企业智能体缺的不是大脑，是导航

读完 IBM Research 这篇文章，我第一反应不是“agentic AI 终于要规模化了”，而是有点尴尬：我们过去一年聊智能体，聊了太多模型、上下文、工具调用和多智能体框架，却绕开了最土也最硬的一件事：企业到底有没有把自己的工作方式整理成机器能走的路。

IBM 给这个东西起了一个名字：agent logic。翻成中文，大概是“智能体逻辑”。这个词听起来新，其实里面装的都是老工程：静态分析、知识图谱、策略引擎、DAG、规划器、观测数据模型、合规控制映射。它们不是模型的一部分，却决定模型能不能在企业里少犯错、少烧钱、少瞎转。

只把模型放进流程，通常会卡住

企业工作流和聊天窗口不是一种东西。

聊天窗口里，模型答错了，你追问一句。企业工作流里，一个请求可能跨 API、数据库、中间件、审批策略、审计规则和老系统代码。流程还很长，状态还会变。你让一个 LLM-only agent 把所有东西都塞进上下文，再指望它自己找到路，等于把一个外地人丢进一座没有路牌的工厂，让他边走边猜哪扇门能开。

这就是 IBM 文章里最值得看的部分。它没有把希望押在“下一代模型会更强”上，而是反过来问：能不能先把路修出来？

watsonx Code Assistant for Z 的 App Insights agent 用深度静态分析预先理解 Cobol / PL/1 这类遗留系统，把最多百万行代码和上千个程序整理成结构化索引。Aster 生成测试，也不是直接让模型凭感觉写测试，而是先抽方法签名、调用层级、依赖关系，再让模型在这些约束里干活。Instana 的 I3 agent 做事故调查，用知识图谱把微服务、数据库、中间件、日志指标和专家经验连起来。

这不是让模型“更自由”。恰好相反，是减少它的自由。

好的智能体，先承认模型不该什么都管

IBM 文中有一组数据很刺眼：App Insights 在遗留代码理解上 token 消耗约低 30 倍；Aster 在 IBM CIO 的 75+ Java 应用预生产中把覆盖率提高 20% 到 45%，token 最多低 15 倍；Maximo Condition Insights 把资产分析从 15-20 分钟压到 15-30 秒，token 平均少 77%。

这些数字当然要打折看。它们大多来自 IBM 自己的产品和内部试点，不等于全行业通用规律。但方向很清楚：当领域结构足够强，模型就不用每次从一锅粥里重新推理。

这点让我想到编译器。一个好编译器不会把源代码当一大段字符串交给某个“聪明函数”猜，它会词法分析、语法分析、构建 IR、做数据流分析、优化，再生成目标代码。LLM-only agent 更像是跳过中间表示，直接让模型从源代码猜机器码。能跑一些 demo，但一到大系统，代价会失控。

agent logic 的本质，是给企业智能体做中间表示。

最反直觉的是治理

我以前会把智能体治理理解成“加一道安全检查”：别泄露数据，别越权调用工具，别生成危险内容。IBM 这篇文章让我改了一点看法。治理不是智能体的刹车，它可能就是智能体能工作的轨道。

CUGA 医疗保险客服案例很典型。它用 policy-as-code 在运行时执行规则，不依赖 prompt，也不靠 fine-tuning。文章里的说法很准确：推理可以自治，决策权必须受约束。模型可以提出动作，但谁能看什么数据、什么时候升级给人、什么输出格式合规，这些权力不该交给模型临场发挥。

这也是很多企业 AI pilot 卡住的原因。MIT 的 GenAI Divide 被反复引用为“95% 没有可衡量 P&L 回报”。这个数字经常被误读，但它至少说明一件事：把通用工具扔给员工，不等于改变工作流。真正能产生回报的系统，往往不是最会聊天的那个，而是最能嵌进权限、数据、流程和责任边界的那个。

这篇文章的盲点

话说回来，我不想把 IBM 这篇读成标准答案。它有明显的厂商叙事：每个案例都指向 IBM 自己的产品、benchmark 或平台。很多提升倍率缺少外部复现环境。文章也没有充分回答一个现实问题：agent logic 的建设成本谁来付？

静态分析、知识图谱、策略约束、数据模型，这些都不是白来的。它们需要懂业务的人、懂系统的人、懂合规的人一起把隐性知识挖出来。对大企业来说，这也许是护城河；对中小团队来说，可能是新的负担。

但我仍然觉得这篇文章重要。它把“智能体规模化”从一个模型问题，拉回了工程问题。企业不是缺一个更会说话的大脑，而是缺一张自己也承认的地图：哪些事能自动，哪些事必须升级；哪些数据能用，哪些证据必须留下；流程从哪里开始，失败以后回到哪里。

没有这张地图，模型越强，跑偏得越快。

如果你在公司里落地 AI agent，你会先买更强模型，还是先整理业务流程、权限和知识结构？

原文参考

Beyond LLMs: Why Scalable Enterprise AI Adoption Depends on Agent Logic
https://huggingface.co/blog/ibm-research/agent-logic-and-scalable-ai-adoption