共计 1419 个字符，预计需要花费 4 分钟才能阅读完成。
部署 AI 智能体远非一次简单的软件发布，它需要全新的思维和细致的规划。对于企业高层而言，核心挑战在于如何赋予智能体恰当的自主权，同时重新审视传统的投资回报评估体系。多位行业领袖结合一线实践，分享了从失败与成功中提炼出的七个关键教训，为你的智能体之旅指明方向。
1. 治理至关重要——且必须前置
“自信不等于准确，”思科首席工程师 Nik Kale 的观察一针见血。他领导的团队为超过十万名用户提供专家级技术指导的智能体。早期版本曾“回答得极为肯定，但答案却是错误的”，这迫使他们投入大量资源，通过信息检索和知识结构化来夯实回答的准确性。
一个核心教训是“治理不能事后补救，”Kale 强调。“当监督和政策控制措施添加过晚时，系统往往缺乏支撑它们的架构接口，从而导致痛苦的中断或重新设计。”Kale 建议，应根据行动的可逆性，而非模型的置信度，来授予自主权。涉及多个领域的不可逆行动，无论系统显得多么有把握，都应始终保留人类监督。同时，可观测性同样关键，“了解决策是如何做出的，与决策本身同等重要。”
2. 从狭窄领域起步
Atomic Gravity 首席执行官 Tolga Tarhan 分享了他们的策略：“我们有意从狭窄的领域开始。”他们部署的智能体大多限定在单一领域内，设有明确的护栏和可衡量的成果，例如一个工程副驾驶或一个为高管整合复杂数据集的智能体。这种聚焦的做法降低了初始风险，并更容易验证价值。
3. 确保数据质量是基石
“当 AI 拥有高质量数据时，它才能良好运行，”营销机构 Duanex 的首席执行官 Oleg Danyliuk 表示。该公司构建了一个用于自动验证网站销售线索的智能体，过程中深刻体会到获取高质量、尤其是非结构化数据（如社交网络信息）的复杂性。“数据质量是头号问题，”Tarhan 对此深表赞同，“模型的表现完全取决于它们所接收的信息。”
4. 从问题出发——而非技术
部署 AI 智能体时，必须“预先定义成功标准，全面监测，并且让人停留在循环中的时间，要比直觉认为必要的更久，”Tarhan 建议。他强调，如果方法得当，AI 智能体可以带来变革；如果仓促行事，它们就会沦为昂贵的演示品。二者的区别在于是否以严格的纪律，通过路线图、反馈循环和持续迭代来管理智能体，而不是将其视为一次性的科学实验。
5. 引入“智能体运维”方法论
Info-Tech Research Group 首席研究总监 Martin Bufi 指出：“AI 智能体的成功不仅仅取决于模型能力。”帮助项目成功的关键是采用了“智能体运维”理念，该理念侧重于管理智能体的整个生命周期，从开发、部署到监控和迭代，确保其持续、稳定地创造价值。
6. 保持智能体专注与协作
与其构建一个庞大而全能的“万能”智能体，Bufi 建议“采用多个专门化的智能体，分别处理分析、验证、路由或通信等不同功能。”他的团队尝试让这些智能体模仿人类团队的协作方式，通过明确的编排模式（如中心辐射型或顺序管道）进行高效合作。
7. 保持上下文一致与系统适应性
Confluent 的 AI 负责人 Sean Falconer 指出，即使对于单用户智能体，“上下文管理也是一大挑战”。随着交互进行，上下文窗口会迅速被填满，模型可能无法优先处理正确信息。为了保持高质量输出，开发人员需要投入大量精力优化上下文的修剪、总结和注入机制。Falconer 建议：“从第一天起就为适应性设计工程架构。确保你的 AI 投资具备灵活性，避免供应商或模型锁定，以便在下一波创新浪潮到来时能够快速转向。”
