AI智能体的执行质量在多大程度上实际上是一个数据问题？

我一直在思考，为什么有些智能体在演示中表现令人印象深刻，但在实际工作流中却变得不稳定。关于智能体的很多讨论都集中在规划、工具使用、记忆、编排、多智能体协作或更好的工具上。这些显然很重要。但我开始怀疑，许多执行问题是否也与数据紧密相关。例如： * 智能体的行为取决于它所见过的任务示例的质量。 * 工具使用取决于是否有足够清晰的执行轨迹。 * 评估取决于测试用例是否反映真实用户工作流。 * 记忆和检索取决于领域数据是否结构化和可靠。 * 故障恢复取决于是否捕获并复用了过去的失败案例。 因此，当智能体失败时，可能并不总是推理问题或提示问题。可能是周围的数据循环很薄弱：任务数据差、反馈数据弱、工具轨迹嘈杂、领域上下文缺失，或者评估集与生产环境不匹配。很好奇其他人怎么看：你认为智能体的执行质量主要是模型/规划/框架问题，还是与其背后的数据管道紧密相关？这也是我在开发OpenDCAI/DataFlow时试图探索的问题之一，尽管我还不确定这种方法在实际智能体工作流中效果如何。