跨国深谈← 返回←智能体为什么总在最后一步搞砸？因为工作诀窍从来没被写下来

智能体为什么总在最后一步搞砸？因为工作诀窍从来没被写下来

关联

人物 Siddhartha Borah

公司 Bracket

概念 智能体 · 上下文 · 工作流 · 记忆 · 置信度分数 · 知识图谱

在 Heavybit DevGuild 活动现场，Scaling DevTools 播客请到了 Brackett 的 Siddhartha Borah。他的公司专攻一件事：让智能体学会企业里最复杂、也最没被记录下来的那部分工作。

为什么智能体总在“最后一公里”失败？

Siddhartha 观察，如今很多智能体系统在最后一步掉链子。

原因是缺上下文——真实工作往往跨系统、跨人，大量关键信息只存在一线员工的脑子里。

他举了个例子：Maria 每天处理承运商的发票，周末统一付款。但她知道有个供应商会在下周一才批量更新账单。

这个特例没人记录过，只在她脑子里。智能体遇到时就会出错 。

更麻烦的是，自动化有一条残酷的规律：哪怕你做到了 90%，剩下 10% 的上下文缺失，整个工作照样完不成 。

三个仓库的比喻：问题到底出在哪

写代码的人容易理解这个类比。假设一个功能横跨 3 个代码仓库，智能体只能访问其中 1 个，它必然失败。

所以现在大家的做法是把 3 个仓库都给它。

现实世界一样：一条信息在电子表格里，一条在 ERP 系统里，第三条在你脑子里。怎么让系统能同时“爬”这三种资源并理解它们？

他认为这是解锁真实世界智能体的圣杯 。

怎么教？让员工像带徒弟一样“演示”

Brackett 的方案可以想象成和智能体开一场视频会议：你说话、共享屏幕、照常干活，智能体在旁边听，随时提问。

上下文就在这个过程中传递过去 。

这个思路并不新鲜。从 Michelangelo 时代到人类历史的很长一段，师傅带徒弟就是靠看着干活学会的。

对于供应链运营这类非技术岗员工，最好的表达方式就是直接做 。

教会之后，怎么保证它每次都做得一样？

大语言模型有个特点：每次输出都可能不一样。这在探索时是优点，在企业里是大问题。

Siddhartha 说，你要的是一个跑 1 万次结果都一样的智能体 。

Brackett 的做法是把学到的知识转换成可编码、可验证、可重复的系统。纠正它一次，下次就不用再纠正了。

遇到没见过的情况怎么办？

突然来了一张格式完全不同的发票，这正是现实世界的常态。

Brackett 给智能体设计了置信度：发现输入和以前见过的不一样，它先回退给另一个智能体判断；那个智能体也没把握，就交还给 Maria。

Maria 解释一句“这家供应商规则更宽松”，系统就把它写进记忆，下次自己就能处理 。

记忆系统：还有一套“既视感”机制

记忆是他们投入最多的方向。

有一个智能体专门在旁边记笔记，还有一套类似 Claude 昨天提出的“做梦”机制，在夜间或固定周期整理信息该放在哪里，配合针对不同行业的知识图谱。

最有意思的是他们所谓“既视感”系统：主智能体专心帮用户干活，不让杂乱信息污染它的上下文；

幕后则有一群智能体组成的“乐队”在找相关信息，把结果作为提示递给主智能体。Siddhartha 认为这很接近人脑的工作方式 。

Brackett 目前即将走出隐身状态，更多消息可以在 bracket.ai 上看到。

本集带走

• 智能体常败在最后一公里：缺的不是数据，而是只存在于员工脑中、从未写下来的流程知识。
• 自动化的残酷规律：90% 的上下文 + 缺 10%，等于整个工作都做不成。
• 教智能体最自然的方式是“演示”——像师傅带徒弟，边干边讲。
• 企业需要确定性：学到的知识要转换成可重复执行的工作流，纠正一次即可。
• 遇到没见过的输入，靠置信度逐级回退到人，人解释一次后系统记入长期记忆。