拥有你的智能：持久AI优势的关键

核心要点

• 仅靠通用AI无法带来持久的竞争优势
• 企业需要掌控自己的模型、智能体系统、上下文和记忆
• 拥有智能还意味着管理其成本、质量、风险和行为
• 优势来源于一个随使用不断改进系统的反馈闭环
• 购买通用基础设施，但拥有能够持续积累的智能

未来五年，每家公司都将以两种方式之一使用AI：要么用于运营业务的关键环节，要么作为向客户销售的产品的一部分。无论哪种方式，通用智能都不够用。

要产生真正的影响，企业需要拥有自己的智能。拥有并不意味着从零构建每一层。它意味着掌控那些决定智能如何表现、如何被管理、以及能否随时间不断积累的关键部分。

现成的智能不了解你的业务

现成的AI之所以有用，是因为它具有通用性。它能回答常见问题，并在广泛的主题上进行推理。这使得它便于上手。但假设通用智能能够运营一家公司的内部业务，那就大错特错了。

每家公司在运营方式上都有许多独特之处。AI嵌入公司越深，这些独特之处就越重要。如果你希望将AI作为公司运营的核心部分，这些细节至关重要。

举一个具体例子：假设一家大型保险公司使用AI来协助处理理赔。一个通用模型可以阅读保单文件、总结理赔内容、解释常见的承保概念。但要真正完成理赔处理工作，取决于保险公司自身的保单措辞、各州监管要求、欺诈信号、历史理赔模式、升级规则、客户分级和风险承受能力。这些细节不会存在于通用模型的权重中。通用模型知道“免赔额”这个词的含义，但它不知道如何针对这位客户、在这个司法管辖区、依据这份保单、基于这些证据来处理某一特定类型的理赔。

同样的逻辑也适用于AI本身作为产品的情况。如果你是一家垂直AI初创公司，正在构建AI支持代理、法律助手或编程代理——基础模型并不是你的产品。其他人也能调用同一个API。你的产品是围绕模型构建的系统：它所处理的工作流程、它检索的上下文、它能使用的工具、定义质量的评估体系、它积累的记忆，以及每次客户交互中不断改进它的反馈闭环。

在这两种情况下，优势都不在于通用智能，而在于针对特定业务场景调适的智能。

任何公司都能使用AI。但通用智能不足以带来有意义的投资回报或构建差异化的产品。围绕AI构建的公司将拥有自己的智能。

拥有自己的智能意味着什么

拥有自己的智能并不意味着自己构建AI技术栈的每一层。它意味着掌控关键部分——那些决定智能如何表现、从什么中学习、成本多少、以及能否随时间改进的部分。

这里有一个有用的类比：供应链。零售商不需要自己制造所使用的每一辆卡车、轮船或仓库机器人。但它确实需要拥有那个决定采购什么、库存如何流动、需求如何预测、客户体验如何交付的系统。

AI也是如此。你可以购买模型、算力和基础设施。但你需要拥有那个将这些输入转化为针对你业务定制的智能的系统。

这包含三个部分：掌控智能体系统；拥有经济性、质量和风险；以及让智能随时间不断积累。

掌控智能体系统

智能体是原始智能与实际工作之间的桥梁。模型提供智能。控制系统（harness）决定智能如何被应用。上下文告诉系统在特定情境中什么最重要。

第一层是模型。拥有模型可以意味着在主权、可移植性或部署控制至关重要时使用开放权重模型。它也可以意味着保持模型的可选择性：随着质量、成本、延迟和隐私要求的变化，能够在不同供应商之间切换。可选择性是防御性的，因为它避免了锁定效应；它也是进攻性的，因为它让你能在最好的模型一出现时就采用它。

第二层是控制系统（harness）：将模型输出转化为行动的业务编排逻辑。控制系统掌控着上下文使用方式的一切：路由、工具调用、工作流步骤、技能等等。公司特有的行为大部分存在于这一层。如果控制系统是封闭的，你就是在接受别人对你智能体应该如何工作的假设。

第三层是上下文本身。上下文是让通用智能变得具体的东西：文档、政策、工具、技能、用户偏好、组织级知识以及记忆。记忆尤其重要，因为它是系统随时间推移变得越来越有用的方式。

如果你不拥有上下文和记忆，你就不拥有系统所积累的智能。

要拥有智能体系统，你需要对全部三层拥有控制权：模型、框架和上下文。

掌控经济性、质量和风险

一旦AI开始承担实际工作，企业就需要像管理任何其他操作系统一样管理它。这意味着控制工作成本、衡量工作质量、界定系统可以在哪里行动，以及了解系统行动后发生了什么。

成本很重要，因为智能只有在相对于其产生的回报而言足够便宜时才有价值。随着AI采用的迅速增长，成本也在上升——以Uber的警示故事为例。

能够锁定成本——无论是在用户、组织还是智能体层面——都是可靠扩展AI的关键。

质量需要被衡量，而不是被假设。如果你升级了模型、更改了提示词、添加了工具或调整了工作流程，你需要知道系统是变好了还是退步了。如果你无法衡量这一点，你就无法系统地改进你的智能体，这意味着你无法真正控制和拥有它。

边界界定了AI可以在哪里独立行动，在哪里需要监督。企业需要控制智能体可以访问哪些数据、可以使用哪些工具、哪些操作需要审批，以及何时应该升级上报。拥有你的智能意味着控制它能做什么。

可观测性让系统变得可问责。如果智能体采取了某个行动，业务方需要看到它看到了什么、做了什么、调用了哪些工具，以及为什么这样做。这不仅对改进系统很重要，对审计和信任系统也很重要。

让你的智能复利增长

最好的AI系统会随着使用而变得更好。第100次交互应该比第1次更有价值，因为系统已经对你的用户、工作流程、政策、失败和偏好有了更多了解。你需要同时拥有系统已经学到的东西，以及学习过程本身。

系统学习意味着什么？

这个学习循环始于轨迹。轨迹展示了智能体实际做了什么：它看到了什么上下文、调用了什么工具、在哪里卡住了、产出了什么。反馈赋予这些轨迹以意义：行为是否有用、被接受、被拒绝、低效、有风险还是错误。轨迹和反馈加在一起，成为改进的原材料。

这些轨迹及其相关反馈可以用来改进系统——通过更改提示词、框架、工具。但和这些更改同样重要的是与这些更改相关联的评估。对于每一次更改，你都应该添加一个评估来捕捉该更改，并确保未来的更改不会导致性能回退。

至少，这些学习成果需要由你拥有。它们需要能够从模型到模型、从系统到系统地迁移。更进一步——你应该自己拥有整个循环。再说一次——智能体在第一次被使用时表现如何并不重要。重要的是第100次使用时它好了多少。如果这才是关键，那么你需要拥有驱动这一点的循环。

拥有你的智能的检查清单

你真的拥有你的智能吗？以下是一组你应该问自己的问题来确定这一点：

[ ] 如果明天有一个全新的模型提供商发布了SOTA模型，你能轻松切换过去吗？

[ ] 如果你正在使用的模型提供商弃用了一个模型——你能自己托管它以避免任何中断吗？

[ ] 你是否了解——并且能够控制——编排逻辑的工作方式，以便你能确切知道并控制在每一步输入给LLM的内容？

[ ] 你能在一个云、另一个云或设备端以完全相同的方式运行你的智能体吗？

[ ] 你能按用户监控和控制AI支出吗？

[ ] 如果有人问智能体为什么做了某件事，你能向他们展示其所有步骤的完整轨迹（以及其内部决策逻辑）吗？

[ ] 你是否建立了评估体系，以确保更换模型不会引入性能回退？

[ ] 当用户第100次使用你的智能体时，它是否会比第1次使用时更了解他们，并提供更好的体验？

[ ] 当你的智能体学习时——你能将这些学习成果迁移到一个完全不同的系统吗？

[ ] 你能控制你的智能体如何学习吗？

战略选择

企业不需要构建AI技术栈的每一层。他们应该购买那些困难、通用且无差异化的部分。

但他们需要拥有优势得以复利增长的层面：智能体系统、围绕其工作的治理体系，以及让它随着使用而变得更好的反馈循环。

任何公司都能采用AI。但真正用AI创造持久价值的，将是那些拥有自身智能的公司。

看清你的智能体究竟在做什么

LangSmith，我们的智能体工程平台，帮助开发者调试智能体的每一个决策、评估变更，并一键部署。