當前關于AI Agent的技術棧有很多，但真正能夠用于企業的并不多。每一種技術框架和工具說起來都是非常優秀，但真要應用到企業中時卻總是捉肘見襟。想要把最新技術應用到現實業務場景與技術環境，中間還需要跨越很大的門檻。

每個企業的數字化程度不同，技術環境不同，對于技術的引入與融合也會有很大的不同。對于更多持續引入應用各種先進技術的企業來說，引入新技術并不難，難的是如何把新技術與原有業務進行妥帖的融合。對于當前大模型的應用而言，就是如何把AI Agent和大模型引入并與已有業務系統進行完美融合，這是大部分企業的純剛性需求。

對于企業經營而言，技術只是支持業務更好運轉的一部分。新技術作為戰術實施用來優化業務流程，而基于某種技術的企業戰略方是支撐企業運營的長久之計。所以對于AI Agent這樣的能夠高效變革企業經營的技術，企業最好能夠從更高的戰略層面去看待它的應用，這樣關于Agentic AI的戰略應用也開始被更多企業管理者進行探討。

在這個前提下，一些面向企業戰略的Agentic AI架構也由此而生。上篇文章，王吉偉頻道介紹了能夠提升編碼Agent能力的優秀技術堆棧AI賦能棧AI Enablement Stack，得到了很多讀者的關注。

這篇文章，向大家推薦一個面向企業的AI Agent技術棧：Agentic AI Stack for Enterprises。

這是由Agentico創始人Oliver Morris與變革管理專家Simon Torrance合作開發的綜合框架，從戰略企業角度映射了新興的Agentic AI生態系統。旨在為企業提供一個戰略視角來理解Agentic AI生態系統，揭示了成熟和新興的技術類別，能夠幫助企業理解這個新行業，識別機遇并為Agentic AI的大規模部署和員工轉型提供路線圖。總體是一個三層結構，分為九階段：

參與層：關注AI如何與用戶和系統交互，包括接口和第三方Agent。 

能力層：包含核心的AI功能和控制，包括控制、編排 、智能和 工具 ，其中工具包含新興的 下一代RPA和流程挖掘。

數據層：支持學習和問責制的基礎系統，主要包含記錄系統，Agent工作核算是其中的新興子類別。

Oliver Morris專門寫了一篇文章介紹這個框架，指出“Agentic AI的成功20%靠技術，80%靠變革管理。” 這強調了非技術因素（組織結構、治理、文化等）在Agentic AI部署中的關鍵作用。因此缺乏清晰的戰略假設和變革管理，技術堆棧的價值有限甚至存在風險。

需要說明的是，這個框架的重點不在于技術，而是強調成功Agentic AI實施需要技術和變更管理的結合，進而幫助企業建立生態系統合作伙伴關系和戰略能力。該框架從更廣闊的Agentic AI戰略視角看待Agent的部署與應用，尤其適合企業在現有業務系統下部署實施Agent的技術選型參考，值得企業管理者與開發者理解與掌握。

關于該框架，這里附上Oliver Morris介紹它的原文供大家參考和學習。

當技術人員專注于Agentic AI 的實現時，成功的企業領導者則有著更宏大的思考——生態系統合作、供應商選擇，以及戰略能力的構建。

Agentico創始人olivermorris與變革管理專家Simon Torrance合作，開發了企業Agentic AI技術堆棧Agentic AI Stack for Enterprises，一個從戰略企業視角描繪這個Agentic AI生態系統的綜合框架。

Agentic AI Stack for Enterprises揭示了這個新行業中既成熟又新興的各類技術層面。有些層面充滿創新活力，而另一些則幾乎空白，蘊藏著巨大的機會。

該技術棧分為三個層級：

• 交互層（Engagement）：AI如何與用戶和系統交互。
• 能力層（Capabilities）：AI的核心功能與控制。
• 數據層（Data）：支撐學習與問責的基礎系統。

實現Agentic AI的成功，技術只占20%，剩下的80%是變革管理。

該框架幫助企業將機會置于正確的戰略環境中：

• AI-人類團隊的動態自組織
• 具備低邊際成本的可擴展智能
• 企業范圍的知識放大
• 提升運營韌性

那些現在開始建立生態合作關系的組織，將在未來具備最強的能力構建和競爭優勢。

技術棧詳解

所有技術要素的底層，是一個關鍵的基礎組成部分：一個連貫而穩健的商業Agentic AI戰略。

這是一種假設，旨在與企業的整體戰略保持一致。它明確Agentic AI的愿景與目標，提出部署場景、成功路徑和實現目標所需的運營模型。

                         Agentic AI Stack for Enterprises架構漢化（機翻）

所謂“運營模型”，不僅包括技術棧中描述的技術要素，還涵蓋實現目標所需的非技術性技能、組織結構、指標、治理和變革流程。

顯而易見，Agentic AI的成功或許只有20%是技術，80%則是變革管理。

如果沒有這些基礎的、非技術性的要素支撐——以清晰、可驗證的戰略假設的形式加以明確——那么技術棧中的組件將價值有限，甚至存在風險。

由于篇幅限制，本文無法詳盡解釋每一層及其子組件，詳細說明留給客戶。下文會簡要描述每一層、突出重要子類別，并列舉一些具有代表性的創新公司。

1. 交互層（Engagement Tier）

  第1層：界面（Interfaces）

這是至關重要的第一層，AI服務在此與用戶對接，無論是消費者、企業客戶、企業員工（業務或 IT）還是其他非人類系統（如AI Agent或IoT設備）。應實現自然、可控的交互，同時保障可訪問性與安全性。

新興子類別：市場與發現API（Marketplaces & Discovery APIs）

這類平臺用于發現、評估和集成AI Agent，實現合作企業、供應商和客戶之間的連接。目前這些市場平臺仍處于初級階段，但隨著AI Agent在垂直行業中的普及，它們將快速成熟以滿足需求。

代表創新者：Agent.ai

由HubSpot CRM 創始人打造，這是一個AI Agent的市場平臺，用戶可在其中發現、連接并雇傭AI Agent完成各種任務。

  第2層：第三方Agents（Third-Party Agents）

Agent本身（單體或多體），幫助企業以更高效、創新的方式服務其終端用戶。

新興子類別：企業到AI Agent（B2A，Business-to-Agent）

隨著AI Agent的普及并獲得代表用戶進行采購的能力（在權限范圍內），它們自身也將成為特定服務的“客戶”。這一市場尚屬全新領域。創業加速器Y Combinator最近已為該領域的創業者提供投資支持。

代表創新者：暫無（目前市場仍為空白

2. 能力層（Capabilities Tier）

  第3層：控制（Controls）

確保AI Agent在政策范圍內安全、合規和倫理運行的保障層。該層設置安全護欄、監控合規性、維護審計日志，以建立信任、防止誤用并避免意外后果。

新興子類別：驗證與政策合規

由于生成式AI模型輸出具有概率性，不能完全準確，因此可以將政策與法律文件轉化為規則集合，并用于對模型輸出進行交叉驗證。這類“形式化驗證”與合規機制可提升用戶信心，使 AI 承擔更多關鍵任務。目前該領域參與者極少，有望迎來爆發。

代表創新者：Amazon Automated Reasoning

此工具支持將AI 輸出與既定政策對比驗證，識別錯誤并確保合規。借助自動推理技術提供數學級的正確性證明，降低“幻覺”風險，增強信任。

  第4層：編排（Orchestration）

負責協調AI Agent之間及其與人類之間協作的引擎。涵蓋部署、監控和工作流管理，以最大限度提升生產力并保障可靠性與可問責性。

新興子類別：微調（Fine-Tuning）

將預訓練模型通過特定數據集再訓練以適應特定任務或領域。當前的微調多針對個別模型服務企業特定需求，但研究表明也可以對Agent團隊進行微調，讓多個Agent既具專業性又能協作。

代表創新者：Predibase

為小型語言模型提供微調服務，幫助企業將AI 模型定制化用于特定場景。

  第5層：智能（Intelligence）

提供推理與語言能力的認知層，既包括OpenAI等外部服務，也包括企業自有模型。必須具有靈活性和可升級性，以跟上技術演進的步伐。

新興子類別：Agent運維（Agent Ops）

涵蓋Agent的監控、錯誤報告、持續評估與部署。隨著AI Agent具備更強自主性并執行更復雜任務，其服務水平也需自動化監控與管理。Agent Ops為Agent生命周期提供結構化監管手段。

代表創新者：LangSmith

提供實時監控、分析與優化AI Agent行為的工具，增強Agentic AI應用的可觀察性與可靠性。

  第6層：工具（Tools）

支持AI Agent與企業系統交互的執行層。通過API或標準界面（包括支付處理等關鍵能力）提供安全的數據訪問與操作權限。

新興子類別：下一代RPA與流程挖掘

RPA（機器人流程自動化）與流程挖掘（Process Mining）是Agentic AI 可以借力的現有技術。在大型企業中，RPA 通常用于自動化重復、規則驅動的任務。AI Agent通過推理能力可進一步擴展這種自動化。流程挖掘則用于分析業務流程并識別可自動化的低效環節，從而明確Agentic AI 的應用機會。

代表創新者：UiPath，國內如實在智能、容智信息、金智維等

成熟的自動化平臺，傳統上自動化人類重復的數字任務。如今結合AI 視覺與 API，UiPath 支持構建能理解并執行復雜企業流程的AI Agent。

3. 數據層（Data Tier）

第7層：記錄系統（Systems of Record）

為企業記憶和持續性提供技術基礎。記錄交互歷史、追蹤決策、管理成本，使AI Agent能夠從經驗中學習，并為企業長期戰略提供支持。

新興子類別：Agent工作核算（Agent Workforce Accounting）

當前的Agentic系統多被限制在權限和交易能力上。但隨著它們開始涉及財務決策，將有必要追蹤其直接成本與行為決，可以稱之為“Agent工作核算”。目前僅發現一家探索者，未來會有更多現有會計系統擴展到此領域。

代表創新者：Workday 的 Agent System of Record，用于管理和評估組織內AI Agent的系統，確保其行為符合企業目標與合規要求。

其他供應商與創新者

在這項工作中，Agentico建立了一個詳盡的創新企業與供應商數據庫。其他相關的企業列表和目錄大多組織混亂、不完整，甚至包含非Agentic解決方案。這一領域，目前已經出現一些特別具有創新性和重要性的企業，參與的玩家也已不少。

同時一些大型科技公司正在橫跨多個層級展開競爭，市場正在形成“控制點”之爭。雖然大規模投入最終有利于企業客戶，但由于供應商能力難以驗證，這也造成一定困擾。

因此，不建議將所有資源投入單一供應商。多供應商戰略更為合理。

企業領導者應明確，哪些界面、能力與數據是戰略資產，哪些則為通用商品。前者應傾向內建，后者可以外包。因此，穩健的商業Agentic AI戰略將為這一判斷提供依據。

主要創新優勢

• 該框架與技術棧（以及后續版本）旨在支持以下潛在的變革式發展：
• 高效的人機協作：人類與AI 團隊可依據各自優勢自組織并動態分工。
• 可擴展智能：企業能力可在不增加等比例人力與成本的前提下實現倍增。
• 知識放大：最佳實踐與專業知識可被捕獲、增強并在企業中一致部署。
• 運營韌性：混合勞動力可應對需求高峰與復雜性，同時保持質量與效率。
  支持新興的Agentic AI生態系統

此技術棧為多方利益相關者提供指導：

對企業而言：

• 提供從基本的生成式AI 到真正大規模利用Agentic AI并最終實現勞動力轉型的路線圖
• 幫助評估和定位供應商解決方案
• 明確能力差距與優先級

對供應商而言：

• 闡明當前產品之外的市場機會
• 指導下一代企業級AI產品開發
• 支持集成式解決方案建設

對投資人和創業者而言：

• 揭示超越當前GenAI應用的高價值機會領域
• 識別未被充分服務的細分市場

為戰略投資提供背景依據

展望未來

向混合人機勞動力的轉型，可能是自第一次工業革命以來最深刻的組織變革。

大多數企業仍專注于高級分析和基礎生成式AI，前瞻性的企業高管已經把Agentic團隊（Agentic Teams ）作為戰略必需。

他們意識到，未來的競爭優勢將取決于企業如何高效融合人類與人工智能。

Agentic AI Stack for Enterprises旨在為實現這一混合勞動力的愿景提供架構基礎，使AI Agent不再只是工具，而是真正的團隊成員。

那些現在開始構建這些能力模式的企業，將能以近乎零邊際成本為利益相關者創造新的價值層級，徹底改變其行業的經濟結構。

工作的未來既非純人工也非純智能，而是兩者之間無縫協作。現在，已經到了為這個未來做準備的時候了。

參考資料：The Agentic AI Stack for Enterprises：???https://www.agentico.ai/post/the-agentic-ai-stack-for-enterprises???

本文轉載自??????王吉偉??????，作者：王吉偉?