超越大語言模型：為何可擴展的企業AI採用依賴於智能體邏輯
IBM研究團隊提出“智能體邏輯”概念，通過知識圖譜、程序分析等軟件原語引導大語言模型聚焦企業工作流核心，大幅降低令牌消耗並提升性能。在遺留代碼理解、測試生成、事件響應和合規自動化四個領域，智能體邏輯使AI代理在成本效益和準確性上顯著超越純LLM方法，例如在應用理解中實現約30倍令牌減少，在測試生成中提升覆蓋率20-45%且令牌消耗降低15倍。文章還介紹了可配置通用智能體和條件維護智能體在醫療和資產管理領域的案例。
IBM研究團隊近日發表文章，深入探討了企業級AI可擴展采用的關鍵因素，指出儘管大語言模型（LLM）能力強大，但若要真正融入企業核心工作流，必須引入一種稱為“智能體邏輯”（Agent Logic）的引導機制。文章基於IBM在多個領域的產品實踐，展示了智能體邏輯如何通過減少LLM的上下文空間，顯著提升性能並降低成本。
企業工作流通常具有動態、長期運行、涉及大量API和數據庫、受業務政策或法規約束等特點。直接讓LLM處理這些複雜任務會導致幻覺增加、令牌消耗激增。智能體邏輯作為一種軟件原語，包括知識圖譜、算法、程序分析庫等，在智能體層（agent harness內）運作，有意引導LLM聚焦於企業工作流的核心，從而縮小上下文範圍。
文章詳細介紹了四個領域的應用成果：
- 遺留代碼理解（IBM WCA4Z的App Insights智能體）：利用深層靜態分析，將應用信息預索引到數據庫模式中，使智能體能夠檢索精確的結構化信息。與純LLM方法相比，在理解百萬行代碼的應用時，令牌消耗降低約30倍，性能略優。
- 測試生成（Aster庫）：基於程序分析和數據預處理/後處理，生成單元測試、集成測試等。在IBM CIO的75+ Java應用上，使用Devstral 24B模型，行、分支和方法覆蓋率提升20-45%，令牌消耗最多降低15倍。
- 事件響應與左移應用韌性（Instana I3智能體等）：構建包含微服務、數據庫等實體的知識圖譜，並嵌入領域專家知識。通過可觀測性驅動的方法，I3智能體在ITBench基準上比ReAct+GPT-5.1提升4.0倍，同時令牌消耗更低。多智能體系統已集成到IBM Concert平台。
- 合規自動化（IBM Sovereign Core）：採用算法和自適應規劃，將複雜合規任務分解為協調步驟。多智能體系統比固定規劃策略的代理性能提升1.3-2.0倍，在複雜場景中成功率從個位數提升至80%以上。
此外，文章還介紹了兩個案例研究：
- 可配置通用智能體（CUGA）在醫療領域：通過策略即代碼實現代理治理，在運行時獨立於模型提示執行。實驗顯示，在任務正確性上比純LLM提升15-26%，涉及安全意圖處理、可靠工具使用等。
- 條件維護智能體用於IBM全球房地產的資產維護：通過有向無環圖（DAG）提供結構化工程上下文，將資產分析時間從15-20分鐘縮短至15-30秒，覆蓋率從約1%提升至30%，令牌消耗平均降低77%。
IBM研究團隊認為，智能體邏輯是實現企業AI可擴展采用的關鍵，它能在不犧牲性能的前提下大幅降低成本，從而建立最終用户的信任。未來，這種引導機制將推動AI更深入地融入企業核心運營。