作者 | Zohar Einy 译者 | 平川 策划 | Tina 本文最初发布于 THENEWSTACK 博客。 如今，任何人都可以很容易地在本地构建一个智能体。通过一些 LLM 调用、提示和几个工具定义，这个智能体就能在几分钟内为他们完 成实际的工作。但是，当这个智能体投入生产并被整个工程部门使用，涉及到真实的数据和实际的后果时，会发生什么呢？ 2015 年，谷歌发表了"机器学习系统中的隐性技术债务"。那篇论文为机器学习工程师指明了方向，并一针见血地指出了他们所面临的所有 问题。文中分享的那张图片也成了经典：一个标有"ML Code"的小方框，被庞大的基础设施模块所包围。 对于智能体，我们看到了相同的模式。智能体只是画面的一小部分，我们想要命名围绕它们的所有基础设施。 智能体工程系统特别擅长积累技术债务。它们有传统软件的所有维护问题，同时还要加上一些智能体才有的问题。几乎每个员工每天都在 创建新的智能体。很快，你拥有的智能体将比员工还多。 我们将智能体定义为任何具有动态决策能力的进程，它们能够通过推理和反思自主确定工具使用和执行路径。决策、推理和反思需要所有 辅助性的基础设施。 构建智能体很容易。但在生产 ...