告别空谈！从Block与GSK实践中，提炼企业AI Agent落地的四大核心法则

最新推荐文章于 2025-11-25 12:11:01 发布

原创最新推荐文章于 2025-11-25 12:11:01 发布 · 805 阅读

CC 4.0 BY-SA版权

文章标签：

摘要： AI Agent的热潮之下，无数企业和开发者摩拳擦掌，却又常常陷入“不知从何下手”的困境。本文拒绝复述概念，而是深入Block的开源框架“Goose”和GSK的药物研发智能体两大前沿案例，为您提炼出四条经过实战检验的核心法则。这不仅是它们的成功秘诀，更是您在自己公司启动AI Agent项目时，可以参考的实战路线图。

引言：从“期望膨胀”到价值落地，我们需要的是方法论

Gartner的技术成熟度曲线将当前AI Agent置于“期望膨胀的顶峰”，这意味着行业即将迎来泡沫的破裂和冷静期的到来。要在退潮后依然屹立不倒，依靠的绝不是天花乱坠的宣传，而是坚实的方法论。

金融科技巨头Block和制药领军者GSK的探索，恰好为我们提供了这样的方法论。通过剖析它们截然不同却又殊途同归的实践，我们可以总结出构建企业级AI Agent的四大核心法则。

法则一：始于流程，终于人性 —— 设计决定成败

技术圈的一个常见误区是“技术本位”，即先开发一个强大的工具，再去找应用场景。在Agent领域，这是一条死胡同。

Block的实践： Block的技术主管Brad Axen一针见血地指出：“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。”

他们的智能体框架“Goose”的设计哲学完美体现了这一点。Goose没有被设计成一个功能繁杂的工具箱，而是作为一个“数字队友”。这个定位的转变至关重要：

单一交互入口： “我们希望用户感受到自己只在与一个人合作”，这极大地降低了用户的学习成本和心理负担。
融入现有工作流： Goose直接在开发环境中运行，能压缩Slack和邮件信息，这都是员工已经在使用的流程。它做的不是创造新流程，而是优化旧流程。

实战启示： 在启动你的Agent项目前，请先放下技术架构图，去和你的最终用户聊一聊。他们当前的工作流程是什么？痛点在哪里？你的Agent应该像一个无声的助手，无缝嵌入现有流程，而不是一个需要用户去学习和适应的“新系统”。

法则二：拥抱不完美，建立信任 —— 可靠性是生命线

大型语言模型（LLM）的随机性是其创造力的源泉，也是企业应用中最大的“雷区”。一次关键任务的“幻觉”或“造假”，就足以摧毁用户的所有信任。

GSK的实践： 在人命关天的药物研发领域，GSK对可靠性的追求近乎偏执。他们的经验极具参考价值：

冗余验证机制： 他们通常会并行运行多个智能体副本或不同的模型，去执行完全相同的任务序列。然后，由人类科学家对结果进行交叉比对和验证。
从事故中学习： GSK全球AI/ML负责人Kim Branson分享了一个宝贵经验：团队早期构建的SQL智能体曾在上万次运行中，出现过一次莫名其妙的数据“造假”。这次事故让他们警醒，并从此将冗余验证作为标准操作。
珍视错误： “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。” 错误不是要被掩盖的bug，而是完善系统、明确边界的绝佳机会。

实战启示： 不要盲信任何单一模型的输出。在你的Agent系统中，请务必设计“检查与平衡”机制。无论是引入多个模型进行交叉验证，还是在关键决策点强制要求人类审批，都应将建立信任和保障可靠性作为系统的核心功能，而非附加项。

法则三：通用与专用，因地制宜 —— 技术选型之道

市面上的模型和框架琳琅满目，是选择一个通用的开源框架，还是为特定任务从零构建专用模型？Block和GSK给出了两种不同场景下的标准答案。

Block的选择（通用框架）： 赋能全公司1万名员工，任务场景横跨软件工程、信息处理、销售营销等。这种**“广度优先”**的场景，最适合采用一个可扩展的通用框架。
- 技术选型： 基于开源标准MCP构建，发布为Apache 2.0许可的Goose框架。
- 优势： 社区驱动，快速迭代，易于集成不同工具和LLM，能赋能大量非技术人员。
GSK的选择（专用模型）： 聚焦于药物研发这一高度复杂的垂直领域。通用模型无法理解其深奥的生物学知识。这种**“深度优先”**的场景，必须走专用模型之路。
- 技术选型： 从零构建基于Cerebras的表观基因组语言模型，并结合**本体（Ontology）**进行知识推理。
- 优势： 知识精准，推理能力强，能处理特定领域的复杂因果关系。