先试水代理式人工智能，比盲目追逐潮流更明智

你可能会觉得自己的企业在采用智能代理AI方面落后。但尽管热度高涨且极具说服力，如果企业对某项技术的需求尚不成熟，就没必要急于行动。 在《2025年AI应用战略现状报告》中，我们的最新研究显示，37%的组织尚未制定智能代理AI的正式策略，仅有5%正积极推进。

明智的做法是以批判的眼光看待炒作，并在学习和试验阶段控制投资节奏。 当前，配备代理的人工智能部署更偏向于使用静态的AI聊天机器人完成预设任务，而非依靠动态、复杂且自主协作的多代理系统来达成目标并持续优化。

企业应该尝试代理型人工智能，而不是盲目跟风的五大理由。

代理人工智能技术正在以超过解决方案开发速度的节奏自我革新。 我们看到不断涌现的新功能、新工具和新的代码库。 现阶段我们处在一个快速原型开发的阶段，以跟上创新步伐，但企业级的全面解决方案需要技术堆栈更新节奏更为稳定。 以下是几个具体的例子：

• 智能代理必须具备强大的推理能力，才能应对定义目标导向自主行为的复杂问题。 我们依赖模型实现这一点，但它们的推理能力还不足以取代人类。
• 代理需要更强的记忆力才能应对复杂问题。 为满足这一需求，出现了新的记忆系统，各自专注不同领域：语义记忆、情景记忆和程序记忆等。 我们甚至看到模型内自主形成记忆能力的案例。
• 开发人员用来构建应用的API 中正在添加重要的功能跳跃。 在客户端，浏览器正在不断扩展，以便更轻松地利用人工智能。在服务器端，OpenAI 最近宣布对其 Responses API 进行多项更新。其中包括对模型上下文协议 (MCP) 的支持，以及增加了跨多个向量存储搜索的支持。

随着思想者和开发者不断应对市场对互操作性的需求，新的标准层出不穷。 例如Anthropic提出的MCP标准和Google提出的Agent2Agent（A2A）协议。 两者分别解决模型与资源之间和代理与代理之间的通信问题。 但它们都未涵盖代理式人工智能互操作性的全部要求。为了填补这些空白，未来几个月内我们有理由期待更多标准的诞生。 虽然MCP与A2A获得越来越多厂商和客户的支持，我们建议企业在采用前等待这些标准更加成熟和规范。

我们正在构建并部署AI代理。 早期数据表明取得了成果，但它们仅从收入增长（未涉及成本）或机器人处理的请求比例（表明代理能完成某些任务，但未做全面成本对比）来衡量业务效益。 代理型AI的总体拥有成本（TCO）：

• 一份完整的物料清单，涵盖技术、流程更新与采用，以及人才需求，包括现有岗位所需的新技能或新岗位的设立。
• 我们提供架构指导和组件架构图，涵盖网络拓扑及其与现有基础设施和服务的互操作性。
• 成功标准通过关键指标命名，以反映计算、网络和存储等基础设施在性能和容量方面的影响。

为了有效运行，支持人工智能的应用需要可靠且安全的优质数据。 如果组织缺乏有效方法来解决数据孤岛、数据格式和数据规范化问题，就很难成功部署具备自主能力的人工智能解决方案，因为它会放大企业在数据和安全方面的不足。 这不仅仅是部署大量以机器速度运行的智能代理。 目前安全措施针对这些代理，就像它们是用户或设备一样。 因此，用户在授权代理时，往往无法全面了解到代理会如何使用、修改或删除他们的数据。

支持人工智能的应用需要具备全栈可观察性。 如果您的组织还未建立起成熟的全栈可观察性体系，就无法有效支持代理式人工智能解决方案，而这类方案高度依赖全栈可观察性来实现可见性、运营、故障排查和治理。

请考虑这五个原因，明智选择，不要盲目追逐代理人工智能的热潮。如果超过两个因素对你的采纳计划构成实际挑战，或许应给予更多时间。 在技术架构和标准仍在不断创新、成本尚未明确、且前提涉及诸如内建全面数据管理和可观测性等强大企业级能力的市场中，稳步推进代理人工智能完全合理。 首次部署代理人工智能解决方案，并不能直接证明代理对业务的价值。 它证明基础设施已做好准备。 逐步采用能让你有时间发现并强化薄弱环节，避免陷得过深。

想深入了解智能代理的准备状况，请阅读我们最新发布的《有效负载中的策略： 为智能代理架构做准备》。