神译局作为专注于编译领域的专业团队，长期聚焦科技发展、商业趋势、职场动态及生活方式等多个维度，旨在将全球前沿的技术革新、思想观点与发展风向呈现给中文读者。
编者按：在开发了三百余个智能体之后，我的核心感悟是：智能体本身并非独立产品，而是为业务流程注入活力的催化剂。请停止过度神化“智能体”的概念。本文由编译团队整理呈现。
在技术发展的长河中，有些领域沉寂数十年却毫无波澜；而有些领域却在短短数周内，迸发出需要数十年积累才能实现的突破。当下我们正处于这样一个关键节点：新模型层出不穷、优化技术持续迭代、架构层次不断推陈出新，然而身处机器学习与人工智能领域的许多人，却对这些日新月异的进展浑然不觉。
我对AI智能体的世界展开了深入探索。从小型原型验证到生产级系统构建，我累计开发了近三百个智能体，并与五家不同背景的初创公司展开合作，共同探索如何将智能体的能力融入产品与应用场景之中。
这一路走来，关于哪些方法可行、哪些路径需要规避，以及这个领域未来的演进方向，我收获了诸多洞见。虽然这些仅是个人思考的结晶，但或许能为您带来全新的观察视角。
首先，请允许我快速厘清智能体的定义。这里讨论的智能体特指基于大语言模型（LLM）构建的智能体，而非强化学习（RL）领域中严格定义的概念。
智能体 = 大语言模型 + 推理能力 + 工具调用 + 记忆模块
如今，大语言模型已内置了强大的思维能力，因此您甚至可以将公式进一步简化为：
智能体 = 大语言模型 + 工具调用 + 记忆模块
原理就是如此简明。诸如“智能体工作流”、“智能体系统”、“智能体团队”等专业术语，本质上都是基础智能体单元紧密协作形成的流程体系。
在过去一年间，我持续致力于构建这些流程并确保其运行稳定性。在这个过程中，我获益良多。
技术框架并非核心关键
在实际开发中，我使用过crewai、dspy、langgraph、autogen等框架，甚至直接调用过OpenAI和Google的智能体SDK。通过这个实践过程，我还建立了自己的技术框架。
在体验了所有这些框架之后，我清楚地认识到：开发者不必拘泥于特定框架，真正需要关注的是应用的核心流程设计。
智能体开发与传统人工智能的差异
虽然我自称人工智能工程师，但本质上只是调用大语言模型API并进行提示词工程的后端开发者。这清晰地表明：扎实的软件工程基础至关重要，且不容妥协。
智能体的能力上限取决于上下文质量
最常见的误解是认为只要给大语言模型设定目标，它就能创造奇迹。实际上，智能体的输出质量很大程度上取决于您提供的上下文——包括提示词设计、工具配置、记忆模块，以及在特定场景下的运行环境。一个结构良好的上下文配置，其价值往往超过一个更大规模的语言模型。
缺乏工具支撑的智能体将形同虚设
一个仅具备“思考”能力却无法使用工具的独立智能体很快就会陷入困境。而一旦赋予其执行操作的能力（例如调用API、访问数据库、执行工作流），它就变得真正实用。在Composio初创阶段（2024年5月至7月）的工作经历，是我第一份真正意义上的实习，它彻底改变了我的职业轨迹。
大道至简的设计哲学
我开发的部分最高效的智能体，其设计都异常简洁：一条清晰的提示词、一两件定义明确的工具，以及单一的职能定位。复杂性往往会导致系统变得脆弱，最优异的智能体都是为特定场景而生，并能出色完成既定任务。
评估体系的价值被严重低估
制作华而不实的演示很简单，但要准确衡量一个智能体的实际效能则困难得多。我深刻意识到，建立测试流程与现实世界的反馈循环，才是区分实验性项目与可靠生产系统的关键所在。
DSPy代表着未来发展方向
过去几个月我持续研究DSPy，越使用越觉得这才是开发智能体的自然方式。其包含的签名机制（Signatures）、适配器（adapters）、训练集（training set）与优化器（optimizers）等概念都恰到好处。
.compile() 的调用方式让人感到亲切而熟悉。这正是优秀框架该有的模样。
人才要素比技术更为重要
与五家初创公司合作的经历让我明白，技术只是故事的一部分。鼓励实验的文化氛围、快速迭代的开发节奏以及清晰的愿景规划则更为关键。优秀的智能体应用场景，在对的人手中能创造真实价值；而绝妙的智能体应用场景，若交给不合适的人，最终只会一事无成。
展望与总结
AI智能体的发展仍处于早期阶段。过度炒作固然存在，但挑战也同样不容忽视。最令我振奋的是，我们正在从研究领域的探索，转向基础设施级别的系统构建。未来，每个产品背后都可能运行着智能体，负责协调任务、提供个性化体验，并处理人类不愿应对的复杂问题。
我经历过失误，吸取过教训，见证过成功，也饱尝过失败。若要总结出最重要的心得，那就是：智能体本身不是产品，而是赋能工具。真正的魔力在于，当您将它们嵌入工作流程，让它们在后台静默运行时，一切都会水到渠成。
译者：boxi。
