超越大語言模型：為何可擴充套件的企業AI採用依賴智慧體邏輯

在人工智慧代理（AI Agent）的快速發展中，大語言模型（LLM）雖然展現了強大的能力，但單純依賴LLM並無法實現企業級AI的可擴充套件采用。本文指出，真正的關鍵在於“智慧體邏輯”（Agent Logic）——一種由知識圖譜、程式分析庫、演算法等軟體原語組成的引導機制，它能在代理層主動將LLM導向企業工作流的核心，從而顯著縮小上下文空間，提升效能並降低成本。

IBM在其多個產品中驗證了這一理念。首先，在遺留程式碼理解方面，IBM watsonx Code Assistant for Z（WCA4Z）配備的App Insights代理利用深層靜態分析，透過預索引的資料庫模式儲存應用資訊，從而精準檢索結構化資料。在多個關鍵業務遺留系統（多達100萬行程式碼、1000個程式）的測試中，該方法相比前沿的純LLM方法，在保持略優的應用理解效能的同時，令牌消耗降低了約30倍。

其次，在測試生成領域，IBM的Aster庫透過程式分析實現單元、整合、API和變更測試的代理生成。在75個以上的Java CIO應用（多達560個類、6.7萬行程式碼）中，Aster結合Devstral 24B模型，線上、分支和方法覆蓋率上實現了20%至45%的提升，且令牌消耗降低了多達15倍。原因在於，程式分析輸出用於“聚焦”LLM，配合子代理增強覆蓋率和修復執行時錯誤，從而帶來更優的效能和成本效益。

第三，在事件響應和左移應用彈性方面，IBM構建了知識圖譜（涵蓋微服務、資料庫、MELT等實體）和領域專家的隱性知識，並採用可觀測性驅動的編排。其Instana “I3”代理在ITBench基準測試中，相比基於GPT-5.1的ReAct代理，效能提升高達4.0倍；即使在使用Gemini 3 Flash時，I3代理也僅消耗1.6倍的令牌且效能略優。此外，擴充套件到原始碼分析後，結合Gemini 2.5 Flash的代理在查詢責任微服務和漏洞修復上分別達到3.0倍和1.6倍的效能提升，同時令牌消耗降低3.7倍和5.9倍。該多代理系統已在IBM Think大會上作為IBM Concert平臺的一部分發布。

最後，在合規現代化方面，IBM的多代理系統透過演算法將複雜任務分解為協調步驟，採用自適應規劃和動態分解。在ITBench上，相比使用固定規劃策略的Claude 4 Sonnet代理，效能提升1.3至2.0倍，尤其在複雜場景下成功率從個位數提升至80%以上。該系統已作為IBM Sovereign Core的一部分推出。

此外，文章還介紹了兩項案例研究。案例一：可配置通用代理（CUGA）在醫療保健領域透過策略即程式碼實現代理治理，在Claude Opus、GPT OSS 120B、GPT-4.1等多個模型族上，任務正確性提升15%至26%。案例二：Maximo Condition Insights代理用於物理資產的基於狀態的維護，透過有向無環圖（DAG）提供結構工程和操作上下文。在IBM全球房地產（GRE）內部試點中，資產分析時間從15-20分鐘縮短至15-30秒（改善97%），資產審查覆蓋率從約1%提升至約30%。該代理在AssetOpsBench上減少了57%的無依據斷言，降低了35%的冗長度，提升了30%的規則合規性，令牌使用平均降低77%。

這些例項充分表明，智慧體邏輯透過減少LLM上下文並引導其穿越工作流核心，能夠實現高效能和低成本的企業AI採用。未來，隨著這種引導機制的成熟，企業AI的規模化應用將更加可靠和高效。