智能降级：AI智能体的价值陷阱与破解之道

近日，一则颇为玩味的消息映入眼帘，其内容大致如下：

阅览至此，我不禁哑然失笑。

这实质上表明，众人耗费大量精力所打造的智能体，竟在产生负面价值。

为何会出现这种情况？

根源其实非常简单。

源自传统产研思维的人们总认为，通过融入人类自认为能优化AI的知识（以提示词形式呈现，本质是规则）可以增强AI在特定领域的性能。

这些所谓的“人类智慧”与“技巧”，表现为提示词（Prompt），本质上是一系列赋予AI的规则。

它们或许能在限定目标下提升精度，但对于大模型而言，实则是一种损害，是一种“智能降级”的行为。

大模型的卓越之处何在？

在于它学习了浩瀚的数据，内部构建了一个模拟现实世界、极度复杂的概率模型。它具备一种“涌现”出的、我们尚未完全理解的通用智能。

你添加的那些规则，宛如给一位想象力无穷的画家，强行塞入一本儿童涂色书，还规定他必须在框内填色，不得越界。

你以为在“优化”他绘制苹果的能力，实则剥夺了他创作《星空》的潜力。

当你面对的需求，范围广阔、千变万化、无限接近真实世界时——比如律师的日常工作——你那点“局部优化”就显得得不偿失。

你削弱的通用智能部分所带来的损失，远大于你费力匹配的那部分需求收益。

最终化为用户的三个字：不好用。

这便是“智能降级”，也是当前构建智能体的典型陷阱。

更严峻的是，大模型本身，以及像通用搜索这样的辅助工具，进步越快，这个陷阱就挖得越深。

如何应对？

要规避“智能降级”这一巨大陷阱，核心在于一句话：

停止尝试教导AI“如何思考”，转而提供“思考的材料”。

（这背后的原则是我们自23年起强调的智能优先）

人类必须承认AI的“心智”（基础模型）在无属性智能上已超越人类，因此不要充当蹩脚的“教师”，而应成为它的“情报官”。

为它提供原本无法触及的、高质量的、独家的“情报”，即数据和上下文。然后信任它的智力，让它自主推理与判断。

当然，由于你更清楚自身目标，需要一个较为复杂的评估系统。

（这部分颇为复杂，本文不展开详述）

沿此思路，让智能体体现价值的方向清晰可见：

方向一：深耕“独占性上下文”

通用大模型，通晓的是公共领域。

它不了解你公司上周的会议内容，不知道你们最关键客户的身份，更不掌握你们王牌产品的研发历程。

这些，便是你的“独占性上下文”。这是你唯一且最稳固的护城河。

我们以往的表述：数据的边界即应用的边界。

智能体的首要价值，是将这些散落于公司各处、内部的、私有的数据，安全高效地馈送给大模型。

简言之，就是为AI开启“内网权限”。让它能查阅所有邮件、聊天记录、会议纪要、代码库、产品文档、客户关系管理（CRM）系统中的数据。

当AI能洞察这一切时，它便不再是一个胡言乱语的“互联网代言人”，而是一个真正懂你业务的“数字员工”。

人类的主要任务并非以技巧提升智能，而是补足数字化的课程。此事若深挖，背后涉及数字成本与生产关系问题。

无论如何，人类这部分才是最大的成本与障碍。

方向二：供给“高势能工具箱”

仅能查看还不够，还需能执行任务。

但这种“执行”，并非你规定好步骤一二三的僵化流程。

而是你提供一套“工具”，如同给一位聪明的工人一个工具箱，内含锤子、扳手、电钻。然后你告知目标：“把墙上那幅画挂起来”。

他会自行判断，该使用钉子与锤子，还是膨胀螺丝与电钻。

这个“工具箱”，在数字世界中即各种API。例如“查询库存”、“下达订单”、“发送邮件”、“创建日程”……

一个优秀的智能体，应是一个能熟练运用你所给工具箱、自主完成设定目标的“高效助手”。它既有头脑，也有手脚。

方向三实为自我优化

这更为棘手，本文不予展开。

前述第一、二点并非AI领域独有问题，与过去的ERP、数字化等重叠度较高。一定程度上是补课与融合。陈果同志常讲的内容在此颇为有用。例如：

何种产品形态能胜出？仍以Glean为鉴

阐述了这么多，究竟哪种产品能避开“智能降级”的陷阱？

我们可以对比市面上两种不同形态的产品，便一目了然。

失败形态：那份5万美元的合同AI

此类产品，我称之为“工作流AI”。

其明显缺陷在于灵活度不足，而灵活度不足源于整合深度不够。

它的逻辑是，在一个封闭软件内部，预设一个“分析合同”的流程。然后让AI填充该流程中的某些环节。

此时，当人类能与AI高频交互时，你的工作流带来的多是弊端。

它的问题可能包括：

1.上下文缺失：它仅知晓你上传的这份合同，不了解合同背景、谈判过程（可能存于邮件）、相关历史合同（可能位于其他文件夹）。它是个“视障者”。

2.流程僵化：它将你与AI禁锢于固定流程中。律师想换个角度提问，或让AI结合其他信息，几乎不可能。这正是“智能降级”的重灾区。

3.价值孤岛：其价值仅限于“分析合同”这一孤立场景。它无法将此能力与公司其他工作流串联。

成功形态：Glean这类产品

Glean的本质是一个“上下文平台”。

其所有贡献在于确保我们反复提及的：现实理解纵深。

它不预设任何流程。其唯一目标，是打通公司内部所有数据孤岛，将Slack、Google Drive、Jira、Salesforce……等系统中的数据全部连接，形成一个统一的、可供AI检索与理解的“企业知识图谱”或“企业大脑”。

这部分最棘手的工作并非大模型出现后才完成。

国内昔日所说的数据中台与此任务极为相似。

只不过做数据中台的公司估计已所剩无几，这从侧面反映了AI深度应用的实际难度。

以下是我随意查找的一个中台图示，大家可与Glean的架构对比：

(https://juejin.cn/post/6844904164292575246)

下面是Glean的架构图：

对比之下会得出一个惊人结论：欲构建智能体，先做好数据中台...

若做不好数据中台，智能体同样难以奏效，至少涉及生产关系的肯定不好用

Glean本身，便是那个卓越的“情报官”。它不教导AI如何思考，仅负责将最全面、最准确的“情报”馈予AI。

当智能体构建于Glean这类平台之上，它便焕发生机。你询问：“上个季度我们最重要客户‘ACME公司’有何进展与风险？”

一个“孤岛AI”会茫然无措。

但基于Glean的智能体如此运作：

1. 调取ACME公司在CRM中的所有记录。

2. 调取与ACME相关的所有邮件与Slack聊天记录。

3. 调取内部关于ACME项目的会议纪要与周报。

4. 随后，它调用大模型的通用智能，整合这些碎片化信息，提供一个有据可依、蕴含洞察的回答：“进展是XX合同已续签，但风险是关键接口人近期在邮件中抱怨交付延迟，相关讨论见于XX的Slack频道。”

可见，整个过程无人预设“客户风险分析”的刻板流程。

Glean这种形态，不太会出现“智能降级”问题。

因为它并非做“减法”（以规则限制AI），而是做“乘法”（以数据拓宽AI视野）。其核心价值不在设计多精妙的Prompt，而在构建多强大的“数据通路”。

当底层大模型从GPT-4升级至GPT-5，那份5万美元的“孤岛AI”可能报废。

但Glean的价值反而飙升。因为更强大的大脑，配以更全面的数据，所能催生的智能呈指数增长。

再次强调，上述内容已简化以说明方向，实际开发时，累计偏差等处理涉及复杂过程。需架构、领域模型等综合。我一年前曾撰文探讨此类话题。

总结：智能优先与无人公司

归根结底，这背后是一种根本的范式转变，一种“智能优先（AI First）”的原则。

过去思路是“流程优先”，我们设计流程，让AI辅助。这本质是人类优先，流程用于固化期望。

而“智能优先”则反转：我们默认有一个聪明的“大脑”处于核心，所有工作皆为这大脑搭建能发挥最大价值的环境。

我们以往称此為：从if else调整到any then的思维模式。

此原则推至终极形态，便是“无人公司”。

未来组织，不再依赖人类员工执行成千上万僵化的SOP（标准操作程序）。而是将整个公司业务逻辑，封装入一套智能体体系。

如何封装？ 非编写僵化代码，而是为智能体体系定义：

1.目标（Goals）：例如，“维持公司产品A库存量在1000到1200件之间”。

2.上下文（Context）：为其接入实时销售数据、供应链数据、物流信息（Glean模式）。

3.工具（Tools）：赋予其调用采购系统API、向供应商发送邮件API、向人类主管发送预警API的权限。

这些皆需一个底座，此底座即我们基本失败的数据中台。

然后，这套智能体体系将如生命体般，7x24小时自主运行，自行决策，调用工具执行。

人类角色，从执行者转变为目标设定者与最终结果监督者。

因此，规避为AI“设限”并最终产生“智能降级”产品，首需弄清基础问题：AI是什么，有何用途！

（不过说来尴尬，我撰写智能原生、智能优先、无人公司近两年，不说他人，我的朋友们中许多似乎仍不太理解或认同）