与运营商交流越多，越觉得代理的记忆比自动化更重要
摘要
作者认为，对于小型企业的AI代理，尤其是在餐饮业，运营记忆比纯粹的自动化更为关键，因为它能帮助管理者保留上下文并保持可预测性。
最近我一直在思考我前不久发布的白皮书中的一个部分，该白皮书是关于小型企业运营的代理基础设施。很多关于AI的讨论都始于自动化：代理能做什么？它能完成什么任务？它能加速什么工作流程？但我越是与真实的运营商交流，尤其是餐厅/快餐店的人，我就越觉得更好的起点是记忆。不是抽象意义上的AI记忆，而是运营记忆。那些通常存在于总经理脑海中的东西——什么经常被遗漏，上一个班次发生了什么，哪个供应商的问题一再出现，团队“心知肚明”但从不记录下来的事情。一位我交谈过的运营商以一种让我印象深刻的方式表述了这一点：最好的餐厅经理创造可预测性。他们工作迅速，保持一致性，最小化偏差，防止事情遗漏。这帮助我厘清了关于代理的思考。一个有用的小型企业代理不仅应该更加自主。它应该更像一个纪律严明的运营者：记住标准，注意偏差，保留上下文，呈现重要信息，在该沉默时保持安静，在需要判断时请求批准，保持跟进紧密。这就是为什么我认为界面也很重要。对于餐厅经理来说，有用的版本可能根本不像一个仪表盘。它可能看起来像一个简单的Telegram机器人，能接收杂乱的班次笔记，保留上下文，并将其转化为交接或跟进事项。目标不是取代经理。目标是减轻手动记住所有事情的负担。我认为这就是小型企业AI所缺失的层面：不仅仅是任务自动化，而是运营记忆和有边界的跟进。如果你想深入了解，这里有更长的论述：https://mcphersonai.com/white-paper.html
相似文章
我最近一直在为企业开发 AI Agent，我认为大多数人高估了自主性，却低估了可靠性。
作者认为，在企业级 AI Agent 开发中，运行的可靠性和稳定性比高度自主性更为关键，倡导受控智能而非完全自主的系统。
我认为很多人低估了不可靠 Agent 的成本有多高
作者指出，不可靠 AI Agent 的隐性成本在于持续人工监控所带来的认知开销，并强调在实际落地中，可预测性与环境稳定性远比模型的原始智能更重要。当 Agent 运行在受控且经过验证的环境中，而非充满不确定性的环境时，实际工作流的效率将得到显著提升。
我一直在尝试自定义智能体，有趣的部分并非任务完成，而是它们拥有记忆后发生的变化
作者反思了实验自定义 AI 智能体的经历，指出长期记忆和连续性将智能体从简单的任务执行者转变为具有“稳定倾向”的持久协作伙伴。这引发了关于智能体“个性”的价值与工作流程中控制、可靠性和可审计性需求之间的矛盾的问题。
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。
本地模型只是故事的一半。我也想要本地的代理记忆
文章认为，虽然本地 AI 模型易于获取，但真正的代理所有权需要本地、可检查的记忆系统，而非供应商控制的云存储。作者倡导使用 MemOS Local 和 Hermes Agent 等工具，在本地保留执行轨迹和习得技能，以获得更好的控制力和可调试性。