有选择地专精：如何构建能在生产环境中稳定运行的智能体

打造一个演示级智能体从未如此之快。接入一个能力强大的模型，配上几项工具，半天之内，就能让它预约会议、起草回复或按需调取报告。问题会在之后出现。客户体验副总裁、运营负责人、平台负责人——无论谁负责让这个智能体在企业规模下稳定运行——都会碰到瓶颈。演示中表现良好的方案，一旦面对真实的业务量和风险，就会变得缓慢且难以预测。很少是底层平台出了问题，而是上层架构的问题。

瓶颈：一个智能体包办所有事

第一个智能体成功后，自然会想不断给它加码：更多工具、更多上下文、更广的职责范围。既然它能做好一项工作，当然也能做好十项。

这种想法会造成瓶颈。当一个智能体要在广泛范围内负责规划、执行、记忆和复盘时，多个问题会同时出现。

它的决策会变慢，也更难引导，因为每一步都要在同一个上下文窗口和同一次推理中争夺空间。随着可用工具数量增加，工具选择也会变得不可靠，准确率往往会下降。系统还会变得脆弱，因为第一步的小误解无人核查。职责之间没有边界，早期错误就会悄悄污染后续所有环节。

设想有一个 语音智能体，从头到尾处理呼入的保险理赔电话。在一次通话中，它要核实来电者身份、调取正确保单、确认承保范围、解读理赔申请、估算可能的赔付金额、记录互动内容，并决定是否转交人工处理。演示时，来电者配合、线路清晰，它能顺利完成所有任务。但在生产环境中，嘈杂的移动网络可能让它在第一步就听错来电者姓名。智能体无法恢复，调取了错误保单，自信地推断客户并不具备的承保范围，并为客户从未购买的方案报出赔付金额。从听到姓名到据此采取行动之间没有任何检查环节，一次转录失误就变成了向客户当面说出的错误承诺。

在受监管行业，这不仅是一次糟糕体验，更是附带责任的合规事件。这也是智能体可保险性正成为生产部署前提条件的原因之一，也是我们将 ElevenAgents 打造成首个可通过 对话式 AI 平台，经由 AIUC 获得 AI 保险资格。

看看真正出了什么问题。智能体并不擅长不了对话，而是无法独自承担所有职责，在理解信息和采取行动之间没有检查点。解决办法不是降低目标，也不是让智能体少说话，而是建立结构。

这里需要说得更准确些。这主要不是模型本身的局限。更强的模型可以提高上限，却无法消除结构性问题。这是系统设计问题。

思维模型：部门，而不是事必躬亲的 CEO

想想一家公司如何成长。如果 CEO 亲自决定工程、营销和 HR 的每一项事务，公司很快就会停滞不前。解决办法不是聘请一个更聪明的 CEO，而是组建职责清晰的专业团队。

同样的逻辑也适用于 AI 系统。与其使用一个庞大的智能体，不如将系统拆分为职责有限的专业智能体。一个负责检索数据，一个负责编写代码，一个只做事实核查。每个智能体的关注范围更窄，因此单次决策成本更低、速度更快，也更值得信赖。

这些都不需要专门的基础设施。我们的平台 ElevenAgents 已经提供了 所需的构建模块：以对话智能体为核心，用工具调用进行查询和更新，在职责范围变化时通过智能体转接实现顺畅交接，以知识检索确保内容有据可依，再通过工作流连接各个部分。要做好这一点，关键在于有目的地使用这些基础能力，而不是将所有职责塞进一个提示词里，再期待它能稳定运行。

这就是多智能体架构的吸引力，而且对于合适的工作，它确实有效。以联络中心为例：假设你要为昨天的 10,000 通客服来电进行质量评分。工作可以清晰拆分：一个智能体检查客服人员是否遵循合规话术，另一个评估同理心和语气，另一个标记本应升级处理的通话，还有一个提取客户来电原因。这些判断彼此不依赖，都可以针对同一份转录文本并行执行。这正是多智能体最适合的场景：各部分相互独立，工作以阅读为主，将每项判断隔离在各自上下文中，反而能提升判断质量。

必须正视的权衡

多智能体并非零成本的收益。任何评估这种架构的技术负责人，在决定采用前都会——也应该——审视协调成本。最重要的注意事项是：

最常见的失败模式是上下文碎片化。当你将任务拆分给无法共享完整上下文的智能体时，每个智能体都只能基于局部视图行动，其决策可能产生协调器无法调和的冲突。

实时对话中也会出现同样的陷阱。设想一次催收电话被拆分为谈判智能体和合规智能体，两者不共享状态。谈判智能体为了提供帮助，向客户提出 6 个月分期付款方案。合规智能体从未见过这一提议，因客户所在地区规定此类方案最长只能为 3 个月，本应拒绝。每个智能体在各自负责的部分都表现合理，但合在一起，却向真实客户实时作出了公司无法兑现的承诺。问题不在于模型不够强，也不在于语音层，而在于两个狭窄的视图从未汇合。

解决办法不是增加更多智能体，而是保持对话完整，并在作出承诺前让智能体将合规规则作为工具查询。这样，规则和提议会在说出口前交汇。这是一个设计选择，而一个能力强大的平台会让它更容易实现。

实际结论是，选择取决于任务。多智能体擅长各部分真正独立、可并行且以阅读为主的工作——研究、检索和验证。它不擅长高度耦合、所有内容都必须保持一致的工作，例如编写一整段代码。对于实时语音流程等对延迟敏感的场景，每增加一次智能体跳转，都会在紧张的时延预算中增加往返时间，因此默认应避免过深的智能体链路。这也是基础设施的重要之处。ElevenAgents 将语音识别、轮次管理和语音生成部署在同一套技术栈中，因此在加入任何编排开销前，基础延迟已降至最低。

真正驱动 ROI 的因素

从智能体获得实际回报的团队，通常不是选择最聪明的单一模型并期待它独自承担所有工作的人。它们会有意识地做出架构决策：哪些地方需要专业化，哪些地方应保持在同一个连续上下文中，以及智能体必须协作时该如何协调。

换言之，答案很少是“一个巨型智能体”，也很少是“拆分一切”。答案是选择性专业化。收益来自在恰当位置划定边界，而不是智能体数量或某个智能体的能力。工作高度耦合、上下文必须连续时，应由单个智能体处理；工作可并行、上下文能清晰隔离时，再拆分为专业智能体。

建议

对于即将开展的项目，不要先选架构，而要先梳理工作内容。

列出系统实际需要的具体能力。标记哪些部分真正独立，哪些部分高度耦合。找出隔离上下文是优势而非负担的地方——例如，你希望事实核查环节与主要推理链路分开。然后，也只有到这时，才决定哪些职责应拆分给独立智能体。

以生产环境中的贷款还款提醒热线为例。实时对话应留在一个连续的智能体中，因为客户说的话、语气和来回交流高度耦合，且每多一次跳转都会增加来电者能感受到的延迟。围绕这个单一的对话核心，可以接入不打断流程的边界明确的专业能力：用于获取账户和未偿余额的工具调用、在说出任何还款提议前由智能体查询的合规护栏、需要时顺畅转接人工，以及一批独立的评估智能体，在次日早晨为录音评估质量和风险。

对话高度耦合，因此保持完整。查询、检查和评分彼此独立，因此各自应有明确边界。这是选择性专业化，而不是为了拆分而拆分，并且能直接对应优秀智能体平台已经提供的基础能力。

这样做，就能获得专业化的优势，而无需承担不必要的协调成本：行为可预测、故障可控，以及系统复杂度是经过主动选择，而不是在生产环境中才被迫发现。以这种方式使用时，智能体平台不会是一个随着规模扩大而愈发不稳定的演示方案，而会成为一种基础设施：为每个部分赋予清晰职责后，系统会更加稳定。这正是我们打造 ElevenAgents 的目标。