- 仅需几条大模型（LLM）指令和提示语即可轻松构建人工智能智能体（AI Agent），但在生产环境中，代码只是整个复杂系统中最微小的一部分。
- 企业的智能体数量可能迅速达到员工人数的 5-10 倍，导致失去控制和功能重叠。
- 存在 7 大“隐藏的基础设施债务”：集成、上下文池（context lake）、智能体注册表、衡量评估、人工干预（human-in-the-loop）、治理和编排。
- 碎片化的集成导致数百个独立的连接和令牌（token），容易出错、过期并造成智能体之间的数据不一致。
- 薄弱的上下文池导致智能体使用过时数据，且无法从决策轨迹中学习，从而重复犯错。
- 缺乏智能体注册表会导致出现大量重复且无人知晓的智能体，且没有版本管理或生命周期控制。
- 由于系统具有非确定性，衡量评估变得困难，难以评价性能、投资回报率（ROI）及随时间的改进。
- 人工干预缺乏标准化导致审批逻辑散乱，难以扩展且缺乏对关键行动的控制。
- 治理薄弱可能导致数据泄露、权限滥用，并且智能体的行动缺乏清晰的审计追踪。
- 编排是最大的风险点；当智能体以非确定性方式运行决策时，容易做出错误决定且难以追踪原因。
- 当扩展到全公司规模时，高达 50% 的技术资源可能不得不用于处理智能体周围的基础设施，而非开发产品。
📌 人工智能智能体开启了强大的自动化能力，但同时也创造了比以往微服务更复杂的新技术债层。面对从集成到编排的 7 大基础设施模块，企业可能需要投入高达 50% 的资源仅用于控制智能体系统。如果不尽早建立基础，随着智能体数量成倍于员工人数，数据泄露、生产故障和失控的 AI 成本等风险将迅速显现。
