约 88% 的 AI 试点没有进入生产环境,AWS 的判断很明确:多智能体项目卡住的根源,往往不是模型不够强,而是团队把协作当成模型问题,却没有建立分布式系统的工程能力。十个各自可靠 95% 的步骤串起来,端到端可靠性可能只剩 59.9%;步骤增加到二十个,理论可靠性会进一步降至 35.8%。

这组数字来自简化模型,但它揭示了一个值得重视的事实:每增加一次智能体交接,系统就多一层出错概率。模型数量越多,不等于交付能力越强。

这是什么

多智能体系统,是让多个各自负责特定任务的 AI 智能体协同完成工作。它们可以依次传递任务,也可以根据条件选择不同协作路径;前者由开发者预先规定步骤,后者允许模型在运行时决定下一步。

AWS 将协作方式分为两个层级。Tier 1 是固定流程,例如先提取信息、再加工、最后校验,路径由开发阶段定义,运行成本和排错难度相对可控。Tier 2 是动态流程,由模型现场决定调用谁,更适合无法提前定义步骤的任务,但会增加调用成本、响应延迟和排错难度。

文章还总结了顺序流水线、条件工作流等模式。条件工作流可以设置有限重试,例如代码生成后自动测试,失败就返回修改;超过重试上限后交给人工,而不是让系统无限循环。

行业怎么看

AWS 的实践建议是:默认从固定流程开始,只有当子任务确实会在执行中动态出现时,再采用模型自主决定路径的设计。对企业来说,这意味着先回答三个问题:任务是否需要多个智能体、每个智能体是否拥有明确且互不冲突的职责、失败后由谁接管。

我们认同这一判断。多智能体并不是更高级的单智能体版本,而是更复杂的软件架构。它天然带来状态同步、权限边界、异常处理和责任归属等问题。制造业尤其敏感,因为节拍时间、现场数据和安全边界会直接决定哪些任务必须自动化,哪些环节必须保留人工确认。

但这套方法论不能掩盖基础模型能力、输入数据质量和业务规则清晰度的影响。固定流程可以降低协作风险,却无法修复一个经常误判的模型;动态调度也能处理未知步骤,但前提是团队具备足够的日志、测试与故障定位能力。AWS 给出的架构分类是有用起点,不是生产就绪的保证。

对普通人的影响

对企业 IT:企业采购智能体方案时,评估重点会从模型榜单转向流程可靠性、权限控制、失败重试和人工接管。能够说明系统如何出错、如何止损的团队,比单纯承诺自动化程度的方案更值得合作。

对个人职场:重复流程中的单点工作更可能被重新编排,人工价值会更多集中在目标判断、异常处理和跨部门协调。不过,上述 88% 的未落地比例也说明,短期内更现实的变化是岗位任务重组,而不是整份职业被一次性替代。

对消费市场:客服、售后与软件服务会逐步采用多步协作,但消费者将更常遇到系统转交失败、重复提交和等待时间增加。服务商若没有设置清晰的人工入口,即使智能体数量再多,也不一定带来更好的体验。