AI代理的真相：解决具体问题比追求开放世界更重要

7月6日，2025年，VentureBeat发表了一篇文章探讨当前人工智能（AI）领域中的一股热潮——追求能够解决开放式问题的通用人工智能系统，即所谓的“开放世界”AI。这种理想化的系统可以处理各种未知情况，适应新环境，并在不完全或模糊信息的情况下做出决策。然而，文章指出，当前的AI技术并不足以实现这一目标，尤其是在企业环境中，可靠性至关重要。如果一个AI系统在优化食品配送路线时有1%的错误率，这意味着每100次配送就有一次送错地址，这在商业上是无法接受的。 事实上，大多数企业面临的是封闭式问题，这些问题的范围已知、规则明确、可以假设未知的部分为假。例如，发票匹配、合同验证、欺诈检测、理赔处理和库存预测等任务都是封闭式问题的例子。这些任务具有明确的输入、固定的流程和可测量的输出。尽管这些用例不如开放世界的问题那样引人注目，但它们却是企业真正需要解决的问题。 文章警告说，过分追求开放世界的幻想会导致企业在实际应用AI方面裹足不前。领导层听闻能解决一切问题的AI系统时，可能会感到无从下手，因为这些问题听起来太庞大、太模糊、太冒险。文章建议企业更应关注具体、可测试的封闭式问题，构建实际可行的自动化解决方案。 在企业中，真正有用的AI代理通常是自主运行的微服务。它们不断监听业务数据流中的事件，然后根据这些事件做出决策、调用服务并生成输出，无需人为干预。例如，一个监控新发票的AI代理可以在发票到达时自动提取相关字段，检查与未结采购订单的匹配情况，并根据结果进行审批或拒绝。另一个例子是在客户开通新账户时，代理自动执行一系列任务，如验证文件、进行了解客户（KYC）检查、个性化欢迎体验和安排后续消息。用户甚至不会意识到这些代理的存在，但它们始终可靠地运行。 要构建实用的企业AI系统，关键在于将非确定性的模型包裹在确定性的基础设施中。当前的大型语言模型（LLM）本质上是基于概率的，同一个输入根据不同的上下文、采样方式或温度参数可能会产生不同的输出。因此，在处理企业级业务时，需要通过确定性的架构来确保系统的稳定性和可预测性。一种有效的方法是使用事件驱动的多代理系统，将复杂问题分解成小的步骤，每个步骤由专门的代理负责，并通过结构化事件触发执行。这种模块化的设计使得每个代理的行为可以独立测试，其输入和输出可以模拟或重放，从而提高系统的可靠性和可追溯性。 文章强调，成功构建企业AI系统的关键在于坚实的软件工程基础，而不是盲目追求通用人工智能。通过将问题分解、组合组件并确保系统的可测试性和可观察性，企业可以逐步实现自动化，降低成本、节省时间和增强对AI的信任。这一过程并不是突破性的创新，而是将成熟的工程实践应用到新的问题领域。 业内人士评论认为，这篇文章对企业AI的应用提供了宝贵的意见。它强调了现实性和实用性，提醒行业不要陷入对未来的不切实际的幻想，而是应该专注于当前的技术能力和实际需求。Confluent是一家提供流数据平台的公司，其AI驻企创业者肖恩·法尔科纳（Sean Falconer）撰写了这篇文章，旨在引导企业和开发者在AI应用中采取更为现实和可靠的方法。