最近，公司上线了一个 AI 门户，汇集了各个部门开发的各种各样的 Agent。这些还只是被“承认”的，没有登上台面的 Agent 更多。我也开始思考一个问题，我们需要这么多 Agent 么，这是一个好的架构形态么？至少作为用户，被哗啦啦推过来几十上百个 Agent，让我使用，我看着头都大。诚然，过去两年，Agent 成了出现最频繁的关键词之一。无论是代码生成、数据分析，还是流程自动化，几乎所有创新都在以 Agent 的形式呈现。似乎，这是一场技术能力快速释放的浪潮，企业正在进入一个人人拥有“智能助手”的时代。然而，如果仔细观察，我们开始发现一个耐人寻味的趋势，Agent 越来越多，质量良莠不齐，效果难以评估。我相信，这一定不是企业软件在 AI 时代的成熟架构形态，当前只是一个过渡阶段。Agent 的增加，不一定意味着系统在变得更先进，可能更意味着架构尚未真正完成转型。随着技术成熟，未来会逐渐收敛为一个“全能 Agent”吗？我不知道，可能会，也可能不会：但我们永远不能忽略企业本身的复杂性，这不是可以被简单整合的。
复杂性不会消失，而 Agent 只是它的映射
企业软件与一般软件的根本区别，在于它服务的并不是单一业务域，而是一个由多个业务领域交织在一起的复杂系统。财务、供应链、生产、销售、采购、合规、研发，每一个领域都有不同的规则体系、数据结构和判断逻辑，以及背后站着的一批想法观点迥异的人。这些领域之间既彼此关联，又保持边界，构成了一种既统一又分裂的结构。这种复杂性不是“实现难度”，而是一种结构性约束。它至少决定了边界不会随着技术迭代消失，知识不能被简单集中化处理，决策无法轻松统一建模，系统必须在分层与协同之间不断权衡。正因为如此，一个看似简单的问题——是否可以用一个 Agent 统一替代所有系统——在逻辑上可能并不成立。不是因为 AI 不够强，而是因为问题本身不允许被压缩。一个理解财务规则的智能体，并不自然具备供应链优化能力；一个擅长知识总结的 Agent，也未必能够承担生产调度中的实时决策责任。多个 Agent 的存在，可能不是 AI 能力的体现，而是企业复杂性的体现。它们代表的是不同知识域、不同责任边界、不同决策方式的分裂存在，而不是技术走向统一的过程。
AI 在企业软件领域的一个明显局限性是：AI 缺乏对大规模结构化数据的稳定推理能力。比如经年累月的工艺数据，仍然依赖传统算法去做质量、工艺水平等的分析。这就牵扯到另一个问题，关系型数据库与 AI 的融合方式是什么？会有一种新的数据库出现么，来融合关系型数据库和 AI 的能力？不知道。至少，关系型数据库在可预见的未来仍然是不可替代的。事务一致性、数据完整性和审计能力，是企业核心系统无法放弃的基础。但与此同时，AI 也并不会直接成为新的数据基础设施。它在面对大规模结构化数据时，仍然缺乏稳定的聚合能力、确定性和可验证性，这些能力对于企业决策至关重要。因此，可能更快发生变化的，AI 改变的是是人和数据之间的关系。过去，人通过 SQL 或界面间接操作数据库；未来，人更可能通过语义表达与系统交互，而系统在背后完成数据的理解与处理。数据库不再是用户的交互界面，而退回到一个可信的数据底座，AI 负责解释数据。这意味着一个重要的架构变化：关系型数据库会从现在的位置，往更深层的位置移动，退化为“底座”。
Agent 爆发，源于架构仍然停留在“外挂模式”
今天的 AI，大多数情况下仍然是以“外挂”的方式存在的。企业在现有系统上叠加 AI 能力，通过聊天界面、助手工具或 API 接入，让 AI 去读取数据、生成内容、提供建议。这种方式见效快，风险可控，是当下最自然的路径。但它同时也带来了一个结构性后果：每增加一个能力，就往往增加一个 Agent。于是，系统看起来越来越智能，但用户体验却未必变得更简单。这也是为什么我认为 Agent 的爆发，并不一定意味着架构成熟。相反，它更像是一种“未整合能力的堆叠状态”。系统没有将能力内部消化，只能通过不断新增组件来弥补。如果外挂模式不是终局，那么真正的转折点在哪里？可能在于：AI 何时进入架构核心。当前的企业软件，仍停留在“AI 增强”的阶段，即 AI 被作为工具附加在系统之上；而更长期的变化，是系统本身将以 AI 为中心构建，成为真正的“AI 原生系统”。在这种系统中，可能用户不再需要理解流程与界面，而是表达目标；系统会基于上下文理解意图，自动调用能力、处理数据并输出结果。业务逻辑不再完全固化在代码或流程中，而是部分由模型动态生成。届时，企业软件不再只是功能的集合，而是一种持续理解、编排和执行的能力载体。
夜雨聆风
