AI Agent 落地真相:胜负在数据治理而非模型能力
bigdata · x · 2026-11-17
Gradient Flow 作者 Ben Lorica 基于对银行、公用事业、制造、零售等非科技公司 agent 部署的调研指出:把 agent 送进生产环境,考验的往往是你既有的数据与系统,而非 AI 能力本身——多年清理数据、沉淀流程文档的公司有真实先发优势。
关键案例与观点:
- 限制 agent 能做什么,而非限制它怎么推理:Duke Energy 用 agent 协调电网规划的工程仿真,工程师审核并做决策;星展银行(DBS)用 70-80 个专用 agent 链协助撰写信贷备忘录,最终分析由人负责。
- Lyft 的补充意见:过度脚本化的工作流会让 agent 无法应对开发者未预料的情况;Lyft 将涉欺诈或安全的敏感问题路由给人工,而非逐步规定流程。
- 此前提炼的九条实践规则(硬约束放软件里、按需赋予自主权等)在真实生产环境基本成立。
- 作者提醒:目前公开的效果数字多来自厂商或公司自述,需保持怀疑。
文章核心论点:agent 落地的「无聊功夫」——数据治理、流程文档化、内部系统改进——才是决定成败的因素。
「编程与Agent」频道最新
- 开发者把 GitHub Radar 项目当 Agent 入口,用自然语言指挥仓库工作 — dSebastien · 2026-11-17
- Lectern:让 AI Agent 把 Markdown 自动渲染成 10 分钟解说视频 — gabe_ragland · 2026-11-17
- AI 助理 J.Doe 走红:打通录音、屏幕与 Gmail 的个人上下文 — HeyZoyaKhan · 2026-11-17
- 安全专家呼吁:企业应像监控生产日志一样监控客户渠道的 AI 事故 — simpsoka · 2026-11-17
- IBM 工程师演示自建 agent harness:护栏、上下文缓存与 Daiku — TejasKumar_ · 2026-11-17
- Cohere Labs 资助的 FeatureGraph:标准化时序数据分析流水线 — Cohere_Labs · 2026-11-17