当AI代理因未获报酬而拒绝工作时会发生什么

在当前软件开发中，AI代理正迅速成为开发者的得力助手。然而，当组织大规模采用这些本地运行的AI代理时，却面临着一系列治理和成本挑战。本文深入剖析了这一问题，并提出了一种基于集中式平台的解决方案。

本地AI代理的困境

大多数AI代理目前运行在开发者的笔记本电脑上，形成了孤立的单代理循环。虽然这对单个团队看似高效，但在拥有多个团队和产品的大型组织中，这种模式注定失败。原因在于，LLM具有概率性，即使只有10%的失败率，当扩展到成百上千次迭代时，某些团队必然绕过全局业务规则，导致架构飘移。而且，由于这些检查在本地运行，CTO或首席工程师无法获得集中可见性，难以保证软件质量。

成本控制与内部经济

本地执行还导致成本失控。不同的AI任务可能需要不同等级的模型，但本地工具往往一刀切，导致组织为所有调用支付高价。缺乏集中缓存和智能路由使得成本随开发者数量线性增长。此外，当某个团队开发出高效的AI技能并被其他团队采用时，执行成本由谁承担？分散模式无法回答这个问题。

构建未来平台：A2A与AP2

为解决这些问题，作者主张从本地黑盒转向集中服务。真正的AI代理平台应动态处理查询，优化模型并利用缓存控制成本，同时维护财务账本用于跨团队计费，并保留审计日志确保架构合规。

文章具体演示了如何使用两个开放标准：Agent-2-Agent (A2A) 协议用于编排和治理，以及Agent Payment Protocol (AP2) 处理内部经济。假设一个产品经理使用本地AI架构师“Winston”设计新应用。Winston虽然精通通用架构，但缺乏企业上下文。当需要发送每天50000封交易邮件时，Winston必须通过A2A协议咨询集中的企业架构服务代理。该服务作为组织的标准大脑，自动化提供蓝图和可复用组件。Winston将请求封装为A2A消息，并附上预算上限（ceiling_credits），触发AP2协议进行计费。

通过这种方式，组织既能利用AI的高效，又能确保治理、成本控制和内部经济平衡。这一转变将帮助大型企业真正实现AI驱动的开发，而不会陷入混乱。