作者：Harry Wetherald
时间：2026 年 01 月 09 日
原文：
如果 AI 智能体真这么强，为什么还没“无处不在”？关于 agentic AI，我们已经听了一年多了：创业公司都在承诺，成熟厂商纷纷“转型”，LinkedIn 上更是挤满了各种思想领袖，绘声绘色地描述一个叫 Bob/Mary”的数字员工，如何替代整个团队。演示的确都很炸裂。AI 智能体显然能做出不少令人惊叹的事——但现实是：我们并没有看到它们大规模、稳定地落地。
我的判断是：
大语言模型（LLMs）+ LangChain 这类框架，让“做一个看起来像智能体的东西”在技术上变得很容易。
但要把它做成行为可预测、表现可靠、成本可控的产品，难度远超大多数人的想象。
真正好的智能体，往往高度专注在一个定义清晰、边界很窄的任务上（比如编程领域的 Cursor）。而这种“高度专用”背后需要的是海量工程：数据、流程、工具、评测、反馈闭环、以及对失败模式的系统性治理。
在交付压力下，很多团队会选择推出“通用型”智能体：听起来什么都能干、覆盖一堆用例。但一旦进到复杂的企业环境，它们往往达不到所需的可靠性门槛（Copilot 就是典型例子之一）。
于是团队开始依赖“前线部署工程师”（forward-deployed engineers，也就是实施/驻场顾问），给每个客户做深度定制，把产品能力的缺口用人力补起来。
最后，这些因素叠在一起，导致 2025 年出现了一波新的智能体浪潮——声势很大，但本质上并没有真正跑起来。要让智能体变得“可用”，最现实的路径是：先把一个狭义、明确的场景做深做透，而不是一上来就试图覆盖大量用例。
AI 智能体之所以让人兴奋，原因也很直接：它能在复杂、多步骤的任务里做推理；理解上下文；调用外部工具、收集信息、做判断；它不是照着预先写死的规则执行，而更像一名资深员工在“想事情”。
真正的麻烦在于：LLM 天生不确定。你问 Claude 或 ChatGPT 同一个问题，并不总会得到同一个答案。现在把这个不确定性放大一下：如果你把三十、四十次 LLM 调用串成一个链条，再叠加十来次工具调用，会发生什么？每一步都在引入新的不确定性；每一次工具调用都可能失败；于是决策树的分支数会快速、近乎指数级膨胀。让智能体强大的东西，同时也是它的负担：步骤越多，出错点越多；自主性越强，跑偏的方式也越多。
这正是智能体垃圾 Agentic Slop 的来源。任何人都可以拿一个现成的智能体框架，对准一个足够模糊的目标——比如“帮助安全团队”或“自动化 IT 工作流”——再接上十来个集成接口，标一个 10 万美元的价码，配上一名驻场实施顾问，勉强让系统“跑起来”。
根本性的错误只有一个：试图让智能体做太多事情。一个号称“什么都能干”的通用型智能体，实际上对任何事情都没有被真正优化。这就像雇了一个自称“精通商业”的咨询顾问——听上去很厉害，但一旦落到具体问题，几乎帮不上什么忙。真正优秀的 AI 智能体之所以难，是因为你必须把三个极其具体、也极其“脏”的问题解决掉。
第一，你要教会智能体如何围绕「你的特定任务」去规划和思考。
LLM 是通用推理引擎，但它并不会天然擅长某个垂直领域的真实问题。你必须把人类专家的解题路径“灌”进去：先看什么信息？会追问哪些关键问题？有哪些只有老手才知道、却从未被写进文档的隐性捷径？这通常意味着要和一线专家一起，花上几个月反复拆解、验证、迭代。
第二，你要为智能体提供正确的上下文与工具。
智能体的能力上限，取决于它能接触到哪些信息。完成一项任务究竟需要哪些数据？这些数据如何被稳定获取？又该用什么结构和粒度喂给模型，才能真的“可用”而不是“可见”？这里一旦做错，智能体就会在缺失关键信息的情况下，自信满满地输出错误结论；而一旦做对，你就不可避免地要和现有系统做深度耦合——不仅是 API 对接，更是对“什么是关键信息、该如何呈现上下文”的系统性工程设计。
第三，你必须为这个用例本身，重新优化成本结构。
一次任务里调用高端 LLM 四十次以上，成本很快就会失控；但如果换成更便宜的模型，错误率又可能飙升。这个取舍没有通用答案，只取决于任务本身的价值密度，以及“犯一次错”的真实代价。通用型智能体框架不可能替你完成这种权衡。
考虑到这是 2025 年最性感的职位头衔之一，这个判断或许有点刺耳，但在我看来，有一个非常清晰的信号可以用来识别一家公司是不是在卖 智能体垃圾：他们是否需要驻场实施顾问，才能让产品跑起来。所谓前线部署 forward-deployed，本质上只是一个更好听的说法，翻译过来就是：
“我们的产品并不能开箱即用，所以需要派昂贵的人类工程师到你现场做定制化工程。”
我完全理解公司为什么会这么做。定制化确实很难，每个客户的环境也都不一样。Palantir 已经证明过，“软件 + 服务”的模式是可以做成一家大公司的。但一个真正优秀、而且高度专用的 AI 智能体，本不应该依赖这一点。真正把功课做到位的公司——把深度的人类专家经验编码进系统，工程化正确的上下文，并围绕一个明确用例做系统级优化——理应能够交付一个第一天就能用的产品。
AI 智能体本身是极其惊人的。这项技术确实具备颠覆性，也正因如此，在 2025 年看到如此缓慢的真实进展，才会让人倍感挫败。除了少数几个领域（比如编程、客户支持）之外，我们今天基本仍停留在 AI 智能体的垃圾 slop 阶段：一半的市场在试图推出通用型框架，同时假装“专业服务”可以长期弥补产品本身的缺陷。
最终胜出的，一定是那些毫不留情地走向专用化的公司。先选定一个狭窄但高价值的任务，在这个任务上做到无可争辩的优秀，然后才考虑扩展；真正投入领域专业能力；和一线从业者一起，把专家的思考方式编码进系统；彻底解决上下文工程问题；搞清楚智能体真正需要哪些数据，并为此构建稳健的数据管道。交付那种真正“开箱即用”的产品。如果你还需要靠顾问才能让智能体变得有用，那就继续迭代，直到不再需要为止。真正能跑起来的智能体，一定是狭义的、专用的，并且为其具体任务做了深度优化的。
其他的一切，都是智能体垃圾 Agentic Slop。