ARTICLE · 1047858
AI 的下一跳:从个体智能到系统智能
AI 的下一跳:从个体智能到系统智能最近跟几个做 AI 工程的朋友聊天，大家都有一个类似的感受：单体 Agent 越做越没劲。 什么意思呢？就是你把一个大模型配上工具、配上记忆、配上反思循环，能做的事好像也就那样——简单任务没问题，稍微复杂一点，要么跑偏，要么卡死在某个步骤上，要么 token 烧了一大堆，结果还不对。 我盯着这个现象想了很久。也许问题不在"这个 Agent 不够聪明"，而在于我们用错了组织方式。就像人类社会的进步，从来不是因为某个人变得越来越聪明，而是因为协作方式变了。 先从最基础的阶段说起。 现在的大模型，本质上还处于"模型智能"阶段。它通过海量预训练压缩了整个互联网的知识，逻辑推理能力很强，但有一个根本限制——它是闭门造车的。 什么叫闭门造车？就是它只能被动等待用户在特定上下文中派发任务，自己不会主动行动。它就像一个被关在黑盒子里的超级大脑，你不敲它一下，它永远不会自己动。 要让这个大脑干活，我们手里有两张牌：提示工程和上下文工程。提示工程负责给它精准的指令和行为约束，上下文工程负责在运行过程中持续喂给它最新的外部资料和历史记录。二者结合，才能把一个静态模型的潜力尽量释放出来。 但这条路有天花板。不管你的 Prompt 写得多精妙，不管你往上下文里塞多少资料，单一模型的单轮推理能力是有限的。就像一个再聪明的人，让他一个人干十个人的活，他迟早会乱。 于是有了第二阶段：个体智能体（Agent）。 这一步的变化很关键——AI 从"被动回答"变成了"主动执行"。它不再是你问一句它答一句，而是有了目标、有了行动能力，可以自己规划步骤、调用工具、观察结果、调整策略。 你可能听过 ReAct、Plan-and-Execute、Reflective Agent 这些架构，本质上都是在做同一件事：让一个大模型形成"计划—行动—观察"的反馈循环，自己驱动自己往前走。 这一步很重要，它让 AI 从"知识工具"变成了"执行主体"。但问题也随之而来。 当任务复杂度上升到一定程度，单一 Agent 的短板会快速暴露。一个十步的任务，执行到第七步，它可能已经忘了前三步干了什么；一个涉及多个领域的任务，它在某个不熟悉的环节会反复卡壳；上下文窗口再大，也装不下所有依赖关系和中间状态。 很多人的第一反应是：那就把窗口再扩大点啊？从 32K 弄到 128K，再弄到 1M，不就行了？ 不行。无限扩大上下文窗口不是解决方案，而是在回避真正的问题。 复杂任务的本质不是"信息量大"，而是"依赖关系多"。你给一个人一本百科全书，他也没法同时管理十个项目。问题不在他记不住，而在他一个人顾不过来。 所以第三阶段的方向很清晰：从个体智能走向系统智能。 什么是系统智能？就是不再试图用一个超级 Agent 搞定一切，而是搭建一个多智能体协同的组织架构。每个 Agent 有自己的专长和职责，它们共享知识库、互相传递任务、在规则约束下协作完成复杂目标。 这跟人类社会的组织逻辑是一样的。一个公司不是找一个超级员工干所有事，而是招不同专业的人，组成部门，建立流程，让大家协作。AI 的演进路径也一样——从单体到多体，从单兵到组织。 但这里有一个关键问题：多个 Agent 怎么协作？ 靠聊天吗？让它们互相发消息自己商量？实践证明不行，协调成本太高，Agent 之间会互相冲突、互相掐架，最后效率还不如一个人干。 真正的答案是：靠结构。 这就是为什么最近"图工程"这个方向越来越热。图工程的核心目标，是把分散的智能组件组织成一个连贯、适应能力极强的有机整体。它不是让 Agent 自由对话，而是用图结构定义清楚：有哪些角色、它们之间是什么关系、任务怎么流转、状态怎么同步。 换句话说，单体 Agent 时代的核心矛盾是"模型够不够聪明"，系统智能时代的核心矛盾变成了"组织够不够高效"。 这是一个根本性的范式转移。 回头看这三个阶段，你会发现一个有意思的规律：每一次跃迁，都不是因为 AI 变得更"聪明"了，而是因为它的组织方式变了。 模型智能解决的是"能不能想"的问题，个体智能解决的是"能不能干"的问题，系统智能解决的是"能不能大规模协作"的问题。 如果你也在做 AI 相关的产品或技术，下次遇到瓶颈的时候，别急着换更大的模型——也许问题不在个体能力，而在组织方式。 你现在在哪个阶段？遇到的瓶颈是单体的还是系统的？欢迎留言聊聊。