AI Agent落地难？看看Block和GSK如何用“数字员工”彻底改变工作流-优快云博客

摘要： AI Agent（智能体）无疑是当下企业技术圈最炙手可热的词汇。然而，当Gartner的“期望膨胀顶峰”警告言犹在耳，许多人仍在质疑这阵风潮究竟是真实的技术革命，还是又一轮的泡沫。本文将深入剖析两家行业巨头——金融科技公司Block和制药巨头GSK的真实案例，揭示它们如何将Agent从概念转化为生产力，以及在落地过程中总结出的宝贵经验。

引言：从炒作到实战，Agent的价值正在被验证

“多智能体绝对是未来趋势，”Block的AI技术主管Brad Axen直言不D諱，“但我们正在探索一种既符合人类使用习惯又方便的实现方式。”

这种冷静而务实的声音，正是当前Agent领域所需要的。当许多供应商还在用PPT描绘宏大蓝图时，Block和GSK已经撸起袖子，在软件工程和药物研发这两个复杂度极高的领域，取得了实实在在的早期回报。他们的探索，为我们提供了一个绝佳的观察窗口，让我们得以一窥Agent在企业中落地的真实路径与挑战。

一、 Block的“Goose”框架：让每个员工都拥有一个“数字队友”

拥有Square、Cash App等知名产品的Block公司，员工规模超过一万名。如何为如此庞大的团队引入Agent能力？他们的答案是代号为“Goose”的可互操作智能体框架。

1. 核心理念：一个队友，而非一群机器人

与市面上许多让用户感觉在指挥一个“机器人军团”的Agent产品不同，Block从一开始就定下了截然不同的交互哲学。

“我们希望用户感受到自己只在与一个人合作，但这个人会在多个场景和方式中代表你行动。” —— Brad Axen

这意味着Goose被设计成一个统一的、拟人化的“数字队友”。它能整合公司内部的各种工具，压缩处理来自Slack、邮件等渠道的庞杂信息，并在需要时自主生成新的子Agent来处理高并发或大规模任务。用户面对的始终是一个单一的协作界面，大大降低了认知负荷。

2. 从软件工程切入，效果惊人

Goose最初的应用场景是软件工程。对于开发者来说，它是一个实时运行在开发环境中的得力助手，能够：

自主编码与测试： 根据LLM的输出进行搜索、导航、编写代码，并能自主读写文件、运行测试、安装依赖。
代码生成： 目前平台生成的代码量约占总量的90%。
效率提升： 通过自动化编码、调试和信息筛选，每周为每位工程师节省约10小时的工作时间。

目前，Goose已被Block内部4000名工程师使用，并且采用率每月翻倍，其价值得到了充分验证。

3. 技术揭秘与开源之道

Goose并非空中楼阁，它的技术选型和开源策略值得我们开发者关注：

技术基石： 构建于Anthropic的**模型上下文协议（Model Context Protocol, MCP）**之上。这是一套日益流行的开源API和端点标准，旨在将Agent与数据、工具和环境无缝连接。Axen甚至公开呼吁：“我希望Google能为Gmail提供公开的MCP，这会大大简化我的工作。”
开放姿态： Goose已基于 Apache License 2.0 (ASL2) 协议开源。这意味着任何人都可以免费使用、修改和分发，包括商业用途。这种开放性旨在建立一个活跃的社区，让工具能够跟上日新月异的模型和产品迭代。
易用性： 框架内置了桌面应用和CLI，并允许开发者构建自定义UI。它甚至能让非技术人员通过自然语言访问Databricks数据库并执行SQL查询，真正实现技术平权。

二、 GSK的实践：在不确定性中加速药物研发

如果说Block的场景是提升确定性工作的效率，那么制药巨头GSK则是在用Agent探索充满不确定性的科学前沿。

1. 挑战：当没有“标准答案”时，AI如何推理？

药物研发与软件工程最大的不同在于，很多时候并不存在所谓的“基准真相”（Ground Truth）。它是一个基于假设、不断探索、整合证据的复杂推理过程。

“我们不总是有绝对真相可依，否则我的工作会容易很多。” —— Kim Branson, GSK全球AI/ML负责人

面对从基因组学、蛋白质组学到可穿戴设备收集的海量异构数据，人类科学家几乎不可能进行全面分析。GSK的目标就是利用多智能体架构，加速这一迭代和发现的过程。

2. 解决方案：领域模型 + 本体 + 严格测试

GSK的智能体系统并非简单的LLM套壳，而是一套严谨的科学工具链：

领域特定模型： 他们并不过分依赖通用大模型。例如，GSK基于Cerebras从零开始构建了表观基因组语言模型，专门用于生物学领域的推理和训练。
本体（Ontology）： 结合本体（用于表示概念、属性和关系的知识图谱），让Agent能够理解复杂的生物学概念和逻辑，从而进行“如果这是真的，X意味着什么？”这类深层推理。
数据过滤： Branson强调，大的上下文窗口并非万能解药。“不能随意堆叠上下文，不能把所有数据丢进去就指望LLM自己搞定。”精准的数据过滤至关重要。

3. “偏执”的测试：交叉验证与从错误中学习

在制药这个人命关天的行业，可靠性是第一位的。GSK对Agent系统的测试堪称“偏执”：

并行验证： 他们通常会并行运行多个Agent副本和不同模型，执行完全相同的任务序列，然后由科学家进行交叉验证。这极大地降低了单一模型出现“幻觉”的风险。Branson分享了一个早期案例：一个SQL Agent在运行“1万次”后，莫名其妙地“造假”了一次数据。这次经历让他们深刻认识到冗余验证的必要性。
内部基准： 公开的学术基准往往无法反映真实世界工作的复杂性。因此，GSK建立了大量内部基准，生成生物学问题并评分，再用LLM进行验证和排名。
拥抱错误： “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。”他们将人类专家的判断置于关键环节，形成一个主动学习的闭环。

三、殊途同归：成功的AI智能体项目有哪些共同点？

尽管Block和GSK的应用领域天差地别，但他们的成功经验却指向了几个共同的关键原则：

流程大于技术： Axen强调，最大的瓶颈在于流程。“你不能仅仅给员工一款工具就期望其自动发挥作用，智能体必须反映员工已在使用的流程。”技术必须服务于人，贴近真实的工作流。
人类专家不可或缺： Agent不是要取代人，而是成为专家的“新表达工具”。无论是Block需要人工审核代码的合规性与安全性，还是GSK需要科学家在关键节点做出专业判断，人类的专业知识和经验始终是最终质量的保障。
人机交互是核心挑战： 如何让强大的AI能力在后台静默运行，同时提供一个简单、无感的交互界面，是Agent能否被广泛接受的关键。Block将此视为最难实现的部分。
开放与标准化是催化剂： Block对开源的拥抱和对MCP等行业标准的呼吁表明，一个开放、协作的生态系统将极大加速Agent技术的发展和落地。

结语

Block和GSK的案例雄辩地证明，AI Agent已经走出了概念炒作的阶段，开始在企业核心业务中创造真实价值。然而，成功并非一蹴而就。它需要深思熟虑的交互设计（如Block的“数字队友”），严谨的科学方法（如GSK的多重验证），以及一个共同的认知——技术终究是为人服务的，将Agent无缝融入现有的工作流程，并始终保留人类专家的核心地位，才是通往未来的正确道路。

对于广大开发者和技术决策者而言，与其等待一个完美的通用智能体出现，不如从现在开始，像Block和GSK一样，从解决一个具体的业务问题入手，将人和流程放在首位，开启自己的Agent探索之旅。