神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
大概在18个月前就有人给我们演示“AI智能体”项目了。其巨大潜力显而易见。现如今，我们对这个领域的全貌有了更清晰的认知。
简而言之：AI智能体正在将劳动力转化为软件——这是一个价值数万亿美元的市场。自我们首次撰文探讨以来，我们已与该领域的多家杰出公司合作，并希望进一步深入。
但如果你跟我们一样密切关注这个领域的话，可能已发现一个问题了：技术进步与实际应用之间存在脱节。
一方面，技术正飞速进步。近期，出现了“工具使用”（如Operator、CU、Gemini 2.0）和改进的“推理”（如O3、R1、3.7 Sonnet）这些AI新能力，二者都是AI“智能体”的基础前提，也会将我们推向更接近未来的世界。在这个世界里，AI智能体能以远低于几个月前预期的成本自主行动并执行复杂任务。新能力与AI性能和成本的持续优化（参见Deepseek及相关进展）正在为未来爆发的需求奠定基础。这是好消息。
不那么好的消息的是，技术进步与实际应用之间仍存在断层。工作场景下部署AI的意愿与实际落地之间存在鸿沟。比方说，麦肯锡近期对100家年收入超5000万美元的机构的调查显示，63%的领导者认为部署AI是当务之急，但91%的受访者表示尚未做好准备。
一切尚在早期。而这就是你的机会所在——你的核心任务是为技术突破与大规模应用架设桥梁。你需要让人们真正看到变革、渴望变革，并让变革为其所用。
那怎么才能走到这一步呢？事实证明，我们可能遗漏了AI智能体技术栈的几个关键层。
目前，我们缺失了三个必要的层级，外加一个“加分项”：
<ol>
责任层：透明性、可验证的工作以及推理能力的基础。
上下文层：解锁企业知识、文化与目标的系统。
协作层：让智能体能通过共享知识系统无缝协作。
赋能AI智能体：在兴起的B2A（企业到智能体）领域，为其提供工具和软件来让自主性最大化。
</ol>
我们关注建设这些层级的公司，或是像Maisa（下文详述）那样整合各个层级的公司。
随着这些挑战得到解决,随着基础设施的完善，我们将能用AI处理更复杂（且更有价值）的任务。一旦这成为常态，许多如今难以想象的新市场将应运而生。
但首先，我们需要这些层的存在——原因如下：
解锁自主性：从RPA（机器人流程自动化）到APA（智能流程自动化）
要理解如何实现完全自主性，我们需先看到人们对“流程自动化”的认知出现了重大转变。
我们正从机器人流程自动化（RPA）迈向智能流程自动化（APA）。
RPA是一个价值数十亿美元的产业，拥有UiPath、BluePrism、Workfusion等巨头企业。这证明了人们非常愿意为高价值任务的自动化买单。要想理解如何开启智能体经济，不妨以RPA为起点。一旦看清其优势与局限，便会明白智能体为何是必然的下一大步。
RPA的优势：RPA擅长处理基于规则的，跨多个业务系统（100-200个步骤）的结构化任务。RPA能通过规则有效固化企业知识（如增值税号处理），只要底层系统是静态的，自动化便可靠运行。
此外，RPA已具备强大的产品市场契合。
RPA的局限：可被RPA自动化的任务范围始终受限，因为你需要详尽规划RPA的每一步流程（比如点击此处鼠标、按特定方式设计表格等），且必须确保流程永不变化——否则系统就会崩溃。
RPA的边界在于：你没法为所有操作建立完美可复制的流程映射（有些企业甚至需要外聘顾问来“挖掘”自身流程才能建模）。事实上，你未必总需要这种做法——把工作做出色的本质，恰恰在于对环境做出反应、吸收变化并动态调整。
简言之，RPA在某些任务上表现出色，但完全缺乏灵活性——可靠但却很不灵活。
大语言模型（LLMs）的崛起：LLMs的兴起标志着一场重大变革。LLM提供无限、廉价且自适应的智能，让我们得以定义并整合解决复杂问题所需的上下文。随着推理能力的提升，LLM大幅扩展了可自动化任务的边界。
1.0：人力——2.0：RPA——3.0：APA
不过，LLM亦非完美。它们不擅长重复性步骤，却能在业务流程的非结构化环节大显身手——这既能成为优势也会变成劣势，具体取决于你期望结果是更具创造性还是确定性更强。
无论哪种情况，LLM都是“黑箱”。你无法百分百确定系统会做什么、为何这样做。即便是推理路径或模型提供的解释，也可能完全是虚构的。
企业需要确定性，否则任何系统都难以落地。即便你希望LLM更具创造性，若无法理解其结论的生成逻辑，这种“创造”也将毫无价值。
那我们该怎么办？
RPA具备很强的产品市场契合度，系统运作清晰可见。但其任务范围有限，缺乏真正的灵活性和上下文理解能力，且需要大量“前置准备工作”。
大语言模型（LLM）更擅长处理难以用规则表达的非结构化信息，但它们仍是“黑箱”。
AI智能体与APA的答案在于：我们需要两者结合。
我们需要RPA系统的可靠性与LLM的灵活性（及低成本），这体现为可稽核性与上下文层——必须将其融入AI智能体技术栈。若想实现大规模应用，本领域的开发者必须攻克这一难题。
实现APA离不开这关键的几层能力
责任层：规模化应用、学习与监督的关键
想想小学的数学课：光写出答案无法得满分，老师会要求“展示解题过程”——这是为了验证你是不是真正理解推导逻辑。
这正是当前多数AI系统（包括看似展示逻辑链的模型）的致命缺陷。我们无从知晓AI为何生成特定行动或思维链——那只是被“生成”出来了。
与Maisa团队合作时，我们才意识到这一问题的重要性。那个比方是该公司联合创始人David Villalón与Manuel Romero提出来的，精准揭示了当前AI智能体生态的症结。
企业被迫盲目信任AI的思考过程。Maisa在早期产品开发中曾遇到客户要求：必须向稽核方证明AI系统的每一步操作，尤其是决策背后的原因。
此类需求催生了Maisa的“工作链”（Chain of Work）概念——我们相信这将会为职场AI智能体落地的核心要素。
其核心是Maisa的知识处理单元（KPU）——一个将AI步骤编码化（而非依赖转瞬即逝的“思维链”文本）的专有推理引擎。
通过将推理与执行分离，KPU实现了确定性和可审计的结果：所有操作均记录进显式的“工作链”当中，LLM式的创造力与传统软件的可靠性得以结合。与传统RPA或依赖幕后“推测”的前沿实验室方案不同，KPU构建了信任：团队可清晰追溯AI的每一步动机与方法，修正或优化任意环节，并确保变更的一致性部署。
我常跟创始人开玩笑：最好的B2B软件是能帮人升职的那种——那些让内部利益相关者嗅到“引入即立功”机会的产品。AI如今承诺的正是这种回报，但也有风险：没人愿引入一个最终会失效的系统。
构建这种可追溯性将风险回报比拉回到有利区间。AI自动化对企业无疑是重大利好，但关键在于降低落地相关的实际与感知到的风险。
Maisa的“工作链”正在实现这一点——且已见成效。
上下文层：优秀员工的关键
优秀的员工标准是什么？不仅要看资历或经验。最终决定员工成功的，是个人风格、适应性，以及你把要干什么和怎么干表达清楚的能力。
比方说：你雇佣的营销人员会花时间理解品牌调性及其背后的逻辑，而不是机械地输出平庸的文案。
又比如：你雇佣的HR明白自己是在塑造企业文化，而不仅仅是编写员工手册。
这正是GPT-4没法成为优秀员工的核心原因：你再怎么努力，它都无法真正理解你或你的企业。GPT-4按规则行动，但你预期人类员工具备的把握微妙之处，能了解背景的能力机器不具备。就算将规则输入AI流程或定制GPT，你也没法穷尽所有的隐性条件。
原因如下：
<ol>
职场隐性知识无法被完全记录：新员工通过观察、直觉、反馈和提问学习。能否获取并融合这些“隐性知识”是区分优秀与普通员工的关键。
显性知识散落在非结构化的数据之中：它们不在数据库里，而存在于PDF指南、代码、甚至公司邮件里。
当前大多数的AI工具尚未接入企业非结构化的数据生态之中，更遑论理解当前员工是怎么想的了。
</ol>
此前我们讨论过，智能体相较RPA的优势之一正是上下文理解能力。它提供了适应性，且省去了天价的“流程映射”成本。
知识组织是可行的，且在受限环境中已验证（行业标准的检索增强生成（RAG）或嵌入技术是良好开端，但面对海量数据或专业知识时仍会崩溃）。
Maisa的解决方案是虚拟上下文窗口（VCW，Virtual Context Window）：它的机制跟操作系统的分页机制类似，数字员工按需“加载”和“引导”数据，实现无限的记忆与零冲突——无需微调或笨拙的索引。更重要的是，VCW同时还可以作为员工长期的know-how知识库，意味着可以无缝适应新指令或数据。
上下文层必须是AI智能体技术栈的核心。客户将视其为让AI员工融入企业独特方法与风格的“入职培训”空间。
难点在于：如何为企业封装这一上下文，并将其注入到智能体的基因之中——从入职到未来，实现知识的“调用”与持续学习。
这一领域的其他探索活动包括：
- AI智能体的非结构化数据准备
- 持续收集与生成新的上下文数据的系统
- 更简易的模型微调系统
- 记忆系统与长上下文窗口
- 具备情商与人格直觉的AI
协调层：管理智能体员工队伍
未来，企业也许要管理一支AI智能体员工队伍——客服、销售、HR、财务等职能将由不同公司提供的智能体承担。
这一切已悄然开始。现实中已出现AI智能体的招聘启事：
面向AI智能体的招聘启事
这些智能体需与人类“对话”，彼此之间也需交互。它们需要权限管理与规则约束，隐私和安全是核心考量。
这是AI智能体领域的关键时刻。表面上，智能体集群协作势不可挡，但也可能出现另一番景象：企业（尤其是行业巨头）试图垄断智能体开发与管理体系，排斥外部协作，形成赢家通吃的局面。
但截至目前，尚无证据表明AI产品会走向垄断。除GPU外，构建AI系统的核心要素（如基础模型）并未被少数公司掌控——OpenAI、Claude、Gemini、Mistral、DeepSeek等玩家共存。
鉴于当前智能体领域的初创企业激增，更可能的情况是：深耕此领域的团队将比巨头更快解决通信与权限难题，而非被巨头封杀。
繁荣的智能体生态终将实现多方共赢：客户可无限筛选AI人才，选择最优方案；创始人则能借助网络效应，从连接者的角色中获益——每新增一个智能体，生态价值便提升一分。
因此，智能体间的通信至关重要。
前沿企业已行动：Maisa的KPU等技术实现多模型兼容，确保灵活性。但随着基础模型持续进化，我们还需建立安全的知识交换与共享系统。
在智能体生态全面启动之际，这些问题亟待前瞻性思考。
前沿：为AI智能体配备工具
一旦解决了责任层、上下文层与协调层，真正的乐趣才刚开始。
AI智能体工具市场已初现端倪——这类软件旨在提升智能体工作效能，有人开始把这个新兴领域叫做“B2A”（企业到智能体）。
这是关键突破：智能体将从执行者升级为自主决策者。试想若人类被禁用计算器或电脑时——一旦你部署了智能体，必须为其配备成功所需的工具。
我们已窥见雏形：ChatGPT调用浏览器、Claude操控光标、ElevenLabs可以让它们开口说话。但未来可能比现在强十倍。
智能体需能相互支付服务费用、签订合约，或接入人机交互系统。
应用与基础设施会相互激励。AI智能体领域同样如此：基础设施层将催生新型智能体与工具，而这些创新又反哺基础设施的进化。
把智能体当作终端用户来打造工具，这个领域仍是一片蓝海。我们正密切关注。
以出色人类员工为蓝本，聚焦当前AI智能体差距，展望未来AI智能体形态
AI智能体落地的真正挑战
有一点要明确：我们全力押注智能体，对其潜力充满信心。对我们及合作创始人而言，AI智能体普及化是必然趋势。
令人兴奋之处在于从零构建新生态。我们必须理解如何推动人们接纳一个全新的计算范式——这一切有其生命周期，而我们还处于起点。
打造这几个层，是让AI智能体成为大众信任的日常工具的关键。跨越应用鸿沟，正需攻克这些挑战。
我们为那些直面挑战的公司喝彩。它们是即将爆发的AI智能体革命的基础设施。
译者：boxi。
来源：36kr
| 
11
发表于 2025-3-23 09:01:05