本文原载 InfoQ，作者：高玉娴。转载已获授权。
编者注： AI智能体的发展已然势不可挡，但理想与现实之间往往存在鸿沟。目前来看，多数智能体可以实现数据分析、趋势预测和一定程度的工作流程自动化，在简单场景中可以选择正确的工具完成任务，但面对复杂场景，技术成熟度仍显不足。要构建自主处理复杂决策的AI智能体，仅靠算法层的优化是不够的，还需要在上下文推理、边缘案例测试等方面取得突破。
基于此，我们与您分享 InfoQ作者高玉娴的深度好文《业界对 Agent 的最大误解：它能解决所有问题》。文章原载InfoQ，详情如下，转载时请务必注明文章作者和出处。
北京 2025年5月26日 /美通社/ -- 目前业界对 AI Agent 存在的最大误解是什么？
watsonx Assistants
"觉得智能体（Agent）能解决所有的问题。"IBM 大中华区科技事业部数据与人工智能资深技术专家吴敏达在日前的媒体圆桌会上这样回答。
AI Agent 是眼下几乎所有科技公司的"必争之地"。IBM 也在 Think 2025 大会期间，推出了升级版本的 AI 智能体解决方案 watsonx Orchestrate：它提供预构建、开箱即用的专业领域智能体（如人力资源、销售和采购智能体等）；支持企业在 5 分钟之内构建自己的 AI Agent；通过智能体编排工具可以实现复杂项目所需的多智能体、多工具协调；并且能为 AI Agent 全生命周期提供可观测性，包括性能监控、防护、模型优化和治理。
AI Agent 规模应用的"拐点时刻"已经到来，这是业界的共识。然而，IBM 也强调，不必过度"神化"AI。"技术的本质要看它能不能解决企业真正的问题，尤其当它跟核心业务绑定起来，就要回归业务场景去看技术有没有真正产生价值。"IBM 大中华区技术销售总经理、首席技术官翟峰表示。
IBM大中华区技术销售总经理、首席技术官 翟峰
换句话说，AI 解决不了所有问题，也并非所有问题都需要用 AI 解决，Agent 同理。
" 真假 " 智能体
区别于传统的 AI 助手（如聊天机器人），AI Agent 不仅能理解指令和生成内容，更能基于实时数据自主规划任务路径、调用多系统资源，并在执行中动态优化策略。
这些优秀特质让业界对 AI Agent 趋之若鹜，当然也使得市场上出现不少"新瓶装旧酒"的产品——虽然换上了 AI Agent 的包装，但内核仍然是传统的 AI 工具。
吴敏达告诉记者，想要识别所谓的"假智能体"并不难。"纯‘旧酒'的算力不是在运行的时候（使用），Agent 具有自主运行的‘大脑'，需要不停想东西、不停算，这时候就要堆算力。但以前的自动化流程或者 AI 模型的调用，基本是事先编排好，用历史数据算好，运行的时候没有那么多资源消耗，所需的算力要求很小，CPU 就能跑。"
IBM大中华区科技事业部数据与AI资深技术专家 吴敏达
通过名为 AskIBM 的统一平台入口，IBM 内部也正在使用 AI Agent 为员工赋能。据介绍，AskIBM 可以根据员工的查询意图自动路由至 HR、IT 、销售、采购等垂直领域智能体，实现从问题解析到系统交互的全流程自动化。
在吴敏达看来，构建 AI Agent 很容易，然而在企业中想把 AI 应用做好，就需要实现规模化，而这一点很难。第一， Agent 开发背后涉及不同框架、不同应用、不同厂商，彼此的连接怎么做？第二，企业如何找到高 ROI 和合适的场景？第三， Agent 从构建、生产到运维的全生命周期如何做好管理？
针对这些问题，watsonx Orchestrate 有着清晰的架构设计，如下图：
watsonx Orchestrate
自上而下来看，IBM 在其中的核心思路有三点：
第一层是开箱即用的垂域智能体矩阵。包括在 Think 2025 大会期间首批对外发布的 3 个 AI 智能体：人力资源智能体、销售智能体和采购智能体。"比如新员工入职之后的培训、ID 或者权限申请，甚至都不需要 HR 介入，背后的机器人就可以回答 90%的问题。至于这背后究竟调用了多少个 AI 智能体并不重要，从业务视角来看，这完全不用管。"翟峰表示。目前，人力资源智能体已经正式上线，销售和采购智能体也计划将于 6 月份开放使用。
"对于国内企业来说，在使用的时候可以把这些智能体作为模板，然后根据自己的实际需求进行调整。"吴敏达举例。
第二层是多智能体编排。一旦智能体开发上线部署到智能体目录（Agent Catalog）就可以开放给部门或者其它员工使用，这个目录类似于一个智能体仓库，支持分类检索、权限管理和版本控制，管理员也可以设定访问权限，并通过审批流程发布、共享智能体。
但随着企业智能体数量从数十个增至数百个，管理的复杂度也会越来越高。对此，watsonx Orchestrate 还引入了多智能体编排功能，支持跨智能体协作，例如销售智能体在获取新客户线索后，会自动触发市场智能体分析竞品动态，再调用客服智能体生成个性化跟进策略。并且，无论是企业自己构建、合作伙伴构建或是开源社区的专业领域智能体，都可实现信息共享，并协同处理复杂的多步骤流程。
第三层是开放的生态和开源协同。前端是统一的入口，而背后是非常开放的智能体生态。watsonx Orchestrate 集成了 Adobe、AWS、Microsoft、Oracle、Salesforce Agentforce、SAP、ServiceNow 和 Workday 等公司的 80 多种行业领先的企业级应用工具。举例来说，企业可以选择直接在 Orchestrate 中调用 Salesforce 的销售预测智能体，而不需要重复开发对接接口。
数据是 AI Ready 的吗？
需要注意的是，AI Agent 完成一项任务的背后需要非常丰富的知识，它们可能来自企业内部、互联网或者大模型本身，基于这些知识，任务的执行或者工具的调用才不会出错——这些知识，实际上就是数据。
翟峰表示，没有数据的 AI 应用都是空谈，企业要落地 AI 首先先问自己三个问题：高质量的数据有没有？这些数据在用吗？有没有真正发挥作用？
也就是说，有数据也并不意味着能用好数据。"企业内部 90%以上其实都是非结构化数据，但是目前大家关注更多的却是结构化数据。"吴敏达强调，"因此，帮助企业提高对非结构化数据的使用，也是 IBM 主攻的方向。"
watsonx.data：AI就绪的数据
上图是最新更新的 watsonx.data 的简略逻辑架构图，相较于此前的版本集成了数据经纬，通过统一元数据治理增加了语义层（watsonx.data intelligence），用户可以直接进行自然语言提问，比如"某供应商的应付款是多少"，这时候通过语义层就可以找到对应的数据，它可能来自结构化数据，也可能来自文档库中的各种非结构化数据。如下图：
watsonx.data：解锁非结构化数据中的关键洞察
"我们认为这种方式比 RAG 准确率更高，因为其中的文档不是直接向量化的，中间有一个提取的过程。具体来说，我们通过 watsonx.data integration 去处理结构化和非结构化数据，对于非结构化数据，它在向量化的过程中会提取其中的实体（entity）和值（value），提取以后再把文档向量化。将来在大模型做知识库查询的时候，不仅会返回类似的向量，同时会把相关的实体和值返回出来，通过实体和值的辅助，使得准确率提高。"吴敏达表示。
watsonx.data integration 是一个全方位数据集成的工具，和过去 IBM 提供的 DataStage、Data Replication 等数据处理工具不同，watsonx.data integration 既可以支持结构化数据，也支持非结构化、半结构化的数据。
再往下，当数据放到 watsonx.data 中并经过 watsonx.data integration 统一集成之后，watsonx.data intelligence 就开始"工作"了，它的作用是提供统一的数据治理和数据血缘能力。吴敏达举例，"同一批数据有多种方式访问，比如用大模型知识库——RAG 的方式去问答，或者用传统的 SQL 查询——报表查询的方式，还有用机器学习的方式建模提取数据训练一个模型，也是一种方式。怎么保证不同的访问方式权限管控是在一起的？这种情况就可以通过 watsonx.data intelligence 来管控。"
与此同时，IBM 还把治理后的数据都封装为 API 接口或向量数据库，供智能体实时调用。例如，供应链智能体可直接访问实时库存向量数据，动态调整采购计划。这不仅提升了数据可用性，还为 Agent 的持续进化提供了"养分"。
纵观整个链路，如果我们把企业源系统中的原始数据比作制造工厂的原材料，那么，watsonx.data integration 的作用就是对生产原料进行制造、加工，加工后放到 watsonx.data 这个仓库中，再通过 watsonx.data intelligence 进行管理形成资产目录，最终提供给前端的 AI 和 BI 使用。
流程是自动化的吗？
那么，当没有技术基础的业务人员也可以轻松地通过低代码甚至无代码的方式开发应用，并且数据也就绪之后，AI Agent 就能在企业流程中"畅通无阻"了吗？恐怕没有那么简单。
第一，每个企业平均拥有上千个应用， AI Agent 如何跟这些系统和应用连接和打通？
异构系统的困境在企业发展中的任何一个阶段都存在，系统和系统之间的接口不同、标准千差万别，过去的问题是不同系统之间如何打通，数据孤岛如何打破，而现在的问题是 AI Agent 和这些系统之间的"次元壁"怎么破，怎么调用其中的数据并执行相关任务。
比如，企业在收到客户的质量问题反馈之后，如果要交给 AI Agent 处理：第一步，它需要把问题反馈到质量管理系统，然后调用生产制造、设计、工艺等不同软件系统中的数据进行分析，才能定位问题的根源；第二步，在确认问题之后，需要对企业知识库进行更新，从而避免类似情况重复出现；第三步，它需要通知相关负责人，这时候它要调用邮箱、钉钉或者企微这些不同的通讯应用；最后，如果是外部供应商零件的问题，就涉及外部沟通，所以可能需要把信息生成文档以 EDI 格式进行发送。
"要把所有这些流程串起来，每一步都不容易，必须把 AI Agent 和现有的系统有效集成。"IBM 大中华区科技事业部自动化资深技术专家张诚表示，虽然集成是一个比较"久远"的概念，但现如今它的重要性和含金量还在不断提升。在 Think 2025 大会期间 IBM 发布的 Hybrid Integration，主要就是为了提供完整的云上、云下跨平台的集成能力。
IBM大中华区科技事业部自动化资深技术专家 张诚
第二，如何实现多个智能体链路的可视化，以及如何处理任务执行过程中可能出现的报错？
举例来说，在某个 AI Agent 上线后，如果出现延时、网络闪断，或者内存溢出、宕机等问题，怎么对全链路实时监控、主动检测，并且快速诊断、分析并处理？这个过程依赖于自动化的 IT 运维能力。
在运维层面，IBM 提出了 AgentOps 概念，即希望从 AI Agent 的构建、部署上线到运维、优化迭代全链路都实现可视化。比如，通过 Instana 全栈监控工具，实时追踪 Agent 的调用链路、资源消耗和决策准确性。当某 Agent 的响应延迟超过阈值时，系统可以自动触发扩容机制。
第三，如何合理分配资源，确保效率的同时实现成本最小化？
IBM 认为，要从基础架构层面实现自动化，才能让 AI 能够高度自动化、弹性地使用基础资源。对此，可观测性工具变得至关重要，包括发现、管理、监控和优化整个企业的智能体使用情况，确保高效、负责任的技术采用。
对此，watsonx 产品组合提供了一套监测工具，可以监控 AI 性能和可靠性、执行 AI 护栏，并有效地使用 AI 资源，例如，根据成本效益或性能等特定目标，评估和选择 AI 模型。此外，IBM 还在去年宣布收购了 HashiCorp，它的定位就是从底层基础设施层面，帮助企业实现自动化的、随需应变的全生命周期管理。
"相关数据显示，平均而言，企业有 27%的云计算支出都在被浪费，而这些浪费完全可以通过平台分析出来，从而更好地实现底层资源的部署，这是 IBM 自动化软件比较侧重解决的事情。"张诚强调。
回归业务本质去看待技术价值
写到这里，不知道大家有没有发现，除了 AI Agent 这个全新的概念之外，数据、自动化等等事实上还是企业在信息化、数字化时代老生常谈的话题。最终，无论是人来执行任务、做决策，还是 AI 来执行任务、做决策，一个相对完备和成熟的 IT 基础设施是必不可少的，这是企业必须补上的一"课"。
解决了这个问题，然后才是找场景。
"每个企业发展阶段不一样，遇到的瓶颈也不一样，企业必须先想清楚哪个地方是真正的痛点，无论你要降本增效还是业务创新，企业的诉求自己要先想清楚。并不是今天 HR Agent 来了，你企业只有 3 个 HR 也要用。"翟峰表示。
那么，企业如何精准把握业务需求，让内部构建的 AI 智能体更具针对性、高价值并持续优化？IBM 大中华区科技事业部车库创新团队经理张珣总结，企业应该通过进阶的路径去做，通过不断迭代优化的过程一步步实现智能化。
IBM大中华区科技事业部车库创新团队经理 张珣
"企业首先要确保投资可控，因此我们团队通常会通过 POC（概念验证）和客户一起选择最典型的场景把我们的想法和产品部署上去，然后验证它的 ROI，如果满足预期再大规模部署。"张珣告诉 InfoQ 记者，"整个 POC 的过程是 30 天左右，但每周都会对方案进行迭代，这个过程需要让客户充分参与进来，进行及时的反馈，一起验证我们是不是在一条正确的路上，如果不对就需要不断调整。"
以制造业为例，IBM 车库创新团队经过对企业的需求调研和深入探讨、共创，总结出来四个能给企业带来最大的 ROI 的场景：研发、生产、供应链，以及财务。再拿 IBM 自身来说，为什么优先发布了 HR、财务、采购三个智能体，其实也是经过 IBM 自己内部验证，ROI 比较好的场景。
总而言之，在 IBM 看来，企业级 AI 的本质不在于炫技，而是业务重构。正如 IBM 董事长 Arvind Krishna 所言："AI 实验的时代已经结束，企业竞争优势取决于量身定制的 AI 应用和可量化的业务成果。" 在 Agent 这个赛道上，IBM 打出的还是 "全栈技术 + 行业 Know-How + 开放生态" 的组合拳，这个过程不追求速度，而是更加强调技术深度和落地精度。
而对企业来说，必须认识到再炫酷的技术也解决不了业务本质的问题，技术概念和产品越是眼花缭乱，越要定下心来练好"内功"，快速补齐 IT 基础设施能力，是搭上 AI 这趟快车的基本前提。