AIAgent正在进入下半场:真正的竞争已经不再是模型能力

过去两年，我们讨论 AI 时最常问的问题是：哪个模型更聪明？GPT、Claude、Gemini，谁的推理更强？谁的上下文更长？谁的 benchmark 分数更高？但到了 2026 年，一个越来越明显的变化正在发生：企业开始不那么关心 AI“会不会回答问题”，而更关心它“能不能独立完成一件事”。这也是 Agentic AI，也就是智能体系统真正开始进入生产环境之后发生的变化。Frenus 最近发布了一期《Best of LinkedIn: AI & Agentic Systems CW 37/38》，综合整理了这一阶段大量关于 AI Agent 的讨论。其中有一个很值得关注的判断：

AI Agent 的竞争焦点，正在从 Prompt Engineering，转向 Architecture、Memory、Security、Governance 和 ROI。

换句话说：Agent 的上半场是“让 AI 会做事”，下半场则是“让 AI 可以被企业放心地使用”。

---

01

Agent 的核心问题，正在从 Prompt 转向 Memory

早期使用大模型时，我们经常研究 Prompt。怎样写提示词？怎样提供更多上下文？怎样让模型按照固定格式回答？但对于真正的 Agent，这些已经远远不够。因为一个能够长期执行任务的 AI，至少需要解决几个问题：它知道什么？它记得什么？它可以调用什么工具？它如何理解业务对象之间的关系？完成一项任务后，它能不能把经验留下来？因此，Agent 架构开始变得越来越复杂。Frenus 汇总的讨论中已经出现了所谓的Seven-Layer Agent Architecture，同时也有人提出五层 Memory 架构，希望解决 Agent 经常出现的“失忆”问题。一个成熟的 Agent 系统，可能逐渐包含：LLM↓Retrieval↓Tools↓Memory↓Workflow↓Knowledge↓Governance这其实意味着一件很重要的事情：大模型只是 Agent 系统中的一个组件。LLM 负责理解和推理。Retrieval 负责寻找知识。Tools 负责执行操作。Memory 负责保存上下文。Workflow 负责控制流程。Knowledge Graph / Ontology 则负责告诉 AI：这个世界里的对象到底是什么，以及它们之间是什么关系。这也是为什么原文特别提到：Ontology + Knowledge Graph 的价值正在重新上升。过去很多企业建设所谓 Semantic Layer，解决的主要是：“字段是什么意思？”但 Agent 真正需要理解的问题更复杂：谁负责这个对象？这个指标由什么规则计算？这个规则依赖哪些数据？某个异常可能由哪些原因引起？出现异常之后应该执行什么动作？这些已经不是简单的“字段解释”，而是：机器可理解的业务语义网络。所以未来企业 AI 的基础设施，很可能不只是数据库 + 大模型。而是：Data + Ontology + Knowledge Graph + Agent。

---

02

Agent 最大的问题，开始变成“权限”

如果一个聊天机器人回答错了一个问题，影响通常有限。但如果一个 Agent 拥有：数据库权限、浏览器权限、Shell 权限、邮件权限、企业系统权限……问题就完全不同了。因为 Agent 不再只是：Generate Text而是在：Take Action这意味着传统的大模型安全问题正在升级成：AI 系统权限管理问题。原文收集的案例中，出现了一些非常值得警惕的实验结果，包括模型绕过安全扫描、Agent 在测试环境中横向移动，以及模型在自己的摘要中留下影响后续行为的信息等。这些案例真正说明的问题并不是：“AI 会不会失控？”而是一个更加现实的问题：如果 AI 做错事情，我们有没有办法限制它？因此 Agent Security 的思路开始越来越接近传统 IT Security。例如：Agent IdentityLeast PrivilegeZero TrustSandboxAuthorizationAudit LogCircuit Breaker微软甚至开始推动 Agent Identity 的概念，为 Agent 建立类似“数字员工账号”的身份体系；Windows 365 for Agents 则进一步尝试让不同 Agent 运行在隔离环境中。这背后的逻辑其实很好理解。未来企业可能拥有：10 个 Agent，100 个 Agent，甚至 10,000 个 Agent。那么我们必须能够回答：哪个 Agent 做了什么？它为什么拥有这个权限？它访问了什么数据？谁批准了这次操作？发生异常后能不能立即停止？从这个角度看：Agent Identity 很可能会成为 IAM 的下一次扩展。过去我们管理的是：Human Identity。未来还需要管理：Machine Identity + Agent Identity。

---

03

真正困难的不是部署 Agent，而是“信任 Agent”

这是原文里我认为最有意思的一个矛盾：企业部署 Agent 的速度，正在快于企业信任 Agent 的速度。也就是说：大家一边快速尝试自动化，一边又不敢真正把权力交给 AI。于是就出现一种很奇怪的系统：AI 自动完成任务。↓人工检查。↓人工重新阅读。↓人工再次确认。↓最终人工点击 Approve。结果 AI 虽然加入了流程，流程却没有真正减少。原文引用的一个案例非常有代表性：一个由 10 个 Agent 支持的内容团队，反而花费了大量时间重新阅读 AI 产生的内容。这揭示了 Agent 落地中非常容易被忽视的问题：AI 自动化 ≠ 流程自动化。如果原来的流程是：A → B → C → D → E加入 AI 后变成：A → AI → 人检查 → B → AI → 人检查 → C → D → E那么企业得到的可能只是：更复杂的流程。所以真正好的 Agent 项目，并不是：“这个部门部署了多少个 Agent。”而应该问：我们到底删除了多少步骤？这也是 Frenus 文章中非常值得记住的一句话所表达的核心思想：Agentic AI 的价值，不应该用部署数量衡量，而应该看它消除了多少工作步骤。

---

04

Token 越来越便宜，但 Agent 不一定越来越便宜

还有一个非常容易误解的问题：模型调用成本一直在下降。于是很多人自然认为：AI Agent 成本也会越来越低。但实际情况并不一定如此。因为 Agent 并不是只调用一次模型。一个复杂任务可能需要：Planning↓Search↓Retrieval↓Tool Call↓Reasoning↓Verification↓Retry↓Reflection↓Final Answer一次任务可能产生几十甚至几百次模型调用。如果是 Multi-Agent：一个 Agent 规划，一个 Agent 搜索，一个 Agent 执行，一个 Agent 验证，甚至还要再增加一个 Agent 负责监督。于是就出现一个很有意思的现象：Token 单价下降了，但 Workflow 成本反而可能上升。这也是为什么现在开始出现一个新的概念：AI Tokenomics。企业不能只计算：每 100 万 Token 多少钱。而应该计算：完成一个业务结果，需要多少钱？例如：处理一张发票的 AI Cost。解决一个客户问题的 AI Cost。分析一个合同的 AI Cost。完成一次代码 Review 的 AI Cost。生成一个采购决策的 AI Cost。真正有意义的单位应该逐渐从：Cost / Token变成：Cost / Outcome。这和传统 IT 的成本逻辑其实完全不同。未来衡量 AI 系统，很可能同时看：AccuracyLatencyToken CostTool CostHuman Review CostSuccess RateRetry Rate最终形成一个指标：Cost per Successful Task这可能才是 Agent 时代真正重要的 FinOps 指标。

---

05

AI 时代最重要的能力，反而越来越“不像 AI”

Agent 越来越强之后，还有一个很有意思的变化。开发者最重要的能力，可能不再只是：写代码。而越来越变成：写清楚需求。阅读 AI 输出。识别错误。判断结果是否可信。Frenus 汇总的讨论里甚至直接提到：Spec Writing 和 Critical Reading 正在成为开发者越来越重要的能力。这其实非常符合 AI 发展的逻辑。过去：人 → 写代码 → 机器执行未来可能变成：人 → 写 Specification → AI 写代码 → AI 执行人的位置向上移动了一层。因此真正重要的问题变成：你能不能把问题定义清楚？你能不能告诉 AI 什么是正确？你能不能判断 AI 的结果是否合理？你能不能设计约束条件？你能不能识别那些“看起来很正确”的错误？于是出现一个看似矛盾的趋势：AI 越聪明，人类的 Judgment 越重要。

---

06

从这轮 Agent 热潮，我看到的三个长期趋势

把这几十条信息放在一起看，我认为真正重要的不是某一个 Agent 产品，而是背后的三个变化。第一，AI 正在从“工具”变成“系统参与者”Copilot 时代：人发起任务，AI 辅助。Agent 时代：AI 开始主动规划、调用工具、执行任务。因此 AI 不再只是 Software Feature。它逐渐成为：Digital Actor。这会影响企业的软件架构、安全架构和组织架构。

---

第二，企业 AI 的核心竞争力会逐渐从 Model 转向 Context企业之间最终使用的大模型可能差别并没有想象中那么大。大家都可以调用类似的基础模型。真正不同的是：你的业务知识。你的数据。你的流程。你的 Ontology。你的 Knowledge Graph。你的历史经验。你的权限体系。你的治理机制。也就是说：Model 会逐渐商品化，而 Context 不会。未来企业 AI 的护城河，很可能不是：“我们用了什么模型。”而是：“我们的 AI 到底理解多少自己的业务。”

---

第三，Agent 的终点不是更多 AI，而是更少流程这是我认为这篇文章最值得思考的一点。企业很容易陷入一个数字化时代反复出现的误区：上线系统 = 数字化。部署 Copilot = AI 转型。部署 Agent = Agentic Enterprise。其实都不是。真正的问题应该始终是：这个流程是不是更简单了？这个决策是不是更快了？人工操作是不是减少了？错误是不是减少了？业务结果是不是改善了？如果一个 Agent 上线以后，多了三个 Dashboard，多了两个审批步骤，多了一套 Monitoring，还需要一个人天天检查 AI，那么它可能只是：把自动化变成了另一种复杂性。

---

写在最后

如果说 2023—2024 年的关键词是：LLM2024—2025 年是：RAG / Copilot那么 2026 年越来越明显的关键词正在变成：Agentic Systems。但 Agent 真正进入企业之后，我们会发现：最难的问题已经不是：AI 能不能做。而是：AI 知道什么？AI 记得什么？AI 能做什么？AI 被允许做什么？AI 做错之后怎么办？AI 做完之后到底创造了多少价值？于是技术讨论最终又回到了几个非常传统的话题：Architecture。Data。Security。Governance。Process。ROI。这也许就是 Agentic AI 从 Demo 走向 Production 最明显的标志：当大家不再只讨论模型有多聪明，而开始认真讨论权限、数据、成本和责任时，AI 才真正开始成为企业基础设施的一部分。

---

参考阅读：Thomas Allgeyer / Frenus《Best of LinkedIn: AI & Agentic Systems CW 37/38》2026 年 9 月 24 日发布。