然而，越来越多的人担心，这些讨论大多停留在口头上，充满炒作，却缺乏实质性支撑。

例如，Gartner指出，企业正处于“期望膨胀的顶峰”，这是在失望感出现之前的一段时期，因为供应商尚未用真实的、可落地的案例支撑其承诺。

当然，这并不意味着企业没有在尝试智能体并获得早期投资回报，全球企业如Block和GlaxoSmithKline(GSK)正分别在金融服务和药物研发中探索概念验证。

Block负责AI和数据平台的技术主管Brad Axen在本月由SAP赞助的AI Impact活动上对VentureBeat CEO兼主编Matt Marshall表示：“多智能体绝对是未来趋势，但我们正在探索一种既符合人类使用习惯又方便的实现方式。”

与单一同事合作，而非一群机器人

Block是Square、Cash App和Afterpay的母公司，拥有1万名员工，公司目前处于全面探索阶段。今年1月，Block推出了一个可互操作的智能体框架，代号“Goose”。

Axen解释称，Goose最初用于软件工程任务，目前已被4000名工程师使用，且采用率每月翻倍，该平台可以生成约90%的代码，通过自动化代码生成、调试和信息筛选，每周为工程师节省约10小时工作量。

除了编写代码，Goose还充当“数字队友”，压缩Slack和电子邮件信息流，整合公司工具，并在任务需要更高吞吐量或更大范围时生成新智能体。

Axen强调，Block致力于打造一个界面，让用户感受像在与单一同事协作，而不是与一群机器人互动。“我们希望用户感受到自己只在与一个人合作，但这个人会在多个场景和方式中代表你行动。”

Goose在开发环境中实时运行，根据大语言模型(LLM)输出进行搜索、导航和代码编写，同时还能自主读取和写入文件、运行代码和测试、优化输出以及安装依赖。

基本上，任何人都可以在自己偏好的LLM上构建和操作系统，而Goose可被视为应用层，它内置桌面应用和命令行界面，开发者也可以构建自定义UI，该平台基于Anthropic的Model Context Protocol(MCP)构建，这是一套日益流行的开源标准化API和端点，用于将智能体连接到数据存储、工具和开发环境。

Goose已以开源Apache License 2.0(ASL2)发布，意味着任何人都可以免费使用、修改和分发，包括商业用途。用户可以访问Databricks数据库并执行SQL查询，无需技术背景。

Axen解释道：“我们希望建立一个流程，让用户无需成为专家也能从系统中获取价值。”

例如，在编程中，用户可以用自然语言描述需求，框架将其转化为数千行代码供开发者阅读和筛选。Block在信息压缩任务中也看到了价值，例如Goose可以读取Slack、邮件及其他渠道信息，并为用户总结要点。在销售或营销中，智能体还能收集潜在客户相关信息并导入数据库。

智能体未充分利用，仍需人类专业知识

Axen指出，流程是最大瓶颈。你不能仅仅给员工一款工具就期望其自动发挥作用，智能体必须反映员工已在使用的流程。人类关注的不是技术架构，而是他们要完成的工作。

因此，构建者需要了解员工的实际需求，并设计出“尽可能贴合这些需求”的工具。随后可以将这些工具串联起来，解决越来越复杂的问题。

Axen说：“我认为我们远未充分利用智能体的能力。关键在于人和流程，因为我们无法完全跟上技术的发展。技术与机会之间存在巨大差距。”

当行业缩小这一差距时，人类专业知识是否还有空间?Axen表示，当然有。例如，在金融服务中，代码必须可靠、合规且安全，以保护公司和用户，因此仍需人眼审核。

他说：“在公司运营的每个环节，我们依然需要人类专家。它不改变个体的专业意义，只是提供了一种新的表达工具。”

Block构建在开源基础上

Axen指出，人机界面是智能体最难实现的部分，目标是让界面简单易用，同时AI在后台主动执行任务。

他认为，如果更多行业玩家采用类似MCP的标准，将会更有帮助。例如：“我希望Google能为Gmail提供公开的MCP，这会大大简化我的工作。”

谈及Block对开源的承诺，他表示：“我们的基础一直是开源的。”并补充称，过去一年公司一直在“更新”对开源技术的投资。“在快速发展的领域，我们希望建立开源治理，使工具能够跟上新模型和新产品的步伐。”

GSK在药物研发中应用多智能体的经验

GSK是一家领先的制药企业，专注疫苗、传染病及肿瘤研究。公司开始应用多智能体架构，加速药物研发。

GSK的AI和机器学习全球负责人、SVP Kim Branson表示，智能体正在改变公司的产品开发，“绝对是业务核心”。

Branson解释称，GSK科学家将领域特定LLM与本体(表示概念及其属性和关系的类别)、工具链及严格测试框架结合使用。

这帮助他们查询庞大的科学数据集、规划实验(即使没有基准数据)，并整合基因组学、蛋白质组学和临床数据的证据。智能体可以提出假设、验证数据关联并压缩研究周期。

Branson指出，科学发现已取得重大进展：测序时间缩短，蛋白质组学研究加快，但随着数据量不断增加(尤其是通过设备和可穿戴设备收集)，发现过程变得愈发复杂。他表示：“我们对人体的连续脉搏数据比人类历史上任何时候都多。”

人类几乎无法分析全部数据，因此GSK希望利用AI加速迭代。

然而，在制药行业，AI使用也充满挑战，因为在没有大型临床实验的情况下往往不存在“基准真相”，更多是基于假设，科学家通过探索证据提出可能的解决方案。

Branson指出：“当引入智能体时，你会发现大多数人内部甚至没有标准方法，这种差异并非坏事，但有时会引发新的问题。”

他打趣道：“我们不总是有绝对真相可依，否则我的工作会容易很多。”

关键在于找到正确的目标或设计潜在生物标志物/假设证据。例如：在特定条件下，哪条途径最适合卵巢癌患者?

要让AI理解这种推理，需要使用本体并提出诸如‘如果这是真的，X意味着什么?’的问题。领域特定智能体可以从大型内部数据集中整合相关证据。

Branson解释，GSK从零构建了基于Cerebras的表观基因组语言模型，用于推理和训练。“我们为应用构建非常特定的模型，是其他公司没有的。”

推理速度非常重要，无论是与模型的交互还是自主深度研究，GSK根据最终目标使用不同工具，但大上下文窗口并非万能，数据过滤至关重要。“不能随意堆叠上下文，不能把所有数据丢进去就指望LLM自己搞定。”

持续测试至关重要

GSK在智能体系统中投入大量测试，优先考虑确定性和可靠性，常同时运行多个智能体交叉验证结果。

Branson回忆，团队初期构建SQL智能体时，运行“1万次”，却莫名其妙地出现一次数据“造假”。

“我们再也没遇到过，但那一次发生时，我们甚至不明白为什么会在该LLM上出现。”

因此，团队通常会并行运行多个副本和模型，同时强制执行工具调用和约束。例如，两套LLM执行完全相同的序列，GSK科学家进行交叉验证。

团队专注于主动学习循环，并建立内部基准，因为公开基准往往“相当学术化，不反映我们的实际工作”。

例如，他们会生成多个生物学问题，评分预期的黄金标准，然后用LLM进行验证并排名。

Branson说：“我们特别关注智能体出错或出现愚蠢行为的情况，因为那正是学习新知识的机会，我们会让人类在关键环节使用专业判断。”

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内最大的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。