企业级多Agent编排与落地架构

10月27日

Latent Space Anthropic 如何打造并推出全球排名第1的 LLM——对话 Katelyn Lesse 与 Angela Jiang

• Angela Jiang 下一波工作负载机会，是更长时间的自主执行与更强的验证。 Angela 认为，部分任务的智能需求正在接近饱和，但高难度工程和科学问题仍有很大空间。收尾时给出的多智能体建议是：设置一个主负责人，共享状态，并让异步工作者互不阻塞；与此同时，质量责任仍在人类手中，实施更快不能成为“往生产环境多塞10倍功能”的借口。

10月21日

Latent Space 纽约AI：Tenex如何打造AI原生工程团队——Alex Lieberman与CJ Hess

• Alex Lieberman 企业反复遇到的两类问题，是部署后台智能体和管理数据权限。 Alex说，权限管理和RBAC已让CIO和CISO“头疼不已”，10X已将自家的网关方案产品化。CJ强调前提是：“流程不存在，就谈不上自动化。”如果40个人做着大致相同的工作，却各有一套做法，就应先统一流程，再把工作交给智能体或搭建评估体系。

10月12日

20VC Atlassian CEO Mike Cannon-Brookes：代理不会取代界面

• Mike Cannon-Brookes Atlassian 的战略资产是 Teamwork Graph：一个新建的、公司专属的人员、决策、文档、代码和工作流索引，供代理查询。 它的作用是在代理发问前先推断并整理上下文，就像 Google 在用户搜索前先索引整个互联网。Cannon-Brookes 强调：“这是客户的上下文，不是我们的上下文。”真正有价值的不是通用的外部数据，而是每个客户自己的组织语境。

10月11日

十字路口Crossing “有了AI，我感觉自己强得可怕！”｜对谈鸭哥

• 鸭哥 赛博许愿：让 context infrastructure 在企业执行与协作中承担更多事情。 鸭哥与课代表已在尝试让 agent 互相审阅、讨论方案。他仍不放心具身智能（比如机械臂化妆），也不太愿意让 AI 不经审阅直接发文章，但说这个边界一直在变化。

10月8日

The a16z Show 为 AI 智能体构建云基础设施 | AWS CEO Matt Garman

• Matt Garman 企业采用智能体的瓶颈，与其说是模型访问，不如说是工作流重构、评估体系和信任。 Garman反对简单复制人类的五步流程：智能体可以并行尝试50种方法，但企业在赋予自主权前，需要权限体系、护栏、标注数据、生产环境度量和漂移测试。AWS的前置部署模式旨在用45天教会客户这些能力，然后退出，而不是制造持续数年的咨询依赖。

硅谷101 E255｜模型越来越强，为什么用户没感觉？再访阿里国际站总裁张阔

• 张阔 Accio 已从 AI 搜索扩展到 agentic trade 和多平台经营，整体搜索增长20%、多模态搜索增长130%，采购项目则可由按月推进压缩至约24小时。 Agent 能把创意转成 design pack，匹配工厂、询价、计算到手价和 margin，再处理物流、HS code、上架及买家反馈；张阔强调，这不是通用模型加几条 prompt，而是 Model、Harness、Context 三项相乘，“哪一项是0，整个这个公式结果就是 …
• 硅谷101 Accio 对自治边界的定义很克制：AI 可处理跨平台报表、商品发布、客服复盘和风险预警，人保留付款、采购、预算和库存、广告等经营配置，以及产品品味。 “这次交易就算成功了，它可能最终导致你商业失败”，因此多个 Agent 意见冲突时，无法再用一个统一 Agent 消除分歧，老板仍须依据毛利、规模或速度目标做最终判断。

10月7日

The Cognitive Revolution 永不出问题的软件：OutSystems CEO Woodson Martin 谈如何以 AI 速度构建企业级应用

• Woodson Martin 企业代理最重要的问题仍然不是如何构建，而是“究竟该做什么”。 OutSystems 新推出的“代理工厂”会分析应用遥测数据、架构和数据流，提出哪些人工流程应该转为代理流程，估算节省时间和 ROI，并生成初始实现方案。这让平台的价值主张从加速开发，进一步转向资本配置和工作流重设计。

10月5日

Sourcery 如果AI模型能作弊，它就会作弊｜Turing CEO谈奖励劫持

• John Collison 尽管能力快速提升，代理的持续工作能力仍然有限。 嘉宾表示，编程代理如今已能可靠地连续工作大约“2天”，但自主执行数周、数月乃至数年仍相距甚远。他设想，代理能够吸收反馈、与其他代理或人类协作，并在更长时间内安全地持续处理模糊任务。
• 企业应为次要职能租用智能，但要围绕自身差异化工作流掌握学习闭环。 这套运营模式不是效忠于某一个模型，而是建立自有评测、纠错数据、权限和跨模型编排，在“Fable 5”“GPT 5 6 Soul”和“Chimera 3”等模型之间调度，以优化每一步的准确率、成本和延迟。

10月3日

The a16z Show 为什么每家公司都需要拥有自己的智能

• The a16z Show AI 产品看似都在收敛到智能体循环、记忆、连接器、沙盒、网页搜索、电脑操作和通知，这可能只是新一轮基础配置的形成。 Erik 将其类比为，2005年的每家互联网公司都需要用户、数据库、用户资料和身份验证，Masad 对此表示认同。企业真正更难的机会，仍在于让智能体高效工作，同时保住数据主权、访问控制，并部署在客户自己的云中。

10月2日

Latent Space 递归语言模型——Alex Zhang，MIT 博士

• Latent Space Prime Agent 把 RLM 的理念落成了一种围绕 IPython、持久化状态和耐久子代理构建的框架架构。 每项能力都可以以代码形式加载，代理之间通过显式机制通信，文件系统则在可见提示词被压缩后继续保存上下文。Harvey 已经报告了在法律文档工作中运行 RLM 的强劲结果，其他项目也在把这一抽象应用于持续研究、DSPy 工具链和 ARC-AGI-3。
• Alex Zhang 代理蜂群如今已经可以用算力购买极难问题的解决方案，但经济性依然残酷，真正的难题在于编排。 节目讨论的 OpenAI 项目据称使用了10,000个代理运行88小时，生成1,300亿个输出 token；按公开价格计算约为4,000万美元，还未计入规模大得多的代理间通信流量。Zhang 怀疑“蜂群中95%绝对没用”，但仍认为能够把4,000万美元投入一个问题，本身就极其令人 …
• 近期最大的机会，可能是让今天的模型可靠地完成持续数月的琐碎工作，而不是等待下一次智能跃迁。 Zhang 认为，像 Astra 这样的头部模型在配备正确工具后，可能已经能做得多得多，包括执行漫长但简单的任务、提供类似实习生的协助；但语言模型接口和类似持续学习的工作流仍然不够用。他的简洁诊断是：“如果你肯下功夫，你的模型其实能做得更多，所以问题在技能。”

The a16z Show 为什么 AI 正在重塑企业采购一切的方式

• The a16z Show 决定自主化多快能进入生产环境的，不是模型的原始能力，而是信任。 Lio 从人机协同开始，吸收企业特定反馈，并逐步获得处理“1万美元、2万美元或10万美元”谈判的授权；涉及数百万美元的复杂案例，则有意保留工程师和采购专家。创业公司可以渐进式推进，而既有厂商一旦推出不可靠的自主化能力，可能损害已经建立的信任基础。
• 做出有说服力的 AI Demo 已经容易得多，但部署可靠的自动化仍然困难。 Lio 最初的产品是从报价单中提取信息并录入 SAP，这项工作过去需要创始工程团队完成，如今求职者8小时就能复现。然而，70%的准确率可能意味着人工审核者仍要做“100%的工作”，最终增加工作量，而不是实现自动化。

10月1日

苔藓之火 53. 为什么不是谷歌做出了Muse？- Lewis｜微软 / ex-Gemini

• Lewis 企业 Agent 真正难题不是聊天框，而是 memory、knowledge、permission 与 context graph 的组合。 微软的优势在于 SharePoint 沉淀了海量 PPT、文档和内部数据，但员工、双人对话、团队、公司拥有不同权限；如何把一次成功 trace 沉淀成 procedural memory，又只把安全内容从个人层“promote”到团队层，决定了 Agent 能否从个人玩具变成企业 …

9月30日

David Senra 从 HOA 管理到40亿美元营收、63亿美元收购 Amex GBT | Alexander Taubman, Long Lake

• Alexander Taubman Long Lake 的内部 AI 平台 Nexus，把横跨5个服务垂直领域的所有权转化为共享的技术优势。 其路由、安全和编排基础设施约70%-80%可以跨行业复用；难度更高的最后20%-30%需要工程师与一线员工并肩工作。一个 HOA 邮件工作流可能需要45分钟至1小时甚至更久，如今可以压缩至5-10分钟；这套能力现在也能直接用于旅行服务，因为55%的代理商咨询通过邮件到达。

9月29日

Shanghao Jin AI token demand

• Shanghao Jin 决定 AI 产出的不只是模型，而是程序、agent、agent 的任务拆分、模型与算力共同作用。 他重构约 45万—50万行交易级代码时，之前一天消耗约 2000—3000 美元 token，并把 Claude Code 的分工方式迁到自己的平台；Opus、DeepSeek、Soul 等模型混用后，效果往往好于押注一个最聪明的模型。“一个比较大的任务会调 70、100 个 …

9月23日

卫诗婕｜漫谈 Light the Star 89.当 AI 进入组织，那些「从没人说过的真相」｜与网易阮良聊 AI 原生组织与企业 Agent 实战

• 阮良 企业 AI 的核心资产不是通用模型，而是高质量知识库、历史决策留痕和可调用的业务流程。 网易将历史决策及其依据做成 Agent/Skill，再让它复判数百个旧案例，准确率超过 90%；最终目标不是让 AI 独断，而是把人的纠正重新写回系统，形成“人站在 AI 的肩膀上，以及 AI 站在自己的肩膀上”的进化闭环。

9月22日

屠龙之术 AI进入生产阶段之后， 智能、算力、芯片 会走向哪里？

• 屠龙之术 Agent 正在把 AI 的交付单位从“答案”改成“跑完的任务”。 业界共识已从单看 Model 转向“Agent＝Model＋Harness”：模型决定智能上限，Harness 负责上下文、路由、工具、记忆、执行、安全与评测。企业竞争也从“是否部署 AI”转向能否规模化、安全化、可治理地运行 Agent。