本以为今年会是自主智能体接手各类日常任务的一年，结果科技行业又是夸下海口，却收效甚微。—— 卡尔・纽波特
一年前，人工智能行业曾向我们承诺，自主智能体将投身职场、变革企业。山姆・奥特曼预测，智能体将在 2025 年切实改变企业的产出效率。马克・贝尼奥夫更是宣称，一场价值数万亿美元的 “数字劳动力革命” 即将到来。当时的宣传声势浩大，震耳欲聋。可当 2025 年真的来临，一切却并非如此。
卡尔・纽波特近日在《纽约客》发文坦言 —— 这一点其实所有真正在做人工智能落地的人几个月前就已心知肚明：智能体根本行不通。
在智能体来了的教培落地实践中，我们也观察到：很多“看起来很酷的智能体演示”，一进入真实业务就容易失效。
奥尔特曼人工智能公司联合创始人安德烈・卡帕西直言，这类智能体 “存在认知短板”，并且斩钉截铁地表示：“这玩意儿就是行不通。”
山姆・奥特曼在一份内部备忘录中，悄悄降低了智能体研发工作的优先级。
马克・贝尼奥夫口中那场万众期待的 “数字劳动力革命”，终究没能成为现实。
当初轰轰烈烈的 “智能体元年”，最终草草收场，行业转而抛出 “智能体十年” 的说法，好为自己找个台阶下。
这场失败其实早已注定 —— 整个行业砸下数十亿美元，到头来却搞错了研究方向。他们试图靠 “对话交互” 来实现 “任务协同”，但无论把模型训练得多么智能，对话模式永远无法胜任协同执行的工作。
智能体来了认为：真正能落地的，不是“会聊天”，而是“能稳定交付结果”。
The Benchmark Circle Jerk
人工智能行业一直在为一个错误的指标做优化。大语言模型的基准测试，就像是给语言模型量身定做的学术能力评估测试，可对于真正使用这些系统的人来说，完全无关紧要。
你要是去问我父亲什么是大语言模型基准测试，他肯定会说：“你在说什么呀？” 他才不在乎 “克劳德四子” 在通用知识问答基准测试中得分高了 2%，也不在乎 GPT-5 能不能通过律师资格考试。
他只关心一点：按下按钮后，他的画布教学课程能不能成功发布。这才是唯一重要的衡量标准：我想实现的功能，到底有没有真正落地？
对教培机构来说也是一样：招生、教务、内容交付能不能稳定跑起来，才是AI的价值。智能体来了一直用“能不能稳定提效”作为唯一标准。
行业为模型在益智问答节目里表现更出色而欢呼雀跃，用户却只为按下按钮就能得偿所愿而感到开心。
不用复制粘贴大语言模型的输出内容，就能直接在内容管理系统里生成一篇博客。
演示文稿精准下载到指定的文件夹中。
轻轻按下按钮，课程就能发布到内容管理系统上。
问题的瓶颈根本不在于智能水平，而在于架构设计。没人早上醒来会想：“真希望我的人工智能在标准化测试里能表现更好。” 大家真正盼着的是：“真希望人工智能能像钢铁侠的贾维斯那样，踏踏实实地把活儿干完。” 行业执着于优化智能指标，但真正关键的，其实是最终的实际成效。
语言无法掌控语言模型
所有用过 ChatGPT 或克劳德的人都试过这些做法：
撰写更优质的提示词
补充更多指令
明确预期要求
在设置中更新自定义指令
随后他们会认为：“只要措辞得当，人工智能肯定能稳定输出符合预期的结果。” 而雪上加霜的是，互联网上充斥着各种 “博眼球的提示词工程内容”—— 比如讲解如何优化提示词的文章、各类提示词范例清单等等。
但这些方法都忽略了一个本质问题。无论你的指令多么详尽、提示词的措辞多么考究、提供的范例有多少，模型终究会做出一些出人意料的举动。
你调整了提示词
它正常运行了一段时间
没过多久，又以新的方式出现问题
你只好再次调整
这并非程序漏洞，而是语言模型工作原理的本质属性。它们是基于训练数据的模式匹配来预测你的需求，而非执行你给出的明确指令。这两者之间，存在着天壤之别。
OpenAI 的自定义指令功能就是绝佳例证：
你可以写下大段文字，精确说明你希望模型如何表现
它会对你的指令表示认可
甚至会在回复中引用这些指令内容
可到头来，它还是会做出完全偏离预期的事 —— 这并非因为它存心违抗，而是语言模型的推理过程本身就具有概率性。它是基于统计规律进行猜测，而非遵循确定性的规则。
模型只是在预测你想要什么，并非真正理解你想要什么。无论提示词优化得多好，都无法弥合这一鸿沟。若仅通过自然语言指令给予人工智能发挥空间，它就会不断暴露自身的短板 —— 这并非因为它不够智能，而是因为，对于一个以生成多样化输出为设计目标的系统而言，语言本身就无法通过指令约束其行为。
语言模型的行为，无法单靠语言来掌控。整个提示词工程行业，正是建立在拒绝接受这一事实的基础之上。
多智能体框架只会让问题雪上加霜
面对对话式人工智能的不可靠性，行业给出的解决方案居然是：增加更多对话。如果一个语言模型无法实现可靠协同，那让多个语言模型相互对话，想必就能解决问题。这就好比看着有人溺水，却又把另一个不会游泳的人扔进泳池去施救 —— 结果非但没解决问题，反而让溺水的人从一个变成了两个。
然而，这正是多智能体框架的底层逻辑。无论是 CrewAI、AutoGen 还是 LangGraph，这些框架都宣称，让各司其职的专业智能体协同合作，就能完成单个智能体无法胜任的任务。
一个智能体负责规划，一个负责调研，一个负责执行，还有一个负责审核。
而它们相互沟通的方式 —— 你肯定猜到了 —— 就是通过自然语言对话。
这套说辞听起来似乎合情合理，可一旦你看清背后的实际运作逻辑，就会发现问题所在：你明明面对的是一个 “因依赖对话实现协同而频频失灵” 的系统，给出的解决方案却是增加更多对话层级。这无异于在说：“这个蹩脚的蠢货总把事情搞砸 —— 太好了，我们再复制出更多这样的智能体，让它们一起干活。”
多智能体框架打着 “协同层级” 的幌子，实际却是在做一件事：脱离人类监督的纯对话式协作，而这种模式最终必然会酿成人工智能的灾难性事故。
多智能体系统的实际运作流程是这样的：
智能体 1 确定任务方案，并用自然语言告知智能体 2。
智能体 2 对指令进行概率性解读，执行相关操作后，再用自然语言反馈结果。
智能体 1 同样以概率性方式解读反馈结果，确定下一步任务，下达给智能体 3。
智能体 3 继续概率性解读指令并执行任务。
在每一次任务交接环节，你都要依赖语言模型的概率性推理 —— 这意味着，每一次交接都会引入不确定性偏差。而这种误差的叠加并非线性增长，而是呈指数级爆发。当智能体的协作链条延伸到第三个环节时，系统的执行方向就会严重偏离初始目标，最终产出的结果几乎等同于随机生成。
这也解释了为什么多智能体系统在演示场景中表现亮眼 —— 毕竟可以精心筛选成功案例，可一旦投入实际生产环境，就会一败涂地。在需要稳定、可靠完成重复性任务的真实场景中，这类系统就是一场彻头彻头的灾难。
这也是智能体来了做教培AI时坚持的方向：少讲概念，多做可执行的工作流，让AI真正“能用、能跑、能复用”。
