杨若东是联想公司的IT战略、企业架构和创新总监，拥有超过27年的行业经验，专注于IT战略、企业架构和知识管理。杨若东曾担任过多个领导和技术角色，包括高级软件开发专业人员、集成高级经理、集成/开发总监、基础设施和应用服务技术负责人以及企业架构师。他热衷于人工智能、云战略和新兴技术，并帮助组织推动创新和商业转型。杨若东位于北卡罗来纳州的莫里斯维尔。
注意： 本文是两部分系列的第二部分。 点击这里阅读第 1 部分：为什么多智能体系统优于传统自动化。为什么多智能体自治需要新的治理方法多智能体系统（MAS）的兴起代表了企业 AI 中最重要的架构转变之一，但虽然组织渴望捕获自治智能体群的生产力和成本优势，很少有组织为治理影响做好准备。根据联想最近的 CIO 手册 2026：企业 AI 竞赛，多智能体系统暴露了治理缺口，因为大多数企业扩展自治能力的速度快于他们成熟的负责 AI 框架、审计和控制。传统控制，最初为确定性软件或单模型 AI 设计，已不足以应对数十个代理在分布式工作流中协调、推理和采取行动的环境。随着多智能体系统从试验转向生产级数字工作力，企业必须重新思考问责、安全、合规和组织对齐。自治并没有消除监督的需要。它只是改变了监督的形式。群体中的问责最直接的治理挑战之一是责任归属。在多智能体工作流中，任务被分解、委派和由可能实时修订或重新解释指令的专用代理执行。当出现问题（例如不正确的建议、意外升级、政策违规等）时，很少清楚哪个代理或人类操作员负责。这种模糊性需要一个人工监督模型来监督行为模式，而不是试图手动批准每个微决策。支持需要多智能体系统实施血统记录——代理决策、数据源和决策条件的可追溯记录。就像微服务的可观察性一样，这种透明度对于调试、审计和持续改进至关重要。没有明确的血统，问责就会崩溃——信任也会随之消失。多智能体环境中的安全和数据隐私在多智能体系统中，代理自主地与工具、API 和企业系统交互，显著扩大了攻击面。即使没有恶意意图，代理也可以升级权限、访问未经授权的数据或通过过于宽泛的指令泄露敏感信息。最成功的多智能体部署首先关注定义明确的领域，包括网络安全、质量控制和客户服务，在这些领域中，工作流是结构化的，结果是可衡量的。保持适当的安全态势和保护数据需要企业采用零信任思维方式来处理代理交互： 身份传播 确保每个请求都携带原始代理或人类的身份和权限 严格的域边界 防止代理超出预期的功能范围 权限范围代理链 确保下游代理只继承最小的必要访问权限，而不是协调器的全部权限 目标是负责任地引导权限，而不是限制它。当每个代理像一个良好仪表化的微服务一样运行时，系统可以在不依赖手动控制的情况下安全扩展。概率行为和大规模合规代理本质上是概率的，这意味着同一个请求可能会根据上下文或模型状态产生不同的输出。这个属性引入了多样性，这大大复杂了审计。监管机构期望一致、可解释的决策，但群体在模糊性中表现出色——而不是统一性。为了减轻风险，企业需要采用一些最佳实践： 创建护栏，明确定义允许和禁止的操作 建立确定性回退路径，当置信度评分低于预定阈值时触发...
为什么多智能体系统优于传统自动化企业已经从自动化中挤出价值，通过编码工作流程，消除重复任务和简化手工操作，已经超过十年了。这些都不是新鲜事，但传统方法的回报——无论是基于规则的机器人流程自动化（RPA）还是单个大型AI模型——都在减少。根据联想的CIO Playbook 2026：企业AI竞赛，代理AI正在成为今年企业的首要任务，但不到四分之一的组织准备好部署多智能体系统——更不用说大规模部署。这些是企业AI的下一个运营飞跃，将组织从洞察生成转变为自主、目标驱动的行动，通过协调感知-推理-行动循环。组织发现，未解决的挑战正在打破系统：这些挑战包括异常、模糊性、不完整的信息和跨团队和领域的工作流程。多智能体系统（MAS）引入了一个结构性的转变，从部署孤立工具转变为编排数字化工作流。这些专门的代理人合作、推理和并行运作以实现结果。结果已经超出了增量效率，引入了一个更加适应性、灵活性和成本有效的运营模式。多智能体系统的成本效率优势基于规则的自动化是有效的——直到它失效。一个意外的格式出现；一个依赖关系断裂；一个客户的需求超出了预定义的逻辑——任何这些都会导致传统系统失败。由此产生的人工干预需要增加成本和降低用户体验。相比之下，多智能体系统直接将语义推理嵌入工作流程中，驱动多智能体体系结构的真正价值来自于超越试点，已经运营AI的组织报告每投资一美元几乎获得2.79美元的价值。代理人可以解释上下文、管理模糊性和在第一条路径失败时重定向。这一“自愈”行为减少了人工升级的数量和保留连续性——即使在混乱的现实世界环境中。与其要求完美结构化的输入，MAS轻松适应给定的输入。专业化优于整体方法企业从应用程序中学习，整体方法是缓慢和昂贵的维护——这也适用于AI。强迫单个大型模型处理每个任务——从总结到规划到验证——是低效的，并增加了所有权的总成本。多智能体系统将复杂的工作流程分解为专业角色。轻量级模型处理简单的检索、提取或格式化任务，而更复杂的模型仅在需要时执行编排和深度推理。这种劳动分工改善了令牌经济，减少了延迟，并更智能地分配计算。实际上，MAS作为AI微服务运行——每个都针对特定的功能进行了优化。并行性倍增价值单模型系统通常按顺序运行，但多智能体系统使用异步并行性——同时运行任务，但没有严格的步骤等待。多个代理人可以同时研究、生成代码、验证输出和升级问题。尤其是对于长时间或复杂的工作流程，平行执行大大缩短了周期时间。在实践中，这意味着以前需要几天的时间线已经压缩到几个小时，而需要长时间审查循环的工程流程现在可以在几分钟内完成。由于它在工作流程的每个层面上都具有复合效应，因此并行性是MAS驱动的ROI的主要驱动因素之一。组织可以通过多智能体系统最大化ROI的领域组织从具有自然分离问题的工作流程中获得了一些最大的ROI收益，通常跨越内部业务功能。多步骤流程，如法律合同流入销售运营或建筑决策流入开发人员和质量保证（QA），可以清晰地映射到代理人协作。每个代理人维护自己的内存、工具和约束，支持准确性、合规性和可审计性。高ROI工作流程模式包括三个主要步骤： 长期任务：涉及多天分析和持续重新规划的调查、保险审查或供应链重新路由 迭代深度工作：适合研究、代码生成和战略开发的自主循环计划 → 执行 → 评估 → 精细化 大规模个性化：客户服务、入职或员工支持，在这些领域中，交互之间的一致性内存显著提高了满意度和解决率 在每一种情况下，MAS不仅提供速度，还提供传统自动化无法匹配的持续推理和上下文感知。人类 + AI运营模型倍增生产力收益重要的是，转向多智能体系统并不取代人类工人。相反，它改变了他们工作的性质。人类从执行者转变为评估者和战略决策者，编排工作流程并将任务分配给数字同事。此外，员工不再需要手动执行流程的每个步骤。相反，他们定义问题、审查代理输出、管理异常并最终塑造结果。这降低了认知负担，释放了时间用于创造性或关系驱动的工作，并显著提高了生产力。此外，具有专业代理人协助研究、草拟、QA和决策支持，初级员工可以产生接近高级员工的输出。加速入职、缩小技能差距和使团队能够在不成比例增加人数的情况下扩大影响力的体验曲线变得更加平坦。因此，MAS不取代专业知识——它们民主化知识和信息共享，使更多员工受益。扩大MAS和产生投资回报率需要组织重新部署人才，并将人类角色整合到新的类别中： 构建者和治理者：设计、维护和监控代理生态系统（“代理运营”） 战略家和经理：编排结果，而不是微观管理任务 增强型从业者：作为AI本地协作者，利用代理人作为日常工作流程的一部分 这种重新设计的工作力模型同时提高了效率和质量，产生了可衡量的商业影响。多智能体系统的重要KPI领先的组织将其MAS投资建立在明确的、结果导向的指标之上。KPI通常分为两类： 业务和财务：KPI，如每次成功结果的成本、每位员工的收入或输出、上市时间或端到端周期时间，都直接影响底线 运营和体验：KPI，如自主解决率（无需人工干预完成任务的百分比）、用户或员工满意度和系统与人工延迟，都衡量运营效率及其对输出的影响 这些指标共同量化了不仅仅是效率收益，还有转向多智能体运营模型的更广泛价值。不仅仅是一个暂时的优势，而是一个结构性的优势随着企业采用多智能体系统，它们不仅仅是在自动化任务——它们正在构建自适应、协作的数字化工作力，这些工作力不断学习和改进。这些系统通过推理、专业化和并行性的复合优势解锁ROI，而不是通过单一的突破。对于寻求加速增长同时管理成本的组织，MAS代表了企业生产力的下一个前沿，解锁了有效的AI部署的价值。接下来： 在第二部分中，我们将审查和讨论多智能体系统的新治理规则和注意事项。
