企业AI Agent的真正难题：不是造出来，是管起来
Site Owner
发布于 2026-04-17
基础agent模式已成熟，真正的问题是让agent在真实商业数据、真实权限、真实后果下工作。三道坎：数据理解需要业务语境，权限需要动态继承，换模型不能重建系统。当agent从演示能力变成生产系统，真正的门槛是组织准备好为agent的行为背书了吗。
企业AI Agent的真正难题：不是造出来，是管起来
基础 agent 模式已经成熟了。模型加工具加推理加执行，这个循环人人会做。
真正的问题是：怎么让它在真实商业数据、真实权限、真实后果下工作？（来源：Databricks Agent Bricks 官方博客）
这是企业 AI Agent 落地和 demo 最大的差距。Demo 展示能力，企业需要的是治理。
三个真实挑战：数据、权限、跨模型
让 agent 在企业环境里工作，至少要过三道坎。
数据理解。 标准 RAG 可以检索文档，但 agent 需要理解业务数据的含义——为什么这笔订单金额是负数，这张报表里的"渠道"在你们公司指什么。模型看得到格式，看不到业务语境。Databricks 接入 Unity Catalog 元数据（schema 定义、业务口径、数据血缘、权限和质量信号）后，agent 准确率比标准 RAG 高 70%，多步骤工作流效率提升 30%。
权限追溯。 谁授权 agent 访问哪些数据？出了问题谁负责？很多平台的方案是给 agent 配一张"通行证"——但这张证是静态的，不能随用户身份动态调整。Agent Bricks 通过 on-behalf-of token passing 实现：agent 继承用户身份，只能访问该用户被授权访问的范围。无论查询 lakehouse 还是调用外部 API，权限和审计逻辑贯穿始终。
跨模型锁定。 今天用 Claude，明天换 GPT，后天想试试 Gemini——大多数平台换模型意味着重建系统。Databricks 数据显示，63% 的客户已经在同时路由两个以上的模型家族。这不是选型策略，是抗风险策略。
Databricks Agent Bricks 的解法
Databricks 聚集了四类客户——Workday（HR系统）、Virgin Atlantic（航空）、Zapier（工作流自动化）、AstraZeneca（制药）。解决的问题各不相同，但架构思路一致。
AI Gateway：统一模型访问层。 接入多个模型供应商和编码 agent（Cursor、Codex、Claude Code），通过单一 API 路由，支持 fallback 和成本优化。换模型不需要重建系统。Guardrails 模块同时检测 PII 泄露、提示注入、数据外泄和幻觉——这些风险在 agent 自主执行时会被放大。
Supervisor Agent：多 agent 编排。 定义任务，连接系统，Supervisor 协调跨模型和跨工具的执行。不是让一个 agent 做所有事，是让多个专业 agent 各司其职。
Unity Catalog：治理内嵌，不是事后打补丁。 数据、模型、外部 MCP 的访问权限在同一个系统里管理，身份端到端强制执行。Databricks 客户 Zapier 的工程师说：以前硬编码路由逻辑，现在用配置而非代码来引导 agent 的优先级和行为。
企业落地的真相：不是技术选型，是组织治理
IDC 的研究数据很残酷：43% 的企业认为现有架构是落地 AI 的主要障碍，95% 报告项目延期。（来源：IDC，为 MongoDB 委托研究）
不是模型不够强。是底层系统跟不上。
AstraZeneca 的案例值得细看。他们的 agent 负责供应链异常检测——当库存数据出现异常模式时，agent 自主判断是否触发补货流程。这个场景有几个特点：实时性要求高、决策后果严重、不能等到人类审批。agent 不是在"辅助决策"，是在"做决策"。
Zapier 的做法则相反。他们的 agent 在人类监督下执行高风险操作——自动化工作流涉及外部系统权限时，必须有人的确认节点。
两种路径没有对错。区别在于：你对 agent 的容错边界在哪里，这个边界由谁定义。
给技术决策者的判断框架
上线 agent 之前，先问两个问题。
谁来负责？ agent 的每一个操作，最终责任人是谁？不是模型提供商，不是工具供应商，是你的组织。这决定了你需要的治理深度，也决定了出了问题谁能拍板。
谁来审计和设置边界？ agent 做了什么决策、访问了哪些数据、为什么选了这条路——这些必须有日志。同时，哪些操作需要 human-in-the-loop，哪些场景可以 autonomous decision——这个判断不能留给 agent 本身，得在系统设计阶段就定清楚。
Databricks 客户 EchoStar 有一句话说得很好："我们不是在做一个 AI 项目，我们是在建一个企业 AI 结构体。互操作性、身份优先的安全和治理从第一天就设计进去了，让 agent 像其他关键系统一样运转，而不是一个科学实验。"
当 agent 从"演示能力"变成"生产系统"，技术选型只是第一步。真正的门槛是：你的组织准备好为 agent 的行为背书了吗？
素材来源：
- Databricks Agent Bricks 官方博客：https://www.databricks.com/blog/agent-bricks-governed-enterprise-agent-platform
- MongoDB/IDC 研究（AI就绪度差距）：https://www.mongodb.com/company/blog/innovation/new-research-reveals-overcoming-legacy-tech-issues-key-ai-success