最近一直在做企业智能体相关的规划和设计，也看了一些优秀的智能体样例，越看越觉得——真正高价值的智能体，实则更像是 AI 领域的 APP：用了 AI，但不全是 AI。今天在外网闲逛，刷到一张图，用冰山结构展示企业智能体：水面上 10% 是 AI，看得见、用得着，但水面下的 90% 是复杂的软件工程。看完很有共鸣，分享给大家：
这个冰山有没有很太贴切^_^ 我们看到一个企业智能体“能说会做”，能输出回答、能执行操作，很容易把注意力聚焦在它“有多机智”这件事上，这只是表层的 10%。真正支撑它的，是水下那 90% 的工程能力：列如选哪个基础模型更适配业务场景？面对用户提问时，如何在多个系统间完成数据通信？知识库内容如何持续更新和校验？甚至一句简单的“帮我订个会议室”，背后都牵涉到调度日程服务、审批流、会议资源池等多个子系统。这些工程层的打通和稳定性，才是让智能体能“用得住”的关键。
许多 AI 项目实则不是“AI 不够强”，而是工程没兜住。模型可以很准，但只要系统设计不好，服务逻辑不清晰，用户体验依旧崩盘。所以落地一个企业级智能体，更像是在做一套复杂的软件系统，而不只是调用一个模型接口那么简单。
这张图来自我在 LinkedIn 上关注的一个 AI 博主，他分享的内容都挺高质量的，观点也常常能戳中落地场景的痛点。有兴趣的朋友可以去围观下，挺值得关注的。基于原博主的论述，整理了智能体水下的模块内容：
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
我经常遇到一些事情，想用各种AI工具去完成，但总是不尽人意。不管用什么角色，问他总是抄的一些网页来应付我。总是模糊的，比如企业的一个场影。我接到一个订单。它应该要按照我的公司流程 去调度各个岗位去实现，我要的最终结果是订单全流程执行，钱到我公司的账。而这些就需要AI不只是说个方法而已，而时精准的安排当天的岗位的人，在什么时间完成该做的事，流程触发到每人环节，最终交付。最出具整个过程的日志。所以软件程序才是最复杂的。
看得见、用得着AI只占10%，但水面下的 90% 是复杂的软件工程。
有道理，我就是这么干的
工程能力决定可用性
收藏了，感谢分享