企业级Agent边界与生产实践探讨

1. 17:07
   InfoQ 中文

   InfoQ 直播实录：企业级 Agent 的自主权边界与工程化落地策略

   本文基于 InfoQ《极客有约》X QCon 直播速记，汇集了 NoDesk AI、飞猪、货拉拉及江苏移动等企业的技术负责人观点，核心结论是：在企业生产环境中，Agent 不应追求完全的自主性，而必须在确定的业务边界内运行。多位专家强调，涉及用户钱包权益、关键业务决策（如报关、审批）及实时交易场景时，必须保留人工确认或采用传统规则引擎，因为大模型作为概率模型天然存在幻觉，无法保证 100% 准确。 在工程实践层面，文章提出了具体的分层架构建议：将“描述和生成规则”的工作交给 AI，但将“执行规则”的核心逻辑固化为代码或求解器。例如，飞猪在组票场景中，由模型理解需求，但价格计算和库存校验交由混合整数规划算法；货拉拉则利用 Agent 处理长尾订单的撮合与外呼，而车辆匹配等确定性逻辑仍由传统算法负责。此外，针对权限管控，企业需建立类似自动驾驶 L3 的责任划分机制，通过 Harness 对 Agent 能力做校验，确保操作可解释、可追溯且具备可撤回性。 关于未来竞争力，与会者认为企业 Agent 的壁垒不在于基座模型的智能程度，而在于对行业知识的萃取能力和数据资产的自动化接入。真正的价值在于能否将隐性业务规则显式化，构建起包含评测体系、反馈闭环和业务指标的双 Loop 系统。目前业界普遍面临挑战，即缺乏标准化的优化链路，难以像推荐系统那样形成成熟的自动强化学习闭环，因此大多数场景仍需依赖人工评估 Badcase 进行迭代。

当前热度 9·可比范围峰值 10（11月2日 18:00）·近 24 小时可比范围变化 –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。