企业怎样高效使用大模型 ：全栈智能体式AI是企业级AI的主要形态

01

—

去年参观一家大型企业的财务共享服务中心，看到一望不到头的一米长的工位上一个个弯腰曲背的身影, 我突然想起来之前几天参观的一家全自动数字化工厂（“黑灯工厂”），那里只有设备有条不紊的运转，偶尔个别技术人员会在各种设备之间出现，眼前的场景和自动化工厂形成如此鲜明对比。现代制造业已经完全实现了体力劳动的自动化，而脑力劳动（甚至是简单重复性脑力劳动）的自动化进程却一直停滞不前。全栈AI智能体的出现也许将全面改变这一切，彻底将人从简单重复脑力劳动中也解放出来，企业的管理成本也将因此得到大幅降低。

AI智能体在企业应用中的局限

面向消费者和专业个体的基于生产式AI的各类AI智能体今年以来大量涌现，从OpenAI的DeepResearch到年初一炮而红的“通用智能体”，Mannus，主打一个快速收集和整理信息，洋洋洒洒写出万字长文，乍一看俨然已能替代人类开展工作。但是从我自己实际使用中发现，这些智能体往往能写出万字长文却写不出三句洞察，而且输出结果多变，同样的问题多问几次给出的答案各不相同，成文的质量主打一个盲盒抽卡，靠运气。显然这样的智能体还是无法替代人类独立工作，至多是一个高效数据整理助理。非营利机构METR于2024 年底通过对比人类专家与13 个前沿AI 模型（如GPT 系列、Claude 3.7）的表现，发现AI 在人类耗时不足4 分钟的任务中成功率接近100%，但在4 小时以上任务中成功率低于10%。现阶段基于生成式AI的独立工作的AI智能体的稳定性和可靠性远远不能满足企业级应用的要求。

现阶段企业如何充分利用AI大模型？主打流程全局自动化的全栈智能体式AI将帮助企业实现以AI为核心的整个业务流程的“自动化”（Automation）和“自主化”（Autonomous），同时支持人和AI的协同，系统性地提升企业整体效能。

全栈智能体式AI是将多个智能体集成到复杂工作流程中，自主执行复杂组织的业务流程，实现业务流程的端到端闭环和自动化。例如：

供应链管理：通过流程自动化和优化，人工智能可安排客户订单交付的优先级，合理化处理产销协同，自主向供应商下单或调整生产计划，以维持最佳库存水平。

销售处理：根据客户询问，智能体向客户报价，根据客户反馈申请价格折扣，生成销售合同和订单，待客户确认、付款后，通知仓库发货。

全栈智能体式AI（Full Stack Agentic AI）与AI智能体（AI Agent）概念上有所区分，前者是框架，是“在有限监督下解决问题”的广义的智能系统的概念，而后者则是该框架内的组成部分，以一定自主性处理任务和流程。 通常一个AI智能体完成具备特定的能力，而全栈智能体式AI则是整合多个AI智能体，每个智能体拥有各自的目标和任务，在智能体式AI的框架内通过“AI编排”实现协同工作，以高效和稳定地实现智能体式AI系统的用户的目标。AI编排技术是全栈智能体式AI的核心要素。

AI编排（Orchestration）指对信息系统、业务能力服务和AI智能体的协调与管理。是对多个执行特定任务的智能体进行集成，并且将智能体与其他的业务服务、数据以及人工智能能力进行连接，使得多个智能业务服务能够协同工作，充分发挥各自的能力，并确保所有智能体和业务服务有效地为更综合、广泛的目标做出贡献。

编排的具体工作包括管理智能体之间的数据流，同步它们的活动，以及优化整个系统的资源使用。编排平台可自动化AI工作流程、跟踪任务完成进度、管理资源使用、监控数据流和存储，并处理故障事件。通过合理的架构设计，理论上数十、数百甚至数千个智能体可协同高效工作。

下图是一个销售业务基于人工智能的编排的示例，我们假设有若干个智能体分别负责报价、订单录入、信用控制、发货处理、库存控制等任务，它们在一个编排框架之上，根据跟用户的连续对话交互，大语言模型以及其他AI模型（例如交易风险控制、供应链库存优化的智能决策）支持编排数据获取、流程运行：

如果没有人工智能的编排，整个系统可能无法有效地全局共享信息，从而导致订单处理效率低，或者库存缺货、配送错误等。这样的编排能实现业务流程的智能自动化，它必须具备两个前提：

一是各个业务系统，即ERP、CRM等，要具有充分的、标准化的外部服务调用接口，即API，使得不同的软件组件和服务能够相互通信。

二是这些智能能力以及业务服务要基于云平台之上，具备灵活性、可扩展性，以及处理大量数据和复杂人工智能算法所必需的计算能力，便于管理和持续开发、持续集成。

全栈智能体式AI将是大模型应用于企业的主流形式，是工作流+OA技术，和流程规则引擎+RPA技术之后，第三代业务流程自动化技术。全栈智能体式AI利用大模型将逐步实现脑力劳动的自动化，其对企业的影响，就像现代自动流水线技术对制造业的影响一样，重大而深远。