在2026云栖大会上，阿里巴巴集团CEO吴泳铭提出判断：未来机器思考的总量将是人类的1000倍，但真正定义时代的AI产品尚未出现。智能能够被规模化供应，但距离企业放心使用仍有距离。阿里云智能集团资深副总裁、公共云事业部总裁刘伟光指出，AI已从补充型业务增效工具转变为深入千行百业核心业务流程的力量。他给出衡量Agent是否真正嵌入企业的标准——如果把一个Agent停掉，企业会有危险。
企业级Agent实践峰会上，多家企业分享了将Agent投入真实业务后遇到的具体难题。满帮集团AI算法总监高艺铭介绍，司机找货场景中，需求往往分多轮提出，Agent必须记住已确认条件并理解后续要求的关系。传统系统返回错误编号时，Agent难以判断下一步操作，接口需要重新适配，提供可执行的反馈。Harness工程负责组织上下文与工具、管理任务状态、约束执行并处理失败恢复，但该工程本身也会变得复杂。满帮上线后每天收到大量失败案例，团队不断修改代码和提示词，导致系统内部积累特殊处理，早期自建评测体系达到一定分数后难以提升。为此，满帮保留自研业务标注和归因系统Vertex，同时使用云上AgentLoop承接通用观测与评测。
企业知识库接通后，Agent仍可能犯基础错误。满帮货运场景中，司机使用的标箱一词指运输标准集装箱的平板车，通用模型可能理解为厢式货车。把全部文档放入上下文效果未必好，泛化的议价技巧可能干扰任务执行。贝壳首席算法科学家尹俊希强调，对人的理解与对房的理解需要结合，房源信息要与小区和区域资源联系，并放入用户生活需求中分析。Agent使用的数据不只是等待检索的文本，还包括关系和状态以及任务约束，预算等硬条件需持续保留，用户偏好需通过交互澄清。贝壳的工程框架将上下文管理与状态管理分别设计，并记录工具调用和中间决策，便于检查错误环节。
易方达基金首席信息官刘硕凌博士分享的数据治理实践显示，金融机构中数据能被找到还不足以直接进入分析，指标口径需明确，来源需可靠，权限需保留，数据经过专业语义和质量治理才能成为AI可检索和调用的资产。平台可提供共用数据治理能力，具体业务口径必须由专业人员参与定义。模型更新后，经过整理的语义和规则仍可复用。
综合来看，Agent的自主性提高了企业对基础设施和治理的要求。任务可动态执行，身份与权限不能含糊；模型可持续升级，业务运行不能失去稳定性。企业掌握业务规则和任务标准，云平台提供运行与治理支撑，双方能力需在执行链路中配合，才能把模型判断转化为可靠的业务动作。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
