你的 AI 智能体没有神经系统——所以它总是瞎忙
关联
一家做可观测性（observability）监控平台的公司，Matt Gibiec 是他们 AI Native 方向的解决方案工程区域总监。
这场演讲的标题很吓人：你的 AI 智能体没有神经系统。
他想说的其实是：这些智能体跑得飞快，但是看不见周围的环境——所以经常帮倒忙。
智能体为什么总在原地打转？
他用了一个所有人都遇过的场景开场：你让 Claude 干活，它反复做同一件事，不停消耗 token，就是给不出你要的结果。
现场所有人都举手了。
换个角度想：人做研究，发现方法不对，会换条路走。但今天的智能体做不到。
它们只能基于拿到的数据做判断，数据缺上下文、缺细节、缺权限，就开始幻觉，开始自动化一些根本不该自动化的流程。
他的 CTO Bernd 有句话概括得很好：智能体「operate at speed, but without sight」——跑得快，但没有视力。
上下文才是王
他的核心论点一句话：context is king。上下文，就是你能给智能体装上的那套神经系统。
一个智能体再聪明，如果它不知道你的服务之间有什么依赖、不知道用户实际怎么使用你的应用，它给出的建议当时看着对，长期看就是错的。
问题不在模型，在于它对你的环境一无所知。
他还点了一个扎心的问题：大家冲进 AI 时代冲得太快，每个公司都有个AI 老板在推智能体，但怎么衡量它到底带来了什么价值？
几乎没人有答案。
Dynatrace 的答案：Blue Box
接下来是产品演示：Blue Box，一个嵌进开发流程中间层的智能体，专职给你的 AI 编程智能体提供环境上下文。他举了几个场景。
场景一：本地测试一切正常，合并到主分支，三个服务挂了。
Blue Box 能为每个智能体、每个 AI 工作负载画出服务依赖图，把生产环境的上下文带进本地测试——让你在写代码时就知道，这个改动会不会砸了别的服务。
场景二：在问题变成事故之前发现它。系统学习历史数据，知道正常长什么样。
一旦某个服务变慢、开始抛出以前没有的报错，就能提前通知开发者。
再叠加代码仓库里的变更记录，还能告诉你：这个故障，其实是某个人推的那次合并造成的。
场景三：修 bug。修一个问题可能只需要改一行代码，但改完这一行，环境里其他部分会怎样？没有依赖图，你就是蒙着眼修。
所以他说，修复不只是解决眼前的问题，还要保证别制造新问题。
场景四：写代码之前先做研究。很多开发者拿到需求就直接开干，没人先弄清楚这个功能到底要给用户交付什么。
他的说法是「plan before you prompt」——在提示之前先规划。
最后是自动化失控的问题。如果任由智能体自己干所有事，「那会是个相当混乱的世界」。
Blue Box 的闭环是：观察环境、建依赖图、提前发现异常、建议修复方案——但最后一步，推不推送上线，由人来拍板。
演讲的收尾一句话：我们想帮智能体交付你敢信任的代码，送上生产环境。
本集带走
- 智能体跑得快但没有视力：它只能基于拿到的数据推理，数据缺上下文就会幻觉和瞎自动化。
- 上下文就是智能体的神经系统——context is king，模型不是问题，环境感知才是。
- 依赖地图 + 生产数据进本地测试，能避免「本地好好的、一合并就炸」的经典事故。
- 历史数据定义正常，偏离正常就预警，再对照变更记录，可以直接定位是谁的合并惹的祸。
- 自动化要有刹车：修复可以交给智能体，但上线不上线，人得保留最终决定权。
我觉得我们太快地跳进了 AI 世界和 AI 时代，以至于很多时候我看到客户——每个人都有那个 AI 老板、AI 智能体老板，但你如何衡量价值？
I think we jumped in so quickly to the AI world and the AI era that a lot of the times I see customers and spending three days in here talking to folks, everybody has that AI boss, the AI agent boss, but how do you measure value?
—— Matt Gibiec · [03:35]
而我几乎认为，尽管你想快速奔跑、尽快到达终点，我们还是需要稍微停下来，理解我们真正想要完成的是什么，以及我们如何衡量智能体的成功？
And I almost think that as much as you want to run fast and get there, we have to take a little pause and understand what are we really trying to accomplish and how can we measure the success of our agents?
—— Matt Gibiec · [03:58]
而上下文是什么，它就是你可以提供给智能体的那个神经系统。
And what context is, it is that nervous system that you can provide to your agents.
—— Matt Gibiec · [06:39]
这些决策和建议在当时看起来可能是对的，但从长远来看它们不会是对的，因为没有足够的上下文让那个智能体理解你的环境究竟是什么样子。
And advices that might seem right at that point, but they won’t be right in the long term because there’s not enough context for that agent to understand how your environment really looks like.
—— Matt Gibiec · [06:19]
我们能够真正做到在你提示之前先规划。
We’ll be able to actually plan before you prompt.
—— Matt Gibiec · [12:48]
归根结底，如果我们只是让智能体做所有事情，我认为那会是一个相当混乱的世界。
At the end of the day, if we just let our agents do everything, I think it would be a pretty messy world.
—— Matt Gibiec · [13:31]
顺着「智能体」挖下去
- 当系统出故障时，让 AI 代替作战室里的 50 个人——Traversal 谈如何造 AI SRE同概念:上下文 (context)、可观测性 (observability)、智能体 (agent)
- 拥有你自己的智能：Harness、Eval 与数据飞轮同概念:上下文 (context)、可观测性 (observability)、智能体 (agent)
- 垂直 AI 创业的七步配方：护城河不是模型，是领域专业知识同概念:人在回路 (human in the loop)、可观测性 (observability)、智能体 (agent)
换个口味
- DevOps 之父 Patrick Debois：AI 时代组织比技术更难成熟同概念:上下文 (context)、可观测性 (observability)、智能体 (agent)
- Together AI 产品团队全公开：一套仓库让 PM 下指令就出生产级 PR同概念:上下文 (context)、人在回路 (human in the loop)、智能体 (agent)
- AI 写代码翻倍之后：Honeycomb 的审查、信任与主人翁意识同概念:可观测性 (observability)、智能体 (agent)、Claude