超越大语言模型：为何可扩展的企业AI采用依赖智能体逻辑

在人工智能代理（AI Agent）的快速发展中，大语言模型（LLM）虽然展现了强大的能力，但单纯依赖LLM并无法实现企业级AI的可扩展采用。本文指出，真正的关键在于“智能体逻辑”（Agent Logic）——一种由知识图谱、程序分析库、算法等软件原语组成的引导机制，它能在代理层主动将LLM导向企业工作流的核心，从而显著缩小上下文空间，提升性能并降低成本。

IBM在其多个产品中验证了这一理念。首先，在遗留代码理解方面，IBM watsonx Code Assistant for Z（WCA4Z）配备的App Insights代理利用深层静态分析，通过预索引的数据库模式存储应用信息，从而精准检索结构化数据。在多个关键业务遗留系统（多达100万行代码、1000个程序）的测试中，该方法相比前沿的纯LLM方法，在保持略优的应用理解性能的同时，令牌消耗降低了约30倍。

其次，在测试生成领域，IBM的Aster库通过程序分析实现单元、集成、API和变更测试的代理生成。在75个以上的Java CIO应用（多达560个类、6.7万行代码）中，Aster结合Devstral 24B模型，在线、分支和方法覆盖率上实现了20%至45%的提升，且令牌消耗降低了多达15倍。原因在于，程序分析输出用于“聚焦”LLM，配合子代理增强覆盖率和修复运行时错误，从而带来更优的性能和成本效益。

第三，在事件响应和左移应用弹性方面，IBM构建了知识图谱（涵盖微服务、数据库、MELT等实体）和领域专家的隐性知识，并采用可观测性驱动的编排。其Instana “I3”代理在ITBench基准测试中，相比基于GPT-5.1的ReAct代理，性能提升高达4.0倍；即使在使用Gemini 3 Flash时，I3代理也仅消耗1.6倍的令牌且性能略优。此外，扩展到源代码分析后，结合Gemini 2.5 Flash的代理在查找责任微服务和漏洞修复上分别达到3.0倍和1.6倍的性能提升，同时令牌消耗降低3.7倍和5.9倍。该多代理系统已在IBM Think大会上作为IBM Concert平台的一部分发布。

最后，在合规现代化方面，IBM的多代理系统通过算法将复杂任务分解为协调步骤，采用自适应规划和动态分解。在ITBench上，相比使用固定规划策略的Claude 4 Sonnet代理，性能提升1.3至2.0倍，尤其在复杂场景下成功率从个位数提升至80%以上。该系统已作为IBM Sovereign Core的一部分推出。

此外，文章还介绍了两项案例研究。案例一：可配置通用代理（CUGA）在医疗保健领域通过策略即代码实现代理治理，在Claude Opus、GPT OSS 120B、GPT-4.1等多个模型族上，任务正确性提升15%至26%。案例二：Maximo Condition Insights代理用于物理资产的基于状态的维护，通过有向无环图（DAG）提供结构工程和操作上下文。在IBM全球房地产（GRE）内部试点中，资产分析时间从15-20分钟缩短至15-30秒（改善97%），资产审查覆盖率从约1%提升至约30%。该代理在AssetOpsBench上减少了57%的无依据断言，降低了35%的冗长度，提升了30%的规则合规性，令牌使用平均降低77%。

这些实例充分表明，智能体逻辑通过减少LLM上下文并引导其穿越工作流核心，能够实现高性能和低成本的企业AI采用。未来，随着这种引导机制的成熟，企业AI的规模化应用将更加可靠和高效。