在科技界，人工智能（AI）代理似乎正成为无所不能的存在，人们谈论它们时，仿佛只需轻轻一触，就能替代整个部门的工作。这种梦想极具诱惑力：自主系统能够处理任何抛向它们的问题，无需引导，没有限制，只需提供AWS凭证，它们就能解决所有难题。然而，现实并非如此，特别是在企业环境中，可靠性是不可或缺的。即使一个代理的准确率高达99%，在某些情况下，那1%的失败也可能带来灾难性的后果。
现实与幻想的鸿沟
在现实世界如金融、医疗和运营等领域，真正创造价值的AI系统并不符合这些前沿幻想。它们并不在开放世界中即兴创作，而是解决定义明确、输入清晰、结果可预测的问题。如果我们继续用半成熟的技术追逐开放世界的问题，将会浪费时间、金钱和信任。相反，如果我们专注于眼前的问题——那些具有明确投资回报率（ROI）和明确边界的问题——我们就能让AI在今天发挥作用。
开放世界的难题
科技界热衷于那些看似遥不可及的“登月计划”，而当前的“登月计划”就是开放世界AI——能够处理任何任务、适应新情况、即时学习并在信息不完整或模糊的情况下运作的代理。这是通用智能的梦想：系统不仅能推理，还能即兴创作。
然而，开放世界问题由我们所不知道的因素定义。时间和空间是无界的，过去的经验可能不适用于新的、未见过的场景。任务也是无界的，它们不是预先确定的，而是可以动态出现的。在这样的环境中，AI在不完整的信息下运作，无法假设未知即为假，它只是未知。AI需要适应这些不可预见的变化和新的任务。
企业面临的实际问题
相比之下，封闭世界问题是指范围已知、规则明确、系统可以假设拥有所有相关数据的问题。如果某件事不是明确为真，它就可以被视为假。这正是大多数企业每天面临的问题：发票匹配、合同验证、欺诈检测、索赔处理、库存预测等。这些问题虽然不常上头条，但却是企业真正关心并需要解决的。
追逐幻想的风险
开放世界的幻想是有害的：它将门槛设定在通用智能上，使得企业AI感觉遥不可及。领导者听到那些能做任何事的代理时，会感到无所适从，因为不知道从何开始。问题显得太大、太模糊、太冒险。这就像在发明出可靠的内燃机之前，就试图设计自动驾驶汽车一样。梦想令人兴奋，但跳过基础注定会失败。
解决眼前的问题
开放世界问题或许能带来精彩的演示和更好的融资轮次，但封闭世界问题才是当今真正的价值所在。它们是可解决、可测试和可自动化的，并且就潜伏在每家企业内部，等待合适的系统来解决。
企业AI代理的实际形态
人们对AI代理的想象往往是一个聊天窗口。用户输入一个提示，代理给出一个有用的回答。这在演示和消费者应用中或许可行，但并非企业AI的实际运作方式。在企业中，大多数有用的代理不是用户触发的，而是自主的。它们是长期运行的进程，随着数据在业务中的流动而做出反应。它们做出决策、调用服务并产生输出，这一切都是连续且异步的，无需人工指示。
构建可靠的AI系统
尽管AI模型，特别是大型语言模型（LLM），本质上是非确定性的，但我们的系统可以是确定性的。我们可以通过将非确定性模型包裹在确定性基础设施中来构建生产级的AI系统。如果知道某个工具应该用于某项任务，就不要让模型来决定，直接调用该工具即可。如果工作流程可以静态定义，就不要依赖动态决策，使用确定性调用图。如果输入和输出是可预测的，就不要通过过度复杂化代理逻辑来引入歧义。
事件驱动的多代理系统
事件驱动的多代理系统将问题分解为更小的步骤，每个步骤分配给一个专门构建的代理，并通过结构化事件触发它们。这样，我们就得到了一个松散耦合、完全可追踪的系统，它按照企业系统应有的方式工作：可靠、可问责且控制清晰。由于系统是事件驱动的，代理无需了解彼此，只需响应事件。工作可以并行处理，从而加快复杂流程。失败是孤立的，可以通过事件日志或重试来恢复。我们可以独立观察、调试和测试每个组件。
专注于实际问题
企业AI的未来不是从通用智能开始的，而是从能够工作的自动化开始的。这意味着要专注于封闭世界问题，这些问题是结构化的、有界的，并且充满了产生真正影响的机会。我们不需要一个能做所有事情的代理，而需要一个能够可靠地完成某件事情的系统：正确路由索赔、准确解析文档、按时跟进客户。这些胜利会累积起来，降低成本、释放时间并建立对AI作为可靠技术栈一部分的信任。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/bing-qi-huan-xiang-ju-jiao-shi-ji-zhen-zheng-de-ai-dai-li
