> ## Content Index > Fetch the complete content index at: https://yonglun.me/llms.txt > Use this file to discover other available public pages before exploring further. # AI智能体的六条实践经验 - URL: https://yonglun.me/six-lessons-of-agentic-ai/ - Published: 2025-09-23T03:04:53.000Z - Updated: 2025-09-23T03:04:53.000Z - Description: AI智能体（Agentic AI）正掀起一场革命，它承诺为企业带来前所未有的生产力。然而，在这股热潮之下，现实却更为复杂。虽然一些公司已经初尝胜果，但更多的企业发现，从这项投资中获得实际价值异常艰难。在某些情况下，他们甚至不得不“收缩战线”——在智能体失败的地方重新雇佣员工。 这场技术浪潮的起伏是任何创新发展的必经之路。为了拨开迷雾，麦肯锡分析了超过50个真实的AI智能体构建案例，从中总结出的六条来之不易的经验教训，这些经验来自于真正在一线“埋头苦干”的实践者，帮助管理层避开陷阱，成功驾驭这项变革性技术，并从中捕获真正的商业价值。 - Author: Yonglun - Tags: AI, AgenticAI, Agent, #lang-zh ## 从热潮到现实 AI智能体（Agentic AI）正掀起一场革命，它承诺为企业带来前所未有的生产力。然而，在这股热潮之下，现实却更为复杂。虽然一些公司已经初尝胜果，但更多的企业发现，从这项投资中获得实际价值异常艰难。在某些情况下，他们甚至不得不“收缩战线”——在智能体失败的地方重新雇佣员工。 这场技术浪潮的起伏是任何创新发展的必经之路。为了拨开迷雾，[麦肯锡分析了超过50个真实的AI智能体构建案例，从中总结出的六条来之不易的经验教训](https://www.mckinsey.com/capabilities/quantumblack/our-insights/one-year-of-agentic-ai-six-lessons-from-the-people-doing-the-work?ref=yonglun.me#/)，这些经验来自于真正在一线“埋头苦干”的实践者，帮助管理层避开陷阱，成功驾驭这项变革性技术，并从中捕获真正的商业价值。 ## 经验一：核心在于工作流，而非智能体本身 企业最常见的错误是过分关注闪亮的智能体工具，而忽略了对其所在工作流的整体重新设计。真正的价值并非来自某个孤立的智能体，而是源于从根本上重塑工作的方式——这包括人员、流程和技术的协同。 以一家法律服务提供商为例，他们致力于现代化合同审查流程。该团队没有独立地开发一个工具，而是设计了一套能在工作流中持续学习的系统。用户在文档编辑器中的每一次编辑都会被记录和分类，这为工程师提供了丰富的反馈数据流，用于训练智能体、调整指令并丰富知识库。这种设计创造了一个**自我强化的反馈循环**：智能体被使用得越频繁，它们就变得越智能、越契合业务需求，久而久之便能将新的专业知识固化下来。 在复杂的工作流中，智能体的角色更像是“胶水”或“指挥家”。借助如AutoGen、LangGraph等开源编排框架，智能体可以将基于规则的系统、分析型AI等不同工具粘合在一起，协同完成任务，交付完整的结果。 ## 经验二：智能体并非万能灵药 一个普遍的陷阱是试图用AI智能体解决所有问题。领导者在决策前应像评估新成员加入高绩效团队那样思考：“需要完成什么工作？团队中每个潜在成员（或智能体）的相对才能是什么？” 这里的关键战略考量在于流程的变异性。对于**低变异性、高标准化的工作流**（如遵循严格步骤的监管文件申报），基于规则的自动化或预测分析等确定性工具通常是更可靠的选择，因为引入智能体反而可能增加不必要的复杂性和不确定性。相反，对于**高变异性、低标准化的工作流**（如处理复杂多变的客户咨询），智能体则能大放异彩。 在投入智能体解决方案之前，请先评估任务的具体需求。以下是一些高级别的经验法则，可以帮助你选择合适的工具： - **规则明确、输入结构化的重复性任务**：使用基于规则的自动化。 - **输入非结构化，但任务是提取或生成**：使用生成式AI或自然语言处理。 - **任务涉及基于历史数据的分类或预测**：使用预测性分析或生成式AI。 - **输出需要综合、判断或创造性解释**：使用生成式AI。 - **任务涉及多步骤决策，且输入和情境高度可变**：使用AI智能体。 关键在于，不要陷入“用或不用智能体”的二元思维。正确的做法是为特定任务找到人员、智能体和其他工具的最佳组合。 ## 经验三：杜绝“AI垃圾”，用评估建立信任 用户常常抱怨智能体输出的“AI垃圾”（低质量内容），这会迅速摧毁信任和采纳率。一个惨痛的教训是：公司必须像投资员工发展一样，大力投资于智能体的开发。正如一位商业领袖所说： “引入智能体更像是招聘一名新员工，而不是部署一个软件。” 这意味着智能体需要明确的“岗位描述”、入职培训和持续的反馈。要做到这一点，关键在于创建详细的评估体系（evals）。团队需要将顶尖专家的隐性知识进行编码，形成智能体的“培训手册”和“绩效测试”。这不仅仅是简单的准确率检查，而是要衡量更具体的指标，例如在检索增强生成（RAG）系统中的**检索准确率**，或评估生成任务的**幻觉率**，以确保输出的可靠性。 一家全球性银行在改造其风险分析流程时就采用了这种方法。每当智能体的建议与人类专家的判断出现分歧时，团队就会识别逻辑差距并完善决策标准。这种持续的反馈和修正，不仅提升了智能体的表现，也赢得了员工的信任。 ## 经验四：让每一步都清晰可追溯、可验证 建立信任和确保质量的另一面，是实现规模化的可观察性。审查少数几个智能体的工作可能很简单，但当公司推广成百上千个智能体时，这项任务就变得异常艰巨，尤其是在只追踪最终结果的情况下。 解决方案是将监控和评估嵌入到工作流的*每一步*，而不仅仅是在终点。这使得团队能够及早发现错误，并在智能体部署后持续改进其性能。 在前述的法律服务提供商案例中，团队曾观察到系统在处理一批新案件时准确率突然下降。由于他们在工作流的每一步都内置了可观察性工具，团队迅速定位了问题根源：某个用户群体提交的数据质量较低。在改进了数据收集实践并调整了解析逻辑后，智能体的性能很快就恢复了。 ## 经验五：最佳用例，是可复用的用例 为了快速取得进展，公司常常为每个任务创建一个独特的智能体，但这会导致严重的冗余和浪费。更具战略性的方法是识别那些在不同任务中反复出现的共同行动（如数据提取、搜索、分析），并构建可复用的智能体组件。 这意味着要建立一个集中的平台，提供易于开发者使用的**经过验证的服务（如LLM可观察性工具或预批准的提示）和资产（如应用模式、可复用代码和培训材料）**。将这些能力整合到一个平台中至关重要。根据我们的经验，**通过这种方式，企业可以减少30%到50%的非必要开发工作**。 ## 经验六：人类依然至关重要，但角色正在改变 AI智能体的普及引发了人们对工作未来的焦虑。需要明确的是，人类在工作流程中仍然不可或缺，尤其是在监督模型准确性、确保合规性、进行判断以及处理边缘案例等方面。 然而，一个不容回避的现实是，工作流被智能体改造后，**所需的人员数量很可能会改变，通常会减少**。因此，公司必须有意识地重新设计工作，以促进人与智能体之间的高效协作。在法律分析工作流的例子中，智能体可以整理核心索赔，但必须由律师复核批准；智能体可以推荐工作计划，但最终决策仍需人类审查调整。 良好的人机协作离不开优秀的用户体验（UX）。一家保险公司开发了交互式视觉元素（如高亮、自动滚动），帮助审查员快速验证AI生成的摘要。当审查员点击某条洞见时，应用会自动定位并高亮原文。这种对用户体验的关注节省了时间，建立了信任，并最终带来了接近95%的用户接受度。 ## 超越技术，拥抱协作 AI智能体领域的成功，不仅仅是一项技术挑战，更是一项战略挑战。它要求我们重新思考工作流程、评估标准以及人与机器的协作模式。那些能够超越技术本身，专注于构建高效协作系统的公司，将在未来的竞争中脱颖而出。 随着这些智能体日益融入我们的工作，最重要的或许不再是问“AI能做什么？”，而是“我们应如何智慧地构建与它们的协作关系？”