Gravitee 首席执行官 Rory Blundell – 采访系列

Rory Blundell，Gravitee 首席执行官，拥有技术深度、商业领导和创始人经验的罕见结合，为 API 管理领域带来了新的视角。在 2020 年 9 月担任首席执行官之前，他加入 Gravitee 担任首席收入官，并在此之前曾在 SnapLogic 领导 EMEA 现场技术运营，曾在预售、专业服务、培训和客户成功等领域工作过。他的背景还包括创立 Velinko，一家为法律和会计行业提供软件和咨询服务的英国公司，在那里他亲自参与了 API、ETL、AWS、Java、PHP、WordPress、数据库、报告和数据转换项目。这种工程流利度、企业销售经验和创业执行力的结合使他有能力领导 Gravitee，因为 API、事件流和 AI 代理变得越来越重要的企业基础设施的核心。

Gravitee 是一家 API 管理公司，专注于帮助企业管理、保护、治理和扩展应用程序、服务、事件流和 AI 代理之间的数字连接。其平台结合了 API 管理、事件本地网关、开发人员门户功能、事件流支持和新兴 AI 代理管理功能，给组织提供了一个统一的控制平面，用于同步 API、异步事件、MCP/A2A 代理交互和分布式环境中的治理。该公司将其平台描述为开源和可扩展，并被评为 2025 年 Gartner 魔法象限 API 管理领域的领导者，反映了其在 API 基础设施、实时事件驱动系统和新型 AI 堆栈交叉点的位置。

您创立了 Velinko，亲自使用各种技术开发软件解决方案，包括 AWS 和 API，数据转换平台，之后又在 SnapLogic 领导技术团队，最后成为 Gravitee 的首席执行官。这种从技术人员到首席执行官的旅程如何塑造了您对 AI 代理和企业基础设施未来的愿景？

我的背景使我能够从多个角度看待企业基础设施，作为一名建设者、操作者和现在的首席执行官。在 Velinko，我们解决了一个实际的数据问题，提取信息、转换、聚合和使其可用。这种经历让我对企业技术的作用有了深刻的理解：连接系统、保护数据、将复杂性转化为人们可以采取行动的东西。

在 SnapLogic 的时候，我看到 API 管理在企业堆栈中变得越来越重要。API 不仅仅是技术接口，它们成为公司暴露、控制和扩展访问关键系统和数据的方式。这就是我最初被吸引到 Gravitee 的原因，它仍然是我思考这个市场的基础。

企业需要了解谁可以访问什么，如何找到和使用这些访问点，以及环境中实际发生了什么。这些原则对于 API 至关重要，现在对于代理也是同样重要。企业正在进入一个代理可以跨 API、应用程序、数据和工作流运行的世界。成功的公司不会只是构建最多的代理，他们将是那些在代理周围建立正确基础设施的公司：明确的权限、强大的治理和对代理触及的系统的控制。

Gravitee 以 API 管理闻名，现已扩展到 AI 代理管理。是什么让您相信 AI 代理代表着下一个重大技术转变，为什么现在是公司演变的合适时机？

我认为 AI 代理管理是我们一直帮助企业解决的问题的下一个演进。API 管理从根本上讲是关于三个事情：安全性、可发现性和可观察性。代理是下一个需要应用这些原则的地方。

今天，企业开始面临与代理相关的相同问题，就像他们以前面临的 API 问题一样。如何确保安全性？如何知道哪些代理正在运行、它们在哪里运行以及它们可以访问什么？如何了解它们的行为、为什么它们采取行动以及是否在适当的界限内运行？

时机很重要，因为公司正在从尝试 AI 转向询问如何将代理投入实际工作。困难的问题不再是代理是否可以被构建，而是企业是否可以在代理触及的模型、工具、API 和系统上对其进行治理。

这就是 Gravitee 在 API 管理方面的遗产变得非常相关的地方。代理只会在企业能够对其应用与其余基础设施相同的纪律的情况下扩展。明确的权限、可见的操作、可审计性和控制，这就是企业能够安全地扩展代理的原因。

许多组织正在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？strong>

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

行业花了多年时间应对 API 扩散，因为组织采用了云技术。我们现在是否正在进入“代理扩散”的时代，企业可以从以前的技术转变中吸取什么教训？

是的，我看到重现 API 时期相同模式的真正风险：在正确的管理模型到位之前，业务范围内广泛采用。从 API 时代吸取的教训是，组织不应等到环境已经碎片化后才开始对其进行可见性和控制。

代理创建了类似的挑战，但由于代理可以跨系统和工作流运行，因此具有更积极的风险层。企业需要回答的问题很简单：哪些代理存在，谁拥有它们，它们可以触及什么？

如果企业从一开始就应用这种纪律，他们就可以避免最终拥有无法看到、保护或控制的代理。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入工作流、哪些决策必须留给人类、在代理被信任执行实际工作之前需要什么控制，就会成功。这种转变不仅仅是技术转变，也是组织工作方式的转变。成功的采用者将理解这一转变，并从一开始就建立正确的结构。

AI 代理越来越多地与 API、数据库、企业应用程序，甚至其他代理进行交互。您如何看待代理编排的演进，组织在这些系统可靠地扩展之前需要解决哪些挑战？

挑战不仅仅是技术复杂性，而是问责复杂性。当代理调用 API、查询数据库和调用其他代理时，授权链会倍增，大多数企业没有办法看到它。

编排从单个代理任务执行演变为多代理工作流，其中一个代理的输出成为另一个代理的输入，通常跨越模型、供应商和企业边界，这正是治理崩溃的时候。

在这些系统可以可靠地扩展之前，组织必须解决四个问题：给每个代理一个已知的、经过身份验证的身份；确定每个代理可以触及的内容（工具、数据、下游 API）；在运行时执行这些权限；并保持从人类提示到代理最终触及的系统的完整血统记录。

将编排视为纯粹的工程问题并跳过治理层的企业将发现自己正在管理事件，而不是扩展运营。

目前，许多组织都在尝试 AI 代理，但相对较少的组织已经在大规模部署。是什么因素将成功的采用者与仍然停留在试验阶段的公司区分开来？

区别在于组织是否将代理视为孤立的实验还是作为新的运营模式的一部分。在小规模上，一两个代理看起来是可管理的。挑战出现在企业开始向多个代理、团队、系统和工作流扩展时。到那时，问题不再是代理是否可以完成任务，而是组织是否可以控制代理如何工作、代理可以触及什么以及代理如何融入业务运营。

组织如果从一开始就对代理建立管理纪律，了解代理如何融入