想要構建并擴展智能體的企業還需要接受另一個現實：智能體的構建方式與其他軟件截然不同。

根據Writer公司的CEO兼聯合創始人May Habib的說法，智能體在構建方式、運行方式以及改進方式上都“有著根本的不同”，這意味著在處理自適應系統時，需要摒棄傳統的軟件開發生命周期(SDLC)。

“智能體并不總是可靠地遵循規則，”Habib在周三VB Transform大會的舞臺上表示，“它們是結果導向的，它們會解讀信息，會適應變化，而且，它們的行為真的只有在現實世界環境中才會顯現出來。”

Habib的經驗來自于幫助數百家企業客戶構建和擴展企業級智能體，她深知哪些方法有效，哪些無效。據Habib介紹，財富1000強企業中有超過350家是Writer的客戶，而且到2025年底，財富500強企業中有一半以上將使用Writer來擴展智能體。

Habib表示，使用非確定性技術來產生強大的輸出甚至可能“非常棘手”，尤其是在系統性擴展智能體時，即使企業團隊可以在沒有產品經理和設計師的情況下啟動智能體，Habib仍認為需要一種“產品經理思維”來協作、構建、迭代和維護智能體。

“不幸或幸運的是，這取決于你的視角，如果IT部門不引領業務部門進入這種新的構建方式，那么IT部門將不得不承擔后果。”

為何基于目標的智能體是正確的方法

思考方式的轉變之一包括理解智能體的結果導向性質。例如，Habib表示，許多客戶要求智能體協助他們的法律團隊審查或修訂合同，但這太開放了，相反，基于目標的方法意味著設計一個智能體來減少審查和修訂合同所花費的時間。

“在傳統的軟件開發生命周期中，你是在為一套確定性的、非常可預測的步驟進行設計，”Habib說，“它是輸入、輸出，方式更加確定，但對于智能體，你是在尋求塑造智能體的行為，因此，你尋求的是更少的控制流程，更多的是給予上下文并引導智能體做出決策。”

另一個不同之處在于為智能體構建一個藍圖，該藍圖通過業務邏輯來指導它們，而不是為它們提供要遵循的工作流程，這包括設計推理循環，并與主題專家合作，繪制出促進所需行為的過程。

盡管有很多關于擴展智能體的討論，但Writer仍在幫助大多數客戶逐個構建智能體，這是因為首先需要回答關于誰擁有和審計智能體、誰確保其保持相關性以及是否仍在產生所需結果的問題。

“如果沒有一種新的構建和擴展智能體的方法，人們很快就會遇到一個擴展瓶頸，”Habib說，“當企業管理智能體的能力遠遠落后于各部門開發智能體的速度時，人們就會遇到這個瓶頸。”

智能體的質量保證與軟件的質量保證

智能體的質量保證也與軟件不同，智能體的評估不是基于一個客觀的檢查清單，而是包括考慮非二元行為，并評估智能體在現實世界中的表現，這是因為失敗并不總是顯而易見的——也不像檢查某物是否損壞那樣黑白分明。相反，Habib表示，更好的做法是檢查智能體是否表現良好，詢問安全機制是否有效，評估結果和意圖：“這里的目標不是完美。而是行為上的自信，因為這里存在很多主觀性。”

不理解迭代重要性的企業最終會陷入“一場持續不斷的網球賽，雙方都會精疲力竭，直到他們不想再打下去為止，”Habib說。團隊也需要接受智能體并不總是完美的，更重要的是“安全地啟動它們，快速運行，并不斷迭代”。

盡管面臨挑戰，但已有AI智能體幫助企業帶來新收入的例子。例如，Habib提到了一家與Writer合作開發基于智能體系統的大型銀行，該系統通過引導新客戶進入多個產品線，創造了一條價值6億美元的新追加銷售渠道。

AI智能體的新版本控制

智能體的維護也與眾不同，傳統軟件的維護涉及在出現問題時檢查代碼，但Habib表示，AI智能體需要一種新的版本控制方式，以控制所有可能影響行為的內容，它還需要適當的治理，并確保智能體隨著時間的推移仍然有用，而不是產生不必要的成本。

由于模型與AI智能體之間并不存在清晰的映射關系，Habib表示，維護工作包括檢查提示、模型設置、工具架構和內存配置，它還意味著全面追蹤執行過程中的輸入、輸出、推理步驟、工具調用和人類交互。

“你可以更新一個大型語言模型(LLM)的提示，并觀察到智能體的行為完全不同，盡管在git歷史記錄中實際上沒有任何變化，”Habib說，“模型鏈接會發生變化，檢索索引會更新，工具API會演進，突然之間，同樣的提示行為就不再如預期那樣了，這感覺就像我們在調試幽靈一樣。”