生成式 AI 的投资回报远超预期？Snowflake 调研全球 1900 位企业与 IT 专业人士后发现平均 ROI 高达 41%！点击下载完整报告
随着大语言模型能力的成熟，围绕 AI 智能体的讨论正在迅速升温。构建一个能够执行任务、调用工具的 Agent，已经不再是少数团队的专属能力。但在这场技术热潮之下，一个更现实的问题逐渐浮出水面：当智能体不再停留在演示环境，而是被放入真实业务系统中运行时，会发生什么？
CrewAI 创始人兼 CEO Joao Moura 以实践者的视角，在 BUILD 2025 大会上系统梳理了 AI 智能体从概念、原型走向生产环境过程中，所面临的一系列关键问题。这场分享的核心，并不在于“如何快速做出一个 Agent”，而在于如何让 Agent 在复杂系统中长期、稳定地工作。
从“会生成”到“会决策”：重新理解智能体的能力边界
在分享中，Joao 首先回到一个基础问题：什么才是 AI 智能体真正的能力来源。
他指出，很多人已经非常熟悉大语言模型在内容生成上的表现，例如生成文本、改写表达、调整语气。这些能力本质上仍然是“输出导向”的，模型根据输入，生成一段结果。
而智能体的出现，源于另一类能力的被系统性使用：决策能力。当模型不仅要给出答案，还需要在多个选项之间做出判断，并说明为什么选择其中一个时，它开始参与“思考过程”。
在此基础上，当系统为模型提供可调用的工具，并赋予其一个明确目标，模型就不再只是被动响应请求，而是开始围绕目标不断判断下一步行动。这种行动可能包括调用内部系统、获取业务数据、更新状态，甚至触发后续流程。
智能体并不是某种全新的技术形态，而是一个围绕目标进行持续决策与行动的系统。理解这一点，是后续讨论生产化问题的前提。
真正的分水岭：为什么原型和生产完全是两回事
在谈到智能体落地时，Joao 明确指出了一个现实情况：从原型到生产，并不是一次线性升级，而是一道本质不同的门槛。
原型阶段，团队关注的往往是“能不能跑起来”；而进入生产环境后，关注点会迅速转向“能不能持续运行”。这时，模型本身反而不再是唯一变量，系统层面的复杂性开始占据主导。
智能体一旦被放入真实业务系统，就意味着它将与 ERP、CRM 等核心系统交互，其行为可能直接影响业务流程。在这种情况下，系统是否稳定、决策是否可控、行为是否可预测，都会变成不可回避的问题。
很多阻碍智能体进入生产的因素，并不来自 AI 本身，而是来自工程、架构和系统集成层面的现实约束。这也是为什么不少 Agent 项目停留在 Demo 阶段，却迟迟无法真正上线的原因。
决策、工具与执行：Agent 在系统中的运行方式
一个智能体并不是简单地“调用模型”，而是需要在决策、工具调用和执行之间形成闭环。模型负责判断当前状态下应该采取什么行动，而系统则需要确保这些行动能够被安全、准确地执行。
当智能体需要调用外部工具时，问题并不止于“能不能连上接口”，而在于调用是否可控、结果是否可追踪、失败是否可恢复。这些因素，都会直接影响智能体是否具备进入生产环境的条件。
在这种结构下，Agent 更像是一个被嵌入到系统中的“决策节点”，而不是一个独立存在的智能模块。它的价值，取决于整个系统是否为它提供了稳定的运行土壤。
当数量上升：规模化带来的管理问题
当智能体不再是单点实验，而是开始成批部署时，另一个问题随之出现：如何管理这些 Agent。
规模化并不意味着简单复制更多实例。随着智能体数量的增加，部署、运行、监控和管理本身会迅速成为新的复杂系统。如果缺乏系统性的设计，智能体越多，整体风险反而越高。
回到整场分享的核心，Joao 传递出的判断其实非常清晰：AI 智能体的真正价值，并不在于是否足够聪明，而在于是否能够被可靠地使用。
当讨论从“能不能做”转向“值不值得用”，从原型转向生产，智能体面临的已经不是技术炫技的问题，而是工程与系统成熟度的检验。也正是在这个阶段，智能体才真正开始进入创造长期价值的轨道。
原视频地址：https://www.snowflake.com/en/build/americas/agenda/?login=ML
🔥【活动推荐】2 月 2 日-6 日，Snowflake Discover 重磅上线！这是一场免费、线上、可实时互动的技术活动，旨在帮助您全面提升数据与 AI 能力，深入了解如何更高效地管理、整合与分析数据。4 天时间 18 场技术干货分享，由来自亚太地区的一线技术专家亲自分享与讲解～
点击报名 Discover，更多 Snowflake 精彩活动请关注专区。
