企业AI Agent战略级规模化落地方法论，Agentic AI Stack for Enterprises

当前关于AI Agent的技术栈有很多，但真正能够用于企业的并不多。每一种技术框架和工具说起来都是非常优秀，但真要应用到企业中时却总是捉肘见襟。想要把最新技术应用到现实业务场景与技术环境，中间还需要跨越很大的门槛。

每个企业的数字化程度不同，技术环境不同，对于技术的引入与融合也会有很大的不同。对于更多持续引入应用各种先进技术的企业来说，引入新技术并不难，难的是如何把新技术与原有业务进行妥帖的融合。对于当前大模型的应用而言，就是如何把AI Agent和大模型引入并与已有业务系统进行完美融合，这是大部分企业的纯刚性需求。

对于企业经营而言，技术只是支持业务更好运转的一部分。新技术作为战术实施用来优化业务流程，而基于某种技术的企业战略方是支撑企业运营的长久之计。所以对于AI Agent这样的能够高效变革企业经营的技术，企业最好能够从更高的战略层面去看待它的应用，这样关于Agentic AI的战略应用也开始被更多企业管理者进行探讨。

在这个前提下，一些面向企业战略的Agentic AI架构也由此而生。上篇文章，王吉伟频道介绍了能够提升编码Agent能力的优秀技术堆栈AI赋能栈AI Enablement Stack，得到了很多读者的关注。

这篇文章，向大家推荐一个面向企业的AI Agent技术栈：Agentic AI Stack for Enterprises。

这是由Agentico创始人Oliver Morris与变革管理专家Simon Torrance合作开发的综合框架，从战略企业角度映射了新兴的Agentic AI生态系统。旨在为企业提供一个战略视角来理解Agentic AI生态系统，揭示了成熟和新兴的技术类别，能够帮助企业理解这个新行业，识别机遇并为Agentic AI的大规模部署和员工转型提供路线图。总体是一个三层结构，分为九阶段：

参与层：关注AI如何与用户和系统交互，包括接口和第三方Agent。 

能力层：包含核心的AI功能和控制，包括控制、编排 、智能和 工具 ，其中工具包含新兴的 下一代RPA和流程挖掘。

数据层：支持学习和问责制的基础系统，主要包含记录系统，Agent工作核算是其中的新兴子类别。

Oliver Morris专门写了一篇文章介绍这个框架，指出“Agentic AI的成功20%靠技术，80%靠变革管理。” 这强调了非技术因素（组织结构、治理、文化等）在Agentic AI部署中的关键作用。因此缺乏清晰的战略假设和变革管理，技术堆栈的价值有限甚至存在风险。

需要说明的是，这个框架的重点不在于技术，而是强调成功Agentic AI实施需要技术和变更管理的结合，进而帮助企业建立生态系统合作伙伴关系和战略能力。该框架从更广阔的Agentic AI战略视角看待Agent的部署与应用，尤其适合企业在现有业务系统下部署实施Agent的技术选型参考，值得企业管理者与开发者理解与掌握。

关于该框架，这里附上Oliver Morris介绍它的原文供大家参考和学习。

当技术人员专注于Agentic AI 的实现时，成功的企业领导者则有着更宏大的思考——生态系统合作、供应商选择，以及战略能力的构建。

Agentico创始人olivermorris与变革管理专家Simon Torrance合作，开发了企业Agentic AI技术堆栈Agentic AI Stack for Enterprises，一个从战略企业视角描绘这个Agentic AI生态系统的综合框架。

Agentic AI Stack for Enterprises揭示了这个新行业中既成熟又新兴的各类技术层面。有些层面充满创新活力，而另一些则几乎空白，蕴藏着巨大的机会。

该技术栈分为三个层级：

• 交互层（Engagement）：AI如何与用户和系统交互。
• 能力层（Capabilities）：AI的核心功能与控制。
• 数据层（Data）：支撑学习与问责的基础系统。

实现Agentic AI的成功，技术只占20%，剩下的80%是变革管理。

该框架帮助企业将机会置于正确的战略环境中：

• AI-人类团队的动态自组织
• 具备低边际成本的可扩展智能
• 企业范围的知识放大
• 提升运营韧性

那些现在开始建立生态合作关系的组织，将在未来具备最强的能力构建和竞争优势。

技术栈详解

所有技术要素的底层，是一个关键的基础组成部分：一个连贯而稳健的商业Agentic AI战略。

这是一种假设，旨在与企业的整体战略保持一致。它明确Agentic AI的愿景与目标，提出部署场景、成功路径和实现目标所需的运营模型。

                         Agentic AI Stack for Enterprises架构汉化（机翻）

所谓“运营模型”，不仅包括技术栈中描述的技术要素，还涵盖实现目标所需的非技术性技能、组织结构、指标、治理和变革流程。

显而易见，Agentic AI的成功或许只有20%是技术，80%则是变革管理。

如果没有这些基础的、非技术性的要素支撑——以清晰、可验证的战略假设的形式加以明确——那么技术栈中的组件将价值有限，甚至存在风险。

由于篇幅限制，本文无法详尽解释每一层及其子组件，详细说明留给客户。下文会简要描述每一层、突出重要子类别，并列举一些具有代表性的创新公司。

1. 交互层（Engagement Tier）

  第1层：界面（Interfaces）

这是至关重要的第一层，AI服务在此与用户对接，无论是消费者、企业客户、企业员工（业务或 IT）还是其他非人类系统（如AI Agent或IoT设备）。应实现自然、可控的交互，同时保障可访问性与安全性。

新兴子类别：市场与发现API（Marketplaces & Discovery APIs）

这类平台用于发现、评估和集成AI Agent，实现合作企业、供应商和客户之间的连接。目前这些市场平台仍处于初级阶段，但随着AI Agent在垂直行业中的普及，它们将快速成熟以满足需求。

代表创新者：Agent.ai

由HubSpot CRM 创始人打造，这是一个AI Agent的市场平台，用户可在其中发现、连接并雇佣AI Agent完成各种任务。

  第2层：第三方Agents（Third-Party Agents）

Agent本身（单体或多体），帮助企业以更高效、创新的方式服务其终端用户。

新兴子类别：企业到AI Agent（B2A，Business-to-Agent）

随着AI Agent的普及并获得代表用户进行采购的能力（在权限范围内），它们自身也将成为特定服务的“客户”。这一市场尚属全新领域。创业加速器Y Combinator最近已为该领域的创业者提供投资支持。

代表创新者：暂无（目前市场仍为空白

2. 能力层（Capabilities Tier）

  第3层：控制（Controls）

确保AI Agent在政策范围内安全、合规和伦理运行的保障层。该层设置安全护栏、监控合规性、维护审计日志，以建立信任、防止误用并避免意外后果。

新兴子类别：验证与政策合规

由于生成式AI模型输出具有概率性，不能完全准确，因此可以将政策与法律文件转化为规则集合，并用于对模型输出进行交叉验证。这类“形式化验证”与合规机制可提升用户信心，使 AI 承担更多关键任务。目前该领域参与者极少，有望迎来爆发。

代表创新者：Amazon Automated Reasoning

此工具支持将AI 输出与既定政策对比验证，识别错误并确保合规。借助自动推理技术提供数学级的正确性证明，降低“幻觉”风险，增强信任。

  第4层：编排（Orchestration）

负责协调AI Agent之间及其与人类之间协作的引擎。涵盖部署、监控和工作流管理，以最大限度提升生产力并保障可靠性与可问责性。

新兴子类别：微调（Fine-Tuning）

将预训练模型通过特定数据集再训练以适应特定任务或领域。当前的微调多针对个别模型服务企业特定需求，但研究表明也可以对Agent团队进行微调，让多个Agent既具专业性又能协作。

代表创新者：Predibase

为小型语言模型提供微调服务，帮助企业将AI 模型定制化用于特定场景。

  第5层：智能（Intelligence）

提供推理与语言能力的认知层，既包括OpenAI等外部服务，也包括企业自有模型。必须具有灵活性和可升级性，以跟上技术演进的步伐。

新兴子类别：Agent运维（Agent Ops）

涵盖Agent的监控、错误报告、持续评估与部署。随着AI Agent具备更强自主性并执行更复杂任务，其服务水平也需自动化监控与管理。Agent Ops为Agent生命周期提供结构化监管手段。

代表创新者：LangSmith

提供实时监控、分析与优化AI Agent行为的工具，增强Agentic AI应用的可观察性与可靠性。

  第6层：工具（Tools）

支持AI Agent与企业系统交互的执行层。通过API或标准界面（包括支付处理等关键能力）提供安全的数据访问与操作权限。

新兴子类别：下一代RPA与流程挖掘

RPA（机器人流程自动化）与流程挖掘（Process Mining）是Agentic AI 可以借力的现有技术。在大型企业中，RPA 通常用于自动化重复、规则驱动的任务。AI Agent通过推理能力可进一步扩展这种自动化。流程挖掘则用于分析业务流程并识别可自动化的低效环节，从而明确Agentic AI 的应用机会。

代表创新者：UiPath，国内如实在智能、容智信息、金智维等

成熟的自动化平台，传统上自动化人类重复的数字任务。如今结合AI 视觉与 API，UiPath 支持构建能理解并执行复杂企业流程的AI Agent。

3. 数据层（Data Tier）

第7层：记录系统（Systems of Record）

为企业记忆和持续性提供技术基础。记录交互历史、追踪决策、管理成本，使AI Agent能够从经验中学习，并为企业长期战略提供支持。

新兴子类别：Agent工作核算（Agent Workforce Accounting）

当前的Agentic系统多被限制在权限和交易能力上。但随着它们开始涉及财务决策，将有必要追踪其直接成本与行为决，可以称之为“Agent工作核算”。目前仅发现一家探索者，未来会有更多现有会计系统扩展到此领域。

代表创新者：Workday 的 Agent System of Record，用于管理和评估组织内AI Agent的系统，确保其行为符合企业目标与合规要求。

其他供应商与创新者

在这项工作中，Agentico建立了一个详尽的创新企业与供应商数据库。其他相关的企业列表和目录大多组织混乱、不完整，甚至包含非Agentic解决方案。这一领域，目前已经出现一些特别具有创新性和重要性的企业，参与的玩家也已不少。

同时一些大型科技公司正在横跨多个层级展开竞争，市场正在形成“控制点”之争。虽然大规模投入最终有利于企业客户，但由于供应商能力难以验证，这也造成一定困扰。

因此，不建议将所有资源投入单一供应商。多供应商战略更为合理。

企业领导者应明确，哪些界面、能力与数据是战略资产，哪些则为通用商品。前者应倾向内建，后者可以外包。因此，稳健的商业Agentic AI战略将为这一判断提供依据。

主要创新优势

• 该框架与技术栈（以及后续版本）旨在支持以下潜在的变革式发展：
• 高效的人机协作：人类与AI 团队可依据各自优势自组织并动态分工。
• 可扩展智能：企业能力可在不增加等比例人力与成本的前提下实现倍增。
• 知识放大：最佳实践与专业知识可被捕获、增强并在企业中一致部署。
• 运营韧性：混合劳动力可应对需求高峰与复杂性，同时保持质量与效率。
  支持新兴的Agentic AI生态系统

此技术栈为多方利益相关者提供指导：

对企业而言：

• 提供从基本的生成式AI 到真正大规模利用Agentic AI并最终实现劳动力转型的路线图
• 帮助评估和定位供应商解决方案
• 明确能力差距与优先级

对供应商而言：

• 阐明当前产品之外的市场机会
• 指导下一代企业级AI产品开发
• 支持集成式解决方案建设

对投资人和创业者而言：

• 揭示超越当前GenAI应用的高价值机会领域
• 识别未被充分服务的细分市场

为战略投资提供背景依据

展望未来

向混合人机劳动力的转型，可能是自第一次工业革命以来最深刻的组织变革。

大多数企业仍专注于高级分析和基础生成式AI，前瞻性的企业高管已经把Agentic团队（Agentic Teams ）作为战略必需。

他们意识到，未来的竞争优势将取决于企业如何高效融合人类与人工智能。

Agentic AI Stack for Enterprises旨在为实现这一混合劳动力的愿景提供架构基础，使AI Agent不再只是工具，而是真正的团队成员。

那些现在开始构建这些能力模式的企业，将能以近乎零边际成本为利益相关者创造新的价值层级，彻底改变其行业的经济结构。

工作的未来既非纯人工也非纯智能，而是两者之间无缝协作。现在，已经到了为这个未来做准备的时候了。

参考资料：The Agentic AI Stack for Enterprises：​​​https://www.agentico.ai/post/the-agentic-ai-stack-for-enterprises​​​

本文转载自​​​​​​王吉伟​​​​​​，作者：王吉伟​