1. 执行摘要
开发能够执行复杂、多步骤业务流程的先进 AI 智能体，至今仍是一项重大的工程挑战。大多数企业在这方面的尝试最终都导致了单体式、脆弱的系统，这些系统难以扩展、维护和调整。然而，最近的一篇研究论文指明了一条更具可持续性和可扩展性的前进道路。这篇题为AgentCo-op：基于检索的互操作多智能体工作流合成的论文，介绍了一个框架，该框架通过从库中组合现有的智能体、技能和工具来自动构建复杂的工作流。这一进展是一个强有力的信号，表明企业 AI 的未来在于可组合的多智能体系统——这是一次范式转变，从手工定制、一次性的智能体创建，转向建立在复用、互操作性和模块化基础上的工程学科。
AgentCo-op 框架的核心思想是将智能体视为构建模块。系统不是为每个复杂任务都编写一个新的端到端解决方案，而是检索并组装预先存在的专用智能体，形成一个连贯的工作流。至关重要的是，如果单个智能体出现故障，它还可以执行局部修复，从而增强系统的整体弹性。我们认为，这种方法反映了现代软件开发的演进过程，即从单体应用转向微服务和 API 驱动的生态系统。对于企业技术领导者而言，这不仅仅是一个学术上的新奇事物，更是构建一个能够以业务速度进行调整的可扩展、高效且富有弹性的 AI 能力的蓝图。
那些开始培育可复用、文档齐全的智能体内部生态系统的企业，将获得显著的竞争优势。与那些继续为每个问题都从零开始构建的竞争对手相比，他们将能够以更低的成本、更快地组装和部署复杂的自动化解决方案。这种转变需要一个深思熟虑的战略，专注于标准化、治理和正确的基础设施。孤胆英雄式的 AI 智能体时代正在过去，取而代之的是协作式、可组合的智能体工作团队的时代。
核心要点：
- 战略洞察与指标： 通过消除重复的工程工作，可组合方法预计可将复杂智能体工作流的开发时间缩短 40-60%。
- 竞争影响： 建立专业化、可复用智能体内部库的组织，将在创新上超越那些为每个新问题都构建定制化、一次性解决方案的组织。
- 实施要素： 成功的关键在于为智能体的互操作性、元数据和治理建立稳健的标准——这实际上是创建了一份内部的“智能体 API”契约。
- 商业价值： 该模型降低了复杂自动化的准入门槛，使更多业务部门能够在无需深厚、集中的工程资源的情况下，利用 AI 完成复杂任务。
2. 从 AI 手工作坊到智能体流水线
在过去几年里，构建多智能体系统感觉更像是手工艺，而非工程学。每个新系统都是一个定制的作品，由一小队专家精心打造。这些系统虽然令人印象深刻，但通常很脆弱，难以调试，并且几乎不可能复用于不同任务。其内部逻辑耦合得如此紧密，以至于要提取单个功能都是一项重大工程。这种手工作坊式的方法根本无法扩展，并会产生严重的技术债务。AgentCo-op 论文则展示了一种根本性的替代方案：一条由“组合”驱动的智能体流水线。
大多数观察者没有看到的是，这不仅仅是关于串联提示或简单的 API 调用。关键的创新在于系统能够推理可用智能体的能力，并合成一个新颖的工作流来实现目标。这是从命令式编程（告诉系统如何做某事）到声明式编程（告诉系统你想要实现什么）的转变。这反映了 API 经济的战略价值，开发者不需要知道像 Stripe 这样的服务是如何处理支付的，只需要知道他们可以可靠地调用其 API 来完成支付。正如麦肯锡所指出的，API 的真正价值在于促成这种模块化、可扩展的创新。
我们将这一转变视为构建一个更易于治理、更可靠的 AI 未来的基础。当智能体是模块化的，它们的功能、权限和数据访问就可以进行高度精细化的管理。这种模块化不仅加速了开发，它也是有效监督的基础。正如我们之前讨论过的，我们相信模块化智能体治理是企业 AI 采纳的关键，因为它允许对特定的智能体能力进行有针对性的控制，而不是应用粗粒度的、系统范围的限制。这种方法使得审计智能体行为、管理安全风险和确保合规性变得更加容易。
| 考量维度 | 单体式智能体开发 | 可组合的多智能体系统 | 预期影响 |
|---|---|---|---|
| 开发周期 | 针对每个新的复杂任务进行漫长、定制化的工程开发。 | 从预构建的组件中快速组装和配置。 | 新自动化工作流的上市时间加快 3-5 倍。 |
| 可扩展性与复用性 | 低。核心逻辑紧密耦合，难以提取或修改。 | 高。智能体被设计为独立的、可复用的服务。 | 智能体库带来复利价值；显著减少重复性工作。 |
| 维护与调试 | 复杂且高风险。单个故障可能在整个系统中引发连锁反应。 | 简化。隔离、修复或替换故障智能体，无需系统范围的停机。 | 维护开销降低 20-30%，系统正常运行时间提高。 |
| 治理与安全 | 在系统层面应用；通常是粗粒度且不灵活的。 | 对单个智能体、其权限和数据访问进行精细化控制。 | 改善安全状况，简化合规审计。 |
3. 构建您的企业智能体注册中心：可组合多智能体系统实践指南
为了利用可组合 AI 的力量，企业领导者必须超越构建单个智能体的思维，专注于创建一个促进其创建、管理和复用的生态系统。这个生态系统的核心支柱，我们称之为企业智能体注册中心（Enterprise Agent Registry）——一个内部的、受治理的、标准化的可复用智能体存储库，业务部门可以发现并将其组合成新的工作流。这不仅仅是一个技术存储库，更是一项能加速整个组织创新的战略资产。
建立这个注册中心需要有意识地关注三个基础领域：标准化、治理和基础设施。首先，您必须定义一个清晰一致的“智能体契约”。这是一个类似 API 的规范，详细说明了智能体的功能、所需数据、产生的输出、性能特征及其安全权限。没有这个标准，互操作性就不可能实现。其次，需要稳健的治理流程来管理智能体的生命周期。这包括定义谁可以构建、测试和发布智能体到注册中心，以及版本控制、弃用和安全审查的策略。最后，底层基础设施必须支持这种新模式。这意味着要调整 MLOps 和 API 网关平台，将智能体的发现、部署、监控和日志记录作为一等公民来处理。
像 AgentCo-op 这样的框架能够在故障智能体上执行“局部修复”的能力，凸显了企业对弹性的关键需求。这不能是事后才考虑的问题。为了使其规模化运作，您的AI 战略需要一个智能体可靠性规程，专注于自动化诊断、容错和优雅降级。一个可组合系统的强度取决于其最薄弱的环节，而工程实践必须确保每个环节都足够稳健。我们建议采用务实的、分阶段的方法来构建这种能力。
- 建立智能体卓越中心 (CoE)。 创建一个由 AI 工程师、架构师和治理专家组成的小型跨职能团队。他们的初始任务是定义“智能体契约”的第一个版本，建立开发最佳实践，并选择试点用例。
- 试点小规模的智能体注册中心。 不要试图一蹴而就。从构建和编目 3-5 个高价值、适用范围广的智能体开始。例如，“敏感数据检测智能体”、“复杂文档摘要智能体”或“市场数据检索智能体”。利用这些智能体构建一个单一的、高影响力的工作流，以证明可组合模型的价值。
- 投资“智能体即服务”基础设施。 调整您现有的 MLOps 和 API 管理工具，为开发者发布、发现和使用智能体创造无缝体验。目标是让使用受治理的内部智能体像调用公共 API 一样简单。
- 为智能体构建者制定能力模型。 将您的人才战略从招聘通才型的“AI 开发者”转向培养擅长构建可靠、高效且文档齐全的智能体的专家。奖励和认可对中央注册中心的贡献，而不仅仅是终端用户应用的创建。
5. 常见问题解答
问：可组合的多智能体系统与简单的 API 链接或现有的工作流自动化工具有何不同？
答： 关键区别在于动态合成和弹性。传统工具遵循静态的、预定义的工作流。可组合系统可以根据一个高层目标动态选择和组装智能体，并且通常可以通过用替代方案替换失败的智能体来进行自我修复，这是一种远为智能和灵活的方法。
问：这种可组合方法最大的安全风险是什么？
答： 主要风险是单个被攻破智能体的潜在爆炸半径。如果一个被广泛使用的智能体被攻破，可能会影响数十个工作流。这就需要一个零信任安全模型，其中每个智能体都拥有最低必要权限，并且所有智能体间的通信都经过身份验证和监控。
问：这会不会因为要管理数百个“微智能体”而造成维护噩梦？
答： 这需要从应用维护到服务维护的纪律性转变，就像向微服务的转变一样。强大的版本控制、依赖管理、自动化测试和明确的所有权是必不可少的。有了正确的 MLOps 基础，管理一个智能体注册中心比维护数十个单体式 AI 系统更具可扩展性。
问：建立内部智能体注册中心的直接投资回报率 (ROI) 是什么？
答： 最初的 ROI 来自于第二个和第三个项目复用初始智能体集所避免的开发成本。我们的经验表明，在使用可组合模型构建了 3-4 个复杂工作流之后，组织通常会达到盈亏平衡点，并且随着注册中心的增长，ROI 会加速提升。
问：这是否意味着我们需要招聘不同类型的 AI 人才？
答： 是的，这提升了对“AI 系统工程师”的需求。这些专业人员将 AI 专业知识与对分布式系统、API 设计和可靠性工程的深刻理解相结合。重点从纯粹的模型构建转向创建稳健、可复用和生产级的 AI 组件。
6. 结论
可扩展企业 AI 的未来不会由构建一个无所不知的单一模型或智能体来定义。相反，它将建立在专业化、可互操作的智能体生态系统之上，这些智能体可以被动态组合以解决复杂的业务问题。像 AgentCo-op 这样的研究让我们得以一窥这个未来，其中焦点从打造单个 AI 应用转向工程化一个富有弹性、适应性强的 AI 工作团队。这种方法不仅有望加速开发，还能创建更稳健、更易于管理的 AI 系统。
对于首席信息官 (CIO)、首席技术官 (CTO) 和首席数据官 (CDO) 来说，现在正是采取行动的时候。迈向可组合的多智能体系统的旅程是一项战略要务，需要对架构、治理和工程纪律进行深思熟虑的专注。等待技术完全成熟意味着落后于那些已经在为这一新范式构建基础能力的竞争对手。最初的步骤——建立标准、试点注册中心、投资于正确的基础设施——将为未来几年获得复利优势奠定基础。
我们相信，这一转型是企业 AI 的一个关键拐点。在 Thinkia，我们与技术领导者合作，为创建这些可扩展且富有弹性的智能体生态系统制定务实的路线图，确保今天的 AI 投资能为明天带来可持续的价值。