業界對 Agent 的最大誤解：它能解決所有問題

本文原載 InfoQ，作者：高玉嫻。轉載已獲授權。

編者注： AI智能體的發展已然勢不可擋，但理想與現實之間往往存在鴻溝。目前來看，多數智能體可以實現數據分析、趨勢預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，但面對復雜場景，技術成熟度仍顯不足。要構建自主處理復雜決策的AI智能體，僅靠算法層的優化是不夠的，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，轉載時請務必注明文章作者和出處。

北京 2025年5月26日 /美通社/ -- 目前業界對 AI Agent 存在的最大誤解是什么？

watsonx Assistants

"覺得智能體（Agent）能解決所有的問題。"IBM 大中華區科技事業部數據與人工智能資深技術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：它提供預構建、開箱即用的專業領域智能體（如人力資源、銷售和采購智能體等）；支持企業在 5 分鐘之內構建自己的 AI Agent；通過智能體編排工具可以實現復雜項目所需的多智能體、多工具協調；并且能為 AI  Agent 全生命周期提供可觀測性，包括性能監控、防護、模型優化和治理。

AI  Agent 規模應用的"拐點時刻"已經到來，這是業界的共識。然而，IBM 也強調，不必過度"神化"AI。"技術的本質要看它能不能解決企業真正的問題，尤其當它跟核心業務綁定起來，就要回歸業務場景去看技術有沒有真正產生價值。"IBM 大中華區技術銷售總經理、首席技術官翟峰表示。

IBM大中華區技術銷售總經理、首席技術官 翟峰

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

區別于傳統的 AI 助手（如聊天機器人），AI Agent 不僅能理解指令和生成內容，更能基于實時數據自主規劃任務路徑、調用多系統資源，并在執行中動態優化策略。

這些優秀特質讓業界對 AI Agent 趨之若鶩，當然也使得市場上出現不少"新瓶裝舊酒"的產品——雖然換上了 AI Agent 的包裝，但內核仍然是傳統的 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 模型的調用，基本是事先編排好，用歷史數據算好，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。"

IBM大中華區科技事業部數據與AI資深技術專家 吳敏達

通過名為 AskIBM 的統一平臺入口，IBM 內部也正在使用 AI Agent 為員工賦能。據介紹，AskIBM 可以根據員工的查詢意圖自動路由至 HR、IT 、銷售、采購等垂直領域智能體，實現從問題解析到系統交互的全流程自動化。

在吳敏達看來，構建 AI Agent 很容易，然而在企業中想把 AI 應用做好，就需要實現規?；@一點很難。第一， Agent 開發背后涉及不同框架、不同應用、不同廠商，彼此的連接怎么做？第二，企業如何找到高 ROI 和合適的場景？第三， Agent 從構建、生產到運維的全生命周期如何做好管理？

針對這些問題，watsonx Orchestrate 有著清晰的架構設計，如下圖：

watsonx Orchestrate

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、ID 或者權限申請，甚至都不需要 HR 介入，背后的機器人就可以回答 90%的問題。至于這背后究竟調用了多少個 AI 智能體并不重要，從業務視角來看，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。

"對于國內企業來說，在使用的時候可以把這些智能體作為模板，然后根據自己的實際需求進行調整。"吳敏達舉例。

第二層是多智能體編排。一旦智能體開發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、權限管理和版本控制，管理員也可以設定訪問權限，并通過審批流程發布、共享智能體。

但隨著企業智能體數量從數十個增至數百個，管理的復雜度也會越來越高。對此，watsonx Orchestrate 還引入了多智能體編排功能，支持跨智能體協作，例如銷售智能體在獲取新客戶線索后，會自動觸發市場智能體分析競品動態，再調用客服智能體生成個性化跟進策略。并且，無論是企業自己構建、合作伙伴構建或是開源社區的專業領域智能體，都可實現信息共享，并協同處理復雜的多步驟流程。

第三層是開放的生態和開源協同。前端是統一的入口，而背后是非常開放的智能體生態。watsonx Orchestrate 集成了 Adobe、AWS、Microsoft、Oracle、Salesforce Agentforce、SAP、ServiceNow 和 Workday 等公司的 80 多種行業領先的企業級應用工具。舉例來說，企業可以選擇直接在 Orchestrate 中調用 Salesforce 的銷售預測智能體，而不需要重復開發對接接口。

數據是  AI Ready 的嗎？

需要注意的是，AI Agent 完成一項任務的背后需要非常豐富的知識，它們可能來自企業內部、互聯網或者大模型本身，基于這些知識，任務的執行或者工具的調用才不會出錯——這些知識，實際上就是數據。

翟峰表示，沒有數據的 AI 應用都是空談，企業要落地 AI 首先先問自己三個問題：高質量的數據有沒有？這些數據在用嗎？有沒有真正發揮作用？

也就是說，有數據也并不意味著能用好數據。"企業內部 90%以上其實都是非結構化數據，但是目前大家關注更多的卻是結構化數據。"吳敏達強調，"因此，幫助企業提高對非結構化數據的使用，也是 IBM 主攻的方向。"

watsonx.data：AI就緒的數據

上圖是最新更新的 watsonx.data 的簡略邏輯架構圖，相較于此前的版本集成了數據經緯，通過統一元數據治理增加了語義層（watsonx.data intelligence），用戶可以直接進行自然語言提問，比如"某供應商的應付款是多少"，這時候通過語義層就可以找到對應的數據，它可能來自結構化數據，也可能來自文檔庫中的各種非結構化數據。如下圖：

watsonx.data：解鎖非結構化數據中的關鍵洞察

"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 去處理結構化和非結構化數據，對于非結構化數據，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 是一個全方位數據集成的工具，和過去 IBM 提供的 DataStage、Data Replication 等數據處理工具不同，watsonx.data integration 既可以支持結構化數據，也支持非結構化、半結構化的數據。

再往下，當數據放到 watsonx.data 中并經過 watsonx.data integration 統一集成之后，watsonx.data intelligence 就開始"工作"了，它的作用是提供統一的數據治理和數據血緣能力。吳敏達舉例，"同一批數據有多種方式訪問，比如用大模型知識庫——RAG 的方式去問答，或者用傳統的 SQL 查詢——報表查詢的方式，還有用機器學習的方式建模提取數據訓練一個模型，也是一種方式。怎么保證不同的訪問方式權限管控是在一起的？這種情況就可以通過 watsonx.data intelligence 來管控。"

與此同時，IBM 還把治理后的數據都封裝為 API 接口或向量數據庫，供智能體實時調用。例如，供應鏈智能體可直接訪問實時庫存向量數據，動態調整采購計劃。這不僅提升了數據可用性，還為 Agent 的持續進化提供了"養分"。

縱觀整個鏈路，如果我們把企業源系統中的原始數據比作制造工廠的原材料，那么，watsonx.data integration 的作用就是對生產原料進行制造、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，當沒有技術基礎的業務人員也可以輕松地通過低代碼甚至無代碼的方式開發應用，并且數據也就緒之后，AI Agent 就能在企業流程中"暢通無阻"了嗎？恐怕沒有那么簡單。

第一，每個企業平均擁有上千個應用， AI Agent 如何跟這些系統和應用連接和打通？

異構系統的困境在企業發展中的任何一個階段都存在，系統和系統之間的接口不同、標準千差萬別，過去的問題是不同系統之間如何打通，數據孤島如何打破，而現在的問題是 AI Agent 和這些系統之間的"次元壁"怎么破，怎么調用其中的數據并執行相關任務。

比如，企業在收到客戶的質量問題反饋之后，如果要交給 AI Agent 處理：第一步，它需要把問題反饋到質量管理系統，然后調用生產制造、設計、工藝等不同軟件系統中的數據進行分析，才能定位問題的根源；第二步，在確認問題之后，需要對企業知識庫進行更新，從而避免類似情況重復出現；第三步，它需要通知相關負責人，這時候它要調用郵箱、釘釘或者企微這些不同的通訊應用；最后，如果是外部供應商零件的問題，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 和現有的系統有效集成。"IBM 大中華區科技事業部自動化資深技術專家張誠表示，雖然集成是一個比較"久遠"的概念，但現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。

IBM大中華區科技事業部自動化資深技術專家 張誠

第二，如何實現多個智能體鏈路的可視化，以及如何處理任務執行過程中可能出現的報錯？

舉例來說，在某個 AI Agent 上線后，如果出現延時、網絡閃斷，或者內存溢出、宕機等問題，怎么對全鏈路實時監控、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 的構建、部署上線到運維、優化迭代全鏈路都實現可視化。比如，通過 Instana 全棧監控工具，實時追蹤 Agent 的調用鏈路、資源消耗和決策準確性。當某 Agent 的響應延遲超過閾值時，系統可以自動觸發擴容機制。

第三，如何合理分配資源，確保效率的同時實現成本最小化？

IBM 認為，要從基礎架構層面實現自動化，才能讓 AI 能夠高度自動化、彈性地使用基礎資源。對此，可觀測性工具變得至關重要，包括發現、管理、監控和優化整個企業的智能體使用情況，確保高效、負責任的技術采用。

對此，watsonx 產品組合提供了一套監測工具，可以監控 AI 性能和可靠性、執行 AI 護欄，并有效地使用 AI 資源，例如，根據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設施層面，幫助企業實現自動化的、隨需應變的全生命周期管理。

"相關數據顯示，平均而言，企業有 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，從而更好地實現底層資源的部署，這是 IBM 自動化軟件比較側重解決的事情。"張誠強調。

回歸業務本質去看待技術價值

寫到這里，不知道大家有沒有發現，除了 AI Agent 這個全新的概念之外，數據、自動化等等事實上還是企業在信息化、數字化時代老生常談的話題。最終，無論是人來執行任務、做決策，還是 AI 來執行任務、做決策，一個相對完備和成熟的 IT 基礎設施是必不可少的，這是企業必須補上的一"課"。

解決了這個問題，然后才是找場景。

"每個企業發展階段不一樣，遇到的瓶頸也不一樣，企業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務創新，企業的訴求自己要先想清楚。并不是今天 HR Agent 來了，你企業只有 3 個 HR 也要用。"翟峰表示。

那么，企業如何精準把握業務需求，讓內部構建的 AI 智能體更具針對性、高價值并持續優化？IBM 大中華區科技事業部車庫創新團隊經理張珣總結，企業應該通過進階的路徑去做，通過不斷迭代優化的過程一步步實現智能化。

IBM大中華區科技事業部車庫創新團隊經理 張珣

"企業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品部署上去，然后驗證它的 ROI，如果滿足預期再大規模部署。"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整。"

以制造業為例，IBM 車庫創新團隊經過對企業的需求調研和深入探討、共創，總結出來四個能給企業帶來最大的 ROI 的場景：研發、生產、供應鏈，以及財務。再拿 IBM 自身來說，為什么優先發布了 HR、財務、采購三個智能體，其實也是經過 IBM 自己內部驗證，ROI 比較好的場景。

總而言之，在 IBM 看來，企業級 AI 的本質不在于炫技，而是業務重構。正如 IBM 董事長 Arvind Krishna 所言："AI 實驗的時代已經結束，企業競爭優勢取決于量身定制的 AI 應用和可量化的業務成果。" 在 Agent 這個賽道上，IBM 打出的還是 "全棧技術 + 行業 Know-How + 開放生態" 的組合拳，這個過程不追求速度，而是更加強調技術深度和落地精度。

而對企業來說，必須認識到再炫酷的技術也解決不了業務本質的問題，技術概念和產品越是眼花繚亂，越要定下心來練好"內功"，快速補齊 IT 基礎設施能力，是搭上 AI 這趟快車的基本前提。