編排。一旦智能體開發(fā)上線部署到智能體目錄（Agent Catalog）就可以開放給部門或者其它員工使用，這個目錄類似于一個智能體倉庫，支持分類檢索、權(quán)限管理和版本控制，管理員也可以設(shè)定訪問權(quán)限，并通過審批流程發(fā)布、共享智能體。
但隨著企業(yè)智能體數(shù)量從數(shù)十個增至數(shù)百個，管理的復(fù)雜度也會越來越高。對此，watsonx Orchestrate 還引入了多智能體編排功能，支持跨智能體協(xié)作，例如銷售智能體在獲取新客戶線索后，會自動觸發(fā)市場智能體分析競品動態(tài)，再調(diào)用客服智能體生成個性化跟進策略。并且，無論是企業(yè)自己構(gòu)建、合作伙伴構(gòu)建或是開源社區(qū)的專業(yè)領(lǐng)域智能體，都可實現(xiàn)信息共享，并協(xié)同處理復(fù)雜的多步驟流程。
第三層是開放的生態(tài)和開源協(xié)同。前端是統(tǒng)一的入口，而背后是非常開放的智能體生態(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)級應(yīng)用工具。舉例來說，企業(yè)可以選擇直接在 Orchestrate 中調(diào)用 Salesforce 的銷售預(yù)測智能體，而不需要重復(fù)開發(fā)對接接口。
數(shù)據(jù)是 AI Ready 的嗎？
需要注意的是，AI Agent 完成一項任務(wù)的背后需要非常豐富的知識，它們可能來自企業(yè)內(nèi)部、互聯(lián)網(wǎng)或者大模型本身，基于這些知識，任務(wù)的執(zhí)行或者工具的調(diào)用才不會出錯——這些知識，實際上就是數(shù)據(jù)。
翟峰表示，沒有數(shù)據(jù)的 AI 應(yīng)用都是空談，企業(yè)要落地 AI 首先先問自己三個問題：高質(zhì)量的數(shù)據(jù)有沒有？這些數(shù)據(jù)在用嗎？有沒有真正發(fā)揮作用？
也就是說，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)。"吳敏達強調(diào)，"因此，幫助企業(yè)提高對非結(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，通過統(tǒng)一元數(shù)據(jù)治理增加了語義層（watsonx.data intelligence），用戶可以直接進行自然語言提問，比如"某供應(yīng)商的應(yīng)付款是多少"，這時候通過語義層就可以找到對應(yīng)的數(shù)據(jù)，它可能來自結(jié)構(gòu)化數(shù)據(jù)，也可能來自文檔庫中的各種非結(jié)構(gòu)化數(shù)據(jù)。如下圖：
"我們認為這種方式比 RAG 準確率更高，因為其中的文檔不是直接向量化的，中間有一個提取的過程。具體來說，我們通過 watsonx.data integration 去處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，對于非結(jié)構(gòu)化數(shù)據(jù)，它在向量化的過程中會提取其中的實體（entity）和值（value），提取以后再把文檔向量化。將來在大模型做知識庫查詢的時候，不僅會返回類似的向量，同時會把相關(guān)的實體和值返回出來，通過實體和值的輔助，使得準確率提高。"吳敏達表示。
watsonx.data integration 是一個全方位數(shù)據(jù)集成的工具，和過去 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，當數(shù)據(jù)放到 watsonx.data 中并經(jīng)過 watsonx.data integration 統(tǒng)一集成之后，watsonx.data intelligence 就開始"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。吳敏達舉例，"同一批數(shù)據(jù)有多種方式訪問，比如用大模型知識庫——RAG 的方式去問答，或者用傳統(tǒng)的 SQL 查詢——報表查詢的方式，還有用機器學(xué)習(xí)的方式建模提取數(shù)據(jù)訓(xùn)練一個模型，也是一種方式。怎么保證不同的訪問方式權(quán)限管控是在一起的？這種情況就可以通過 watsonx.data intelligence 來管控。"
與此同時，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，供智能體實時調(diào)用。例如，供應(yīng)鏈智能體可直接訪問實時庫存向量數(shù)據(jù)，動態(tài)調(diào)整采購計劃。這不僅提升了數(shù)據(jù)可用性，還為 Agent 的持續(xù)進化提供了"養(yǎng)分"。
縱觀整個鏈路，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 的作用就是對生產(chǎn)原料進行制造、加工，加工后放到 watsonx.data 這個倉庫中，再通過 watsonx.data intelligence 進行管理形成資產(chǎn)目錄，最終提供給前端的 AI 和 BI 使用。
流程是自動化的嗎？
那么，當沒有技術(shù)基礎(chǔ)的業(yè)務(wù)人員也可以輕松地通過低代碼甚至無代碼的方式開發(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"暢通無阻"了嗎？恐怕沒有那么簡單。
第一，每個企業(yè)平均擁有上千個應(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)展中的任何一個階段都存在，系統(tǒng)和系統(tǒng)之間的接口不同、標準千差萬別，過去的問題是不同系統(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)在收到客戶的質(zhì)量問題反饋之后，如果要交給 AI Agent 處理：第一步，它需要把問題反饋到質(zhì)量管理系統(tǒng)，然后調(diào)用生產(chǎn)制造、設(shè)計、工藝等不同軟件系統(tǒng)中的數(shù)據(jù)進行分析，才能定位問題的根源；第二步，在確認問題之后，需要對企業(yè)知識庫進行更新，從而避免類似情況重復(fù)出現(xiàn)；第三步，它需要通知相關(guān)負責人，這時候它要調(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 格式進行發(fā)送。
"要把所有這些流程串起來，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)部自動化資深技術(shù)專家張誠表示，雖然集成是一個比較"久遠"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、云下跨平臺的集成能力。
第二，如何實現(xiàn)多個智能體鏈路的可視化，以及如何處理任務(wù)執(zhí)行過程中可能出現(xiàn)的報錯？
舉例來說，在某個 AI Agent 上線后，如果出現(xiàn)延時、網(wǎng)絡(luò)閃斷，或者內(nèi)存溢出、宕機等問題，怎么對全鏈路實時監(jiān)控、主動檢測，并且快速診斷、分析并處理？這個過程依賴于自動化的 IT 運維能力。
在運維層面，IBM 提出了 AgentOps 概念，即希望從 AI Agent 的構(gòu)建、部署上線到運維、優(yōu)化迭代全鏈路都實現(xiàn)可視化。比如，通過 Instana 全棧監(jiān)控工具，實時追蹤 Agent 的調(diào)用鏈路、資源消耗和決策準確性。當某 Agent 的響應(yīng)延遲超過閾值時，系統(tǒng)可以自動觸發(fā)擴容機制。
第三，如何合理分配資源，確保效率的同時實現(xiàn)成本最小化？
IBM 認為，要從基礎(chǔ)架構(gòu)層面實現(xiàn)自動化，才能讓 AI 能夠高度自動化、彈性地使用基礎(chǔ)資源。對此，可觀測性工具變得至關(guān)重要，包括發(fā)現(xiàn)、管理、監(jiān)控和優(yōu)化整個企業(yè)的智能體使用情況，確保高效、負責任的技術(shù)采用。
對此，watsonx 產(chǎn)品組合提供了一套監(jiān)測工具，可以監(jiān)控 AI 性能和可靠性、執(zhí)行 AI 護欄，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，評估和選擇 AI 模型。此外，IBM 還在去年宣布收購了 HashiCorp，它的定位就是從底層基礎(chǔ)設(shè)施層面，幫助企業(yè)實現(xiàn)自動化的、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%的云計算支出都在被浪費，而這些浪費完全可以通過平臺分析出來，從而更好地實現(xiàn)底層資源的部署，這是 IBM 自動化軟件比較側(cè)重解決的事情。"張誠強調(diào)。
回歸業(yè)務(wù)本質(zhì)去看待技術(shù)價值
寫到這里，不知道大家有沒有發(fā)現(xiàn)，除了 AI Agent 這個全新的概念之外，數(shù)據(jù)、自動化等等事實上還是企業(yè)在信息化、數(shù)字化時代老生常談的話題。最終，無論是人來執(zhí)行任務(wù)、做決策，還是 AI 來執(zhí)行任務(wù)、做決策，一個相對完備和成熟的 IT 基礎(chǔ)設(shè)施是必不可少的，這是企業(yè)必須補上的一"課"。
解決了這個問題，然后才是找場景。
"每個企業(yè)發(fā)展階段不一樣，遇到的瓶頸也不一樣，企業(yè)必須先想清楚哪個地方是真正的痛點，無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 來了，你企業(yè)只有 3 個 HR 也要用。"翟峰表示。
那么，企業(yè)如何精準把握業(yè)務(wù)需求，讓內(nèi)部構(gòu)建的 AI 智能體更具針對性、高價值并持續(xù)優(yōu)化？IBM 大中華區(qū)科技事業(yè)部車庫創(chuàng)新團隊經(jīng)理張珣總結(jié)，企業(yè)應(yīng)該通過進階的路徑去做，通過不斷迭代優(yōu)化的過程一步步實現(xiàn)智能化。
"企業(yè)首先要確保投資可控，因此我們團隊通常會通過 POC（概念驗證）和客戶一起選擇最典型的場景把我們的想法和產(chǎn)品部署上去，然后驗證它的 ROI，如果滿足預(yù)期再大規(guī)模部署。"張珣告訴 InfoQ 記者，"整個 POC 的過程是 30 天左右，但每周都會對方案進行迭代，這個過程需要讓客戶充分參與進來，進行及時的反饋，一起驗證我們是不是在一條正確的路上，如果不對就需要不斷調(diào)整。"
以制造業(yè)為例，IBM 車庫創(chuàng)新團隊經(jīng)過對企業(yè)的需求調(diào)研和深入探討、共創(chuàng)，總結(jié)出來四個能給企業(yè)帶來最大的 ROI 的場景：研發(fā)、生產(chǎn)、供應(yīng)鏈，以及財務(wù)。再拿 IBM 自身來說，為什么優(yōu)先發(fā)布了 HR、財務(wù)、采購三個智能體，其實也是經(jīng)過 IBM 自己內(nèi)部驗證，ROI 比較好的場景。
總而言之，在 IBM 看來，企業(yè)級 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 Arvind Krishna 所言："AI 實驗的時代已經(jīng)結(jié)束，企業(yè)競爭優(yōu)勢取決于量身定制的 AI 應(yīng)用和可量化的業(yè)務(wù)成果。" 在 Agent 這個賽道上，IBM 打出的還是 "全棧技術(shù) + 行業(yè) Know-How + 開放生態(tài)" 的組合拳，這個過程不追求速度，而是更加強調(diào)技術(shù)深度和落地精度。
而對企業(yè)來說，必須認識到再炫酷的技術(shù)也解決不了業(yè)務(wù)本質(zhì)的問題，技術(shù)概念和產(chǎn)品越是眼花繚亂，越要定下心來練好"內(nèi)功"，快速補齊 IT 基礎(chǔ)設(shè)施能力，是搭上 AI 這趟快車的基本前提。
