Agent 进企业,缺的不是智商,是上下文
Agent 进企业,缺的不是智商,是上下文
基于 DeepLearning.AI 创始人吴恩达(Andrew Ng)与 Neo4j 联合创始人兼 CEO Emil Eifrém 的对谈整理与延伸思考。
一个细节很能说明问题:在今年的 AI Engineer World’s Fair 大会上,两百多场演讲里,观看量最高的内容之一,是一场讲”如何为 Agent 构建和使用本体(Ontology)”的演讲。
本体——这个长期只在图数据库圈子里流转的词,正在变成 AI 应用的显学。为什么?吴恩达与 Emil Eifrém 的这场对谈给出了一条清晰的解释路径:Agent 能否在企业中发挥作用,不只取决于模型能力,也取决于企业能否提供准确、完整的业务上下文。 而本体与企业世界模型,正是组织上下文的结构化形态。
一、人类手里有一堆”不在数据里”的知识
访谈中,吴恩达点出了人类相比 Coding Agent 的一大优势:业务上下文。
和客户交流时观察他们对某项功能的真实反应、阅读市场报告、亲手体验不同的产品——这些经历塑造了人对业务的理解,而它们大多不沉淀在任何数据库里。Agent 拿不到这些输入,再强的推理能力也只能在残缺的信息上运转。
这句话反过来说就是:很多企业上了 Agent 效果不佳,第一反应不该是”换个更强的模型”,而应该先问自己——我们把业务知识喂全了吗?
二、AI 推导本体会犯”根本性错误”,而数据不会自我纠错
当前的流行做法,是让 AI 从数据中自底向上推导本体。Emil 的实践经验是:自底向上的推导与人类自顶向下的引导相结合,两者缺一不可,最终仍然需要人类参与。
吴恩达补充的那一点尤其值得警惕:AI 从数据中推导本体时,有时会形成根本性的错误假设,只有经过人类介入和修正,系统才能得出合理结论。
这里有个残酷的机制:数据不会告诉你它哪里错了。错误假设可能长期潜伏在推导结果的底层,直到业务后果浮现才被发现。吴恩达甚至反问了一句很有分量的话:那些未经充分人工检查、由 AI 自底向上推导出的本体——尤其是底层的部分——真的可靠吗?有时候,可能正是因为人类修正了本体中的关键问题,整个系统最终才达到可用的水平。
他把 AI 生成物比作编译器:编译器能优化循环、生成高效的汇编代码,但不意味着每一步都完美,只是结果通常足够好。而”足够好”成立的前提,是有人有能力判断什么叫做”好”。
所以他的结论是:人机结合的混合模式,是目前最有效的方案。AI 本体构建很有前景,但现阶段完全自动化的效果,往往不如人类参与并引导 Agent 共同完成。大模型在某些方面优于人类,而在真实业务经验和上下文理解方面,人类依然占优——并且吴恩达判断,这种优势在相当长一段时间内都会持续。
三、企业世界模型:让 Agent 理解”组织如何运转”
Emil 在访谈里提出了一个很有生命力的概念:企业世界模型(Enterprise World Model)。
物理 AI 中,世界模型描述的是自动驾驶汽车周围的障碍物、机器人所处的仓库环境。而企业的世界模型,描述的是组织本身:
- 人员及汇报关系等正式结构;
- 员工和项目之间的联系;
- 数据分布在哪里;
- 业务规则和政策。
换句话说,要让 Agent 在企业里干活,企业得先为它建一份”组织如何运转”的可计算描述。这个类比之所以精准,是因为它揭示了同一件事:物理机器人需要环境模型才能行动,数字 Agent 需要组织模型才能干活。
四、Agent-ready:为 Agent 重新设计数据架构
吴恩达从实践侧补充了落地经验。他的团队和商业伙伴在与大型企业合作时,经常帮它们梳理数据架构,目标可以浓缩成一个词:Agent-ready——让数据真正具备服务 Agent 的能力。
这里的关键认知是:过去几乎所有企业的数据架构,都是为人类设计的——为数据科学家、为分析师、为报表。要让这些数据服务于 Agent,还必须解决权限、治理和安全等问题,并重新考虑整个组织的数据架构。
两条实践经验值得划重点:
其一,别指望一家厂商。 大型企业几乎不可能把所有数据交给一家厂商统一清理和管理。现实的路径是组合:根据数据特点,分别采用图数据库、结构化或非结构化存储,以及事务型和运营型数据系统,再将它们整合为支持 Agent 的数据基础设施。
其二,先算一笔账。 企业开展一个新项目时,往往有将近一半的工作量花在数据清理和数据管道建设上。而成熟的 Agent-ready 数据层能打通不同的数据孤岛、避免每个新项目都重复做一遍数据准备——吴恩达的判断是,企业整体执行效率甚至有望接近翻倍。
五、新的竞争壁垒
把这条线索合起来,会得到一个对企业 IT 策略颇有冲击力的推论:
模型能力会趋同,组织上下文不会。 今天各家在用大同小异的前沿模型,明年它们还会更强;但”你的组织如何运转”这件事的知识——汇报关系、业务规则、数据分布、客户的脾气——只有你能结构化地喂给 Agent。这部分投入无法外购,也就构不成别人一夜之间可以追赶的差距。
所以,当大家都在追问”该买哪个 Agent”的时候,也许更值得先回答的问题是:
我的企业世界模型在哪里?我的数据,Agent-ready 了吗?
