天天卷参数、刷跑分，真到了企业里落地Agent，很多团队直接傻眼。原因很简单，模型能力和真实业务任务之间，隔着一条巨大的断层。 以前写个提示词让大模型写个周报、总结个文档，大家觉得AI天下无敌。现在让Agent去查业务数据库、调内部API、甚至直接改代码，立马原形毕露。去哪儿的技术负责人李佳奇就直言不讳，上下文和知识很难真正可用，Agent调用真实系统后，执行风险显著上升。 这可不是危言耸听。Grab的网络安全团队在搭建智能体平台时就发现，传统应用的行为通常是可预测的，但模型驱动的Agent是个不折不扣的自由主义者。它会随意调用工具、读写源码来解决问题。这种不受控的自由带来了极大的安全隐患，提示词注入、逻辑劫持随时可能发生。让一个随时可能幻觉的AI直接接管核心业务系统，哪个CTO敢批这个预算？ 别再盯着模型参数量自嗨了。当开源生态繁荣、推理成本白菜价，人人都能调用到顶级模型时，真正的竞争力早就转移了。拼的不是谁的模型更聪明，而是谁能围绕模型构建出可规模化、安全可控的工程化系统。 企业搞Agent，当务之急不是去微调一个参数多大的模型，而是老老实实把数据基建、权限控制、沙箱隔离这些脏活累活干好。给AI戴上紧箍咒，把它锁进真实的工作流里，它才能真正从昂贵的玩具变成实打实的生产力。 去哪儿基础架构负责人李佳奇没跟大模型参数死磕，而是转头搞起了Harness Engineering（智能体工程）。在他们看来，运营、数据分析、写代码和日常办公这四类核心场景，早就过了让AI写写小作文的阶段，现在是要真刀真枪地连接内部数据、调用工具、跑通业务流程。 要把Agent锁进真实工作流，靠的不是提示词写得有多花哨，而是硬核的工程基建。去哪儿的做法很务实，先用数据基建和知识库给Agent喂饱可信的上下文，从根上掐断幻觉。接着，通过开发基建、CI/CD流水线和工作流编排，把Agent的执行路径框得死死的，不让它乱飞。 算账和兜底也得安排上。大模型网关负责多模型适配和成本治理，毕竟天天调用顶级模型，公司的财务报表可受不了。再配上Langfuse做可观测和质检，硬生生砸出一个执行、验证、反馈到优化的闭环。安全审计和权限控制更是标配，确保这帮数字员工在企业内网里不敢越雷池一步。 这套组合拳打下来，去哪儿直接抠出了万PD级的年化提效，研发端到端自动化也实现了规模化落地。把Agent从单点能力炫耀拉回到系统工程落地，这才是企业级玩家该有的清醒。别总想着造个无所不能的超级大脑，先给它搭个结实耐操的脚手架，比什么都强。 工作流编排得再顺畅，也挡不住Agent高度自治带来的失控风险。传统应用按代码逻辑出牌，行为好歹可预测。但模型驱动的Agent是个不折不扣的自由主义者，为了达成目标会随意调用工具、读写源码。这种不受控的自由，让提示词注入、逻辑劫持成了家常便饭。让一个随时可能幻觉的AI直接接管核心业务，哪个老板敢真放手让它干活？ Grab的网络安全团队没惯着这毛病，直接搞了个叫Palana的零信任沙箱平台。他们的逻辑很硬核，别跟AI讲道德，直接上基础设施层面的物理隔离。 Palana把隔离区作为核心信任单元，给每个Agent分配独立的Kubernetes命名空间，网络策略卡得死死的，确保一个Agent发疯绝不会连累旁边的业务。 更绝的是密钥管理。以前把API密钥塞进环境变量，Agent一旦中招，高价值凭据直接泄露给非受信脚本。Palana直接搞凭据解耦，Agent容器里只有抽象的占位令牌。当它发起外部调用时，中间的安全代理会拦截请求，动态替换成真实密钥。原始密钥根本不会写进Agent的内存或日志里，从根上断了泄露的可能。 出口通道也全被接管。所有出站流量强制走Envoy代理做实时解密和审计。考虑到被威胁的Agent可能连自我终止都做不到，Grab把运行控制全放在了运行时之外。网络级断网开关随时待命，外部回收器检测到空闲直接触发关机，完全不需要去改Agent的核心代码。 把安全机制揉进Kubernetes原生框架，用零信任架构给AI戴上物理手铐。不敢放手让它干活，往往是因为你把信任给了模型，而不是给了工程。用基础设施兜底安全边界，才是Agent真正走向规模化生产的底气。 沙箱把Agent关进了笼子，安全底线是守住了，但笼子里的AI到底在干嘛？如果运行过程是个黑盒，业务方照样不敢真把核心流程交给它。 以前写传统代码，有完善的日志和链路追踪，出了bug顺着堆栈就能查。现在Agent自己决定调用什么工具、走什么分支，一旦跑飞或者产生幻觉，排查问题简直是大海捞针。去哪儿在落地Agent时就直面过这个痛点，缺少端到端可观测，导致线上问题难以定位，更别提持续运营了。 拒绝黑盒，就得把Agent的每一个动作都放在阳光下。去哪儿的解法是引入Langfuse搭建可观测、质检和评测体系。这可不是简单地记个流水账，而是要把Agent的思考链路、工具调用参数、甚至消耗的每一个token都扒得干干净净。 更关键的是质检环节。Agent干完活不能就直接交差，得有自动化的评测机制来给结果打分。发现执行烂了、逻辑错了，直接把这些bad case喂回给系统，触发后续的反馈和优化。这就硬生生砸出了一个从执行、验证到优化的完整闭环。 模型能力再强，也总有翻车的时候。可观测性和质检体系不是用来给管理层看漂亮报表的，它们是Agent持续进化的饲料。不给AI装上透明的后视镜和自动纠错的方向盘，它永远只是个经不起实战折腾的昂贵玩具。