掌握你的智能：实现持久AI优势的关键

在接下来的五年里，每家公司都将以两种方式之一使用AI：要么用于运营关键业务环节，要么作为产品销售给客户。在这两种情况下，通用智能都不足以满足需求。

要实现真正的影响，企业需要掌握自己的智能。掌握并不意味着从零构建每一层，而是控制那些决定智能行为、管理方式以及能否随时间积累的关键部分。

现成的AI是有用的，因为它具有通用性。它能回答常见问题，并在广泛的主题上进行推理。然而，假设通用智能能够直接驱动企业内部运营，那就过于简化了。每家公司都有其独特的运营方式。AI越深入企业，这些特殊性就越重要。

以一家大型保险公司为例，它使用AI协助处理理赔。通用模型可以阅读保单文件、总结理赔内容并解释常见的承保概念。但实际处理理赔需要依赖保险公司自己的保单语言、各州监管要求、欺诈信号、历史理赔模式、升级规则、客户分级和风险承受能力。这些细节不会存在于通用模型的权重中。通用模型知道“免赔额”这个词的含义，但它不知道如何针对特定客户、特定司法管辖区、特定保单和特定证据处理特定类型的理赔。

同样的逻辑也适用于AI作为产品本身的情况。如果你是一家垂直AI初创公司，正在构建AI支持代理、法律助手或编码代理，那么基础模型并不是你的产品。每个人都可以调用同一个API。你的产品是模型周围的系统：它处理的工作流、检索的上下文、能使用的工具、定义质量的评估、积累的记忆以及通过每次客户互动改进的反馈循环。

无论是哪种情况，优势都不在于通用智能，而在于适应特定业务的智能。

那么，掌握自己的智能意味着什么呢？首先，要控制代理系统。代理是原始智能与工作之间的桥梁。模型提供智能，编排决定了智能如何应用，上下文告诉系统在特定情况下什么重要。

第一层是模型。掌握模型可以指在需要主权、可移植性或部署控制时使用开源模型。也可以指保持模型可选性：能够根据质量、成本、延迟和隐私要求的变化在供应商之间切换。可选性具有防御性，因为它避免了锁定；也具有进攻性，因为它能让你在最佳模型出现时立即采用。

第二层是编排逻辑，它将模型输出转化为行动。编排控制着上下文的使用方式：路由、工具使用、工作流步骤、技能等。这里承载了大部分公司特定的行为。如果编排是封闭的，你就是在接受别人对你代理应该如何工作的假设。

第三层是上下文本身。上下文使通用智能变得具体：文档、政策、工具、技能、用户偏好、组织级知识和记忆。记忆尤其重要，因为它是系统随时间变得更有用的方式。如果你不掌握上下文和记忆，你就没有掌握系统积累的智能。

其次，要掌握经济性、质量和风险。一旦AI开始执行实际工作，企业就需要像管理任何其他运营系统一样管理它。这意味着控制工作的成本，衡量其质量，定义系统可以行动的边界，并知道它做了什么。

成本很重要，因为智能只有在相对于其产生的回报而言成本低廉时才具有价值。随着AI采用的快速增长，成本也在上升——以Uber的警示例子为证。能够在用户、组织或代理级别锁定成本，对于可靠地扩展AI至关重要。

质量需要衡量而非假设。如果你升级模型、改变提示、添加工具或调整工作流，你需要知道系统是变好了还是退步了。如果无法衡量，你就无法系统地改进代理，也就无法真正控制和拥有它。

边界定义了AI可以在哪里独立行动，哪里需要监督。企业需要控制代理可以访问哪些数据、使用哪些工具、哪些行动需要批准以及何时应该升级。掌握你的智能意味着控制它能做什么。

可观察性使系统可问责。如果代理采取了一个行动，企业需要看到它看到了什么、做了什么、调用了什么工具以及原因。这不仅对改进系统很重要，对审计和信任系统也很重要。

最后，要积累你的智能。最好的AI系统会随着使用而改进。第100次互动应该比第1次更有价值，因为系统已经学到了更多关于用户、工作流、政策、失败和偏好的信息。你需要掌握系统学到的东西，以及学习过程本身。

学习循环从追踪开始。追踪显示代理实际做了什么：它看到了什么上下文、调用了什么工具、在什么地方卡住以及产生了什么。反馈赋予这些追踪意义：行为是否有用、被接受、被拒绝、低效、有风险或错误。追踪和反馈共同构成了改进的原材料。

这些追踪及其关联反馈可以用来改进系统——通过改变提示、编排、工具。但同样重要的是与这些改变相关的评估。对于每一次更改，你都应该添加一个评估来捕捉该更改，并确保未来的更改不会导致回归。

至少，这些学习成果需要由你掌握。它们需要能从模型到模型、从系统到系统地移植。甚至，你应该自己拥有整个循环。同样，代理第一次使用时表现如何并不重要，重要的是第100次使用时它变得多好。如果这才是关键，那么你需要掌握驱动改进的循环。

掌握智能的清单：如果明天有新的模型提供商发布了最先进模型，你能轻松切换吗？如果你使用的模型提供商弃用了某个模型，你能自行托管以避免中断吗？你是否知道并能控制编排逻辑，以便精确知道每一步提供给LLM的内容？你能让代理以完全相同的方式在一个云环境、另一个云环境或设备上运行吗？你能按用户监控和控制AI支出吗？如果有人问代理为什么做了某事，你能展示完整的追踪和内部逻辑吗？你是否设置了评估以确保更换模型不会引入回归？当用户第100次使用时，代理会比第1次更了解他们并提供更好的体验吗？当代理学习时，你能将那些学习成果移植到完全不同的系统吗？你能控制代理如何学习吗？

战略选择：企业不需要构建AI栈的每一层。他们应该购买那些困难、通用且无差异化的部分。但他们需要掌握优势积累的层次：代理系统、围绕工作执行的治理以及通过使用使其更好的反馈循环。任何公司都可以采用AI。那些通过AI创造持久价值的公司将是掌握自己智能的公司。