過去兩年，AI智能體（AI Agent）成為AI落地的熱門方向。從 ChatGPT 的對話助手，到自動化辦公、代碼助手，再到多智能體協作平台，智能體被視為未來人機交互的核心形態。
然而在實際落地中，很多企業會發現一個殘酷現實：
構建一個真正可用的智能體，90% 的工作是軟件工程，只有 10% 才是 AI。
這一觀點最早由 Rakesh Gohel 在其著名的AI Agent冰山模型中提出，並在業內引發了廣泛共鳴。本文將深入解析這背後的邏輯。
圖來源：Rakesh Gohel（linkedin）
一、為什麼智能體是 90% 軟件工程、10% AI？
表面上，智能體看起來只是一個能理解自然語言、會自動生成結果的“大模型應用”。但真正的企業級智能體落地，遠不止一個 LLM：
- AI 模型只解決“腦子”的問題
- 理解任務、規劃步驟、生成內容或結果
- 這一部分就是“10% AI”
- 軟件工程支撐智能體的整個“身體和神經系統”
-
用户交互、權限控制、任務編排、數據流轉、工具調用、日誌監控、異常回滾
-
這些工作是“90% 軟件工程”，沒有它們，智能體無法穩定運行
用一句話概括：
AI 決定智能體“懂不懂”，軟件工程決定它“能不能幹活”。
二、AI智能體的冰山模型
為了直觀説明這 90/10 的關係，我們可以用冰山模型來理解智能體架構：
1. 水面上的 10%：用户可見的 AI
- 內容：自然語言交互、意圖理解、文本/代碼/報表生成
- 典型體驗：
- C端：ChatGPT、文心一言、通義千問、Cursor
- B端：智能工單助手、報銷自動審核、代碼自動補全
- 核心能力：
-
大模型（LLM）語義理解與生成
-
基礎任務規劃與工具選擇
用户看到的“智能”部分，其實只是冰山一角。
2. 水面下的 90%：支撐智能體運行的軟件工程
這部分是企業真正的建設難點，主要包括：
- 前端與交互層
- Web端、移動端、企業IM（釘釘/飛書）入口
- 對話UI、任務面板、狀態可視化
- 記憶與上下文管理
-
長短期對話記憶、任務鏈狀態、文檔緩存
-
典型實現：向量數據庫（Milvus）、Redis/ES
-
身份認證與權限控制
-
企業級 SSO、AD/LDAP、API網關鑑權
-
確保智能體任務執行可控、可審計
-
工具與執行層
-
RPA、OCR、知識庫、企業系統API
-
智能體的“手腳”，完成具體任務
-
智能體編排與調度（Orchestration）
-
多智能體協作、任務拆解、工具路由
-
只有少部分是AI推理，大部分是工程邏輯和任務管理
-
可觀測與日誌追溯
-
任務狀態監控、錯誤處理、操作日誌
-
B端智能體必須“看得見它在幹活”，否則無法信任
-
數據與基礎設施
-
ETL、數據庫、向量庫、雲原生容器、GPU/CPU集羣
-
保障性能、可擴展性和低成本運行
總結：水面下的 90% 負責讓智能體“落地、穩定、可控、可追溯”，而非展示“聰明”。
三、為什麼這個比例對企業落地很重要
- 防止高估AI能力
- 只關注模型而忽視工程建設，智能體很快失效或不可控
- 指導架構設計
-
把智能體當作軟件系統，而不是單個模型
-
先規劃好 Workflow、權限、數據、日誌、工具集成
-
明確團隊建設方向
-
90% 的工作需要軟件工程、架構、運維人才
-
只有 10% 是 Prompt、模型微調或推理優化
-
解釋為什麼B端落地難、C端快
-
C端重體驗，輕工程，冰山頂部就能跑 MVP
-
B端重交付，必須把冰山底部的 90% 建完整
