2027年底之前，超过40%的智能体AI项目会被取消。Gartner在2025年给出的这个数字，被反复引用，但多数人把病因归到"模型推理不够强"上。失败数据指向的是另一个地方：原因很少是缺能力。
把语言模型智能体放进生产系统，等于给一台叙事引擎接上了真实业务。你让它做计划，它会产出一个关于"接下来应该发生什么"的合理故事，然后照着这个故事去执行。问题就出在这里。
Scott Stevenson在2024年发表过一个至今仍能解释大多数智能体失败的观点：人偏爱简短有说服力的故事，而简单故事在多因果系统里会驱动糟糕的决策。他的团队在Spellbook把过去的产品押注拆成16个属性做相关性分析，结果发现，几乎没有一个获胜属性跟功能本身的叙事有关。
真正预测成功的属性是结构性的：零配置就能立刻产生价值；团队里有人没经过批准就开始动手做；整件事能在两周内做出原型。这三条跟"这个功能听起来多聪明"毫无关系。
现实本身是难以辨认的，而条理清晰的叙述会让人误以为那是信心。于是团队拆掉混乱但能跑的系统，换上一套整洁的版本，然后看着整洁版本失败。
失败会随任务长度非线性放大
2026年一项综合了27篇基准、分类与审计论文的研究，覆盖19个不同基准，归纳出语言模型智能体反复出现的六类失败：工具调用与参数错误、规划与约束满足失败、上下文累积导致的长程退化、多智能体协调失败、条件不充分下的安全失败，以及测量效度问题。
其中两条发现应该直接改变你的架构画法。
第一条，失败随任务长度非线性复合。一个模型即使每一步单独处理得都不错，链条一长仍然会退化，因为每一次错误都会成为下一步的输入。
第二条，增加脚手架并不能稳定提升可靠性。加一个规划器、一个批评循环、一段更长的思维链，都不是修复，而是给一个自信的错误答案提供了更大的传播面积。对靠卖脚手架当解药的人来说，这条最不舒服。
让模式匹配做路由，别让模型自己讲故事
跑出可靠智能体的团队，把决策整个移出了叙事层。检索增强生成在查询时注入当前事实，微调把稳定行为烤进权重，混合模式则用检索保证知识时效、用微调控制输出结构。
结果是在一个窄模型前面放一个路由器，而不是在一个宽模型后面挂一串推理链。
模式匹配决定走哪条路径，模型只在已经被约束好的路径上写文字。这样做还顺带解决了引用问题：每一个数字都能给出出处，这是单靠微调做不到的。微调模型在自身窄域之外有很高的自信幻觉风险，因为它无法发出"我不知道"的信号。
菲律宾央行的数据：部署不是瓶颈，治理才是
菲律宾央行对该国金融业的AI做了一次专题审查。48家受调查机构中，21家已经至少有一个AI系统在生产环境运行，29家把AI写进了路线图。
10家机构按五个成熟度维度接受评估，治理排在最后，得分0.9；数据、模型和工具领先，得分2.1。
同一份审查明确指出，准确性和幻觉问题不在现行央行规则覆盖范围内，而一项决策的问责落在人身上，不在AI系统身上。这已经不只是政策空白，而是一份架构说明书。一个会叙述自己决策的模型，会让最弱的那一维更弱，同时把那个被点名的监管缺口继续敞着。
央行第1160号通函关于风险管理，本就要求问责、可审计、鲁棒、透明、公平与可解释。确定性路由是真正产出这六项属性的方式，而不是在文档里声称拥有它们。
用属性给智能体打分，别靠感觉
Stevenson的方法可以直接搬过来。列出你自己过去项目里真正起作用的10到20个属性，然后拿每一个待上线的智能体去对照打分。
对智能体来说，有用的属性包括：低置信度时是否失败关闭、检索层是否可审计、输出的每个数字是否带来源、依赖的工具变慢时它会做什么。这些都不是能力项，全部可以在上线前检查。
Gartner还预计，到2026年底，40%的企业应用会带上任务专用AI智能体，而2025年这个比例不到5%。部署浪潮已经开始。多数部署会犯的错，是信任模型去叙述自己的计划。评估下一个智能体提案时，看它的路由是否确定、是否可审计，而不是看它推理得多流畅。
留一个问题：你线上正在跑的智能体流程里，有哪些在明天删掉推理链之后还能正常工作？
热门跟贴