Glean CEO 提出企业 AI 代理栈正分化为六层结构

企业AI中真正可防御的资产不是模型，而是组织的世界模型。

每一个重大的计算时代都会分解为专业化层次，每个层次有不同的赢家。云计算分化为IaaS、PaaS和SaaS。现代数据栈分化为数据摄取、数据仓库、数据转换和BI。每一次，专才都击败了通才，因为每个层次都有自己的经济逻辑：自己的变化速度、资本需求和锁定效应来源。

企业AI Agent栈现在正在经历同样的事情。Glean的CEO Arvind Jain最近发表了一份关于新兴企业Agent架构的结构性分析，把我一直在思考的东西清晰化了。他描述了一个分为六层（安全、上下文、模型、编排、Agent和界面）的栈，每一层的可防御程度各不相同。Glean处于上下文层，所以通常的定位偏见需要注意，但无论谁提出，结构性论证本身是成立的。

以下三个部分分别讨论：模型层趋向共享基础设施、上下文层的两个深度、以及上下文与编排形成的复利飞轮。

模型层正最快地趋向商品化经济。训练成本大约每年增长2.4倍，据Anthropic的Dario Amodei称，当前前沿训练的成本已达数亿美元，十亿美元级的训练已经在进行中。地球上只有少数几个组织能在这个规模上运作：OpenAI、Google DeepMind、Anthropic、Meta，以及xAI和Mistral等少数其他公司。这是资本密集型基础设施，与半导体晶圆厂或云超大规模厂商具有相同的结构。我预计基础模型将成为共享公用设施，因此没有企业会在此基础上建立护城河。

企业已经在据此行动。37%的企业现在在生产中使用五个或更多模型，高于上一年的29%。不同任务需要不同模型：Claude用于代码和工具使用，GPT用于扩展推理，Gemini Flash用于低延迟路由，专用模型用于图像生成和embedding。把企业栈押在单一模型提供商上，与押在单一云上承担同样的风险。开放标准——如Anthropic的Model Context Protocol（现由Linux基金会托管，月均SDK下载量9700万次）和Google的Agent-to-Agent协议——正在使这种多模型企业AI架构变得可行。如果模型是基础设施，差异化必须来自栈的更高层。

大多数企业AI工作停留在我想称之为第一层上下文的位置：连接数据源、索引内容、执行权限控制、检索相关文档。这是RAG时代的问题集。它已被充分理解且日益商品化，几乎每个企业AI平台都提供连接器、向量存储和检索管道。第一层很重要，但每个平台都具备的能力很难构成防御。

第二层捕获的是流程级理解。大多数企业知识系统记录的是决策——最终进入CRM、工单系统或ERP的记录。但它们没有捕获这些决策是如何做出的：产生记录结果的会议、Slack讨论串、文档迭代、交接和非正式协调。

用机器学习的术语来说，记录系统给你的是标签。上下文图谱给你的是真正学习决策边界所需的特征空间和轨迹数据。当你的CRM记录Deal X以50万美元成交时，那是一个标签。上下文图谱捕获的是特征和轨迹：14次会议、3次利益相关者交接、定价谈判模式、以及产生该结果的竞争替代序列。仅用标签训练的Agent无法复制产生这些标签的流程。

这就是为什么许多早期企业AI部署产生的输出在技术上看似合理但在运营中毫无用处。Agent能检索到正确的文档，但无法重建人类会遵循的推理过程。当前企业AI中价值最高的问题，是用能够捕获和编码流程知识以及决策记录的系统来弥合这一差距。

强化学习提供了一个类比：编排器是策略，上下文图谱是学习到的世界模型，Agent轨迹是轨迹数据。每一次成功执行强化好的模式，每一次失败揭示上下文缺失或过时之处。

更多部署产生更丰富的轨迹，轨迹改善上下文图谱，上下文图谱改善Agent决策，决策建立信任，信任驱动更多部署。

这与推荐引擎和自动驾驶系统随规模提升的复利机制相同。Netflix的推荐越来越好，因为每次观看会话都产生训练信号；Waymo的驾驶越来越好，因为每英里都产生边缘案例。在企业中，Agent轨迹构建了一个组织世界模型——对你的具体公司如何运作的学习到的表征。

任何资金充足的实验室都能逼近模型权重。你组织积累的流程知识是护城河，因为它是独一无二的。没有其他人拥有你的会议模式、升级序列或非正式决策拓扑。

Gartner预测，到2026年40%的企业应用将具备任务特定的AI Agent，高于2025年的不到5%。McKinsey最新调查显示，23%的组织已在规模化部署Agentic AI，另有39%在实验阶段。但Gartner也警告，由于成本攀升和商业价值不明确，超过40%的Agentic AI项目将在2027年底前被取消。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）