大多数团队不需要更多AI代理。他们需要为已有的代理绘制组织结构图。
摘要
本文讨论了团队在使用多个权限和工作流重叠的AI代理时出现的代理泛滥问题。文章提出了一个基本控制层，包含所有者、读写系统、预算、停止规则以及四类代理：读取者、路由者、操作者、花费者。
我经常看到团队讨论代理时，觉得下一步就是增加更多代理。我认为接下来的问题更简单也更棘手：代理泛滥。不只是代理数量过多。还有太多重叠的权限和悄无声息的小工作流，没人记得，直到某个其他团队遇到奇怪的问题。难点不在于“我们能让代理做这个吗？”而是“当六个代理整天在同一个堆栈中做相关的事情，而没有人掌握全局时，会发生什么？”如果我要在公司内部为代理设置一个基本控制层，每个重要的代理都需要五个平凡的字段：所有者、可以读取的系统、可以写入的系统、预算或使用上限，以及在必须交给人类时的停止规则。我还会将它们分为四类：读取者、路由者、操作者和花费者。读取者不是花费者。路由者不同于操作者。如果你将它们都当成一个叫做“AI代理”的整体，那么你要么过度控制无害的东西，要么对昂贵的东西控制不足。很好奇其他人是如何处理这个问题的。你们有没有在任何地方维护一个代理清单？还是大部分信息仍然存在于人们的头脑和分散的文档中？
相似文章
每个人都在谈论AI智能体，但几乎没人谈论智能体泛滥的问题。
本文重点介绍了B2B组织中正在出现的“智能体泛滥”问题：公民开发者临时构建AI智能体，缺乏集中治理，导致安全风险和效率低下。文章提出了一种统一平台来规模化地管理智能体。
我经营一家拥有89个AI代理、横跨22个部门的公司。以下是我在多代理协调方面的经验总结。
一位CEO分享了经营一家拥有89个AI代理、横跨22个部门的公司的实用经验，强调了委托是瓶颈、代理记忆的价值、部门结构的必要性以及人类领导力的持续重要性。
当底层业务流程存在问题，如何在生产工作流中扩展AI代理？
一位实践者分享了在生产环境中扩展多智能体AI系统所面临的挑战，包括处理影子工作流（未记录的Slack线程和电子表格）、跨系统（ERP到CRM）的上下文丢失，以及跨部门所有权问题。他们向经历过这些现实问题的人寻求建议。
@Voxyz_ai: https://x.com/Voxyz_ai/status/2062246736257556654
本文详细介绍了如何构建用于投资研究的多智能体AI团队，使用了像TradingAgents和Bloome平台这样的开源项目。它强调，有效智能体协作的关键在于组织架构，而非模型智能。
停止构建AI智能体。
作者认为，大多数要求构建AI智能体的创始人实际上只需要简单的自动化流程，并辅以最少的LLM集成，理由包括生产环境故障、合规障碍，以及更简单工作流带来的更高投资回报率。文章提供了一个实用的决策框架，帮助开发者和创始人优先考虑可靠的自动化，而非复杂且不可预测的智能体。