《代理式人工智能》：它不缺脑子，缺的是从经验里长本事

2026-11-11silcano

《代理式人工智能》· [法] 帕斯卡尔·博内特 著 · 毕玉 译 · 中信出版集团 · 2026 年 4 月
微信读书逐页截图 190 屏（p0001–p0190，正文 180 屏）· 读到第六章「推理：从速度到智慧」中途，全书未读完
逐字核对 11 屏（细目见文末阅读记录）。章屏数由 pages.jsonl 的 chapter 字段逐行切分聚合：引言 34 屏，六章依次 24、19、24、16、37、21 屏。这是一本只读了半本的书，下面所有判断只对这半本负责。

先说结论：这是一本把「智能」拆成「行动」来卖的书，而它最动人的一页，恰恰在讲行动为什么会失败。它不缺观点和案例，缺的是把案例钉住的钉子——所有故事都停在「我们的一位客户」，所有数字都没有分母。合上书你能带走的不是结论，是几个提问的顺序。

我原以为这是讲架构、协议、多智能体编排的技术书，读进去才发现是咨询公司的项目复盘：一个故事、一个框架、一句金句、一张示意图，然后进入下一个故事。好处是不会卡住，代价是不会惊讶。真正让我停下来的只有三处：p0130 满意度跌 18% 的客服项目、p0160 的「工具访问悖论」、p0190 用 20 亿参数打赢大模型的实验。这三处有棱角，其余被磨得很圆。

一、全书最狠的一句判断：机器在想象，人类在苦干

这本书开篇不讲技术，讲一个周六晚上的家庭假期。p0012，布雷恩在电脑前规划希腊之行，孩子在睡前为行程讨价还价。作者从这个场景里拎出全书最好的一句判断：

「机器在想象，而人类在苦干。」——p0012
同页引了合著者大卫的话：「我们把人类当成机器人，把人工智能当成创意工作者。是时候扭转这种局面了。」

它站得住，是因为后面跟着一个成本结构而非一句感慨。p0012 写得很直白：企业投入数百万美元用于前沿的人工智能技术，结果发现员工花在管理这些系统上的时间，比从事有意义的工作还多。这个观察不新鲜，但放在一本讲「代理」的书开头，它构成了全部论证的起点——如果 AI 只负责生成，人类就得负责搬运；搬运成本从来没被算进 ROI。

接着是 p0020 到 p0022 的急诊故事。玛丽亚下午三点十五分抱着肚子到急诊，医院刚上线的 LLM 入院系统开始登记评估。随后五个系统分别监测到：生命体征恶化、实验室结果出现内出血指标、药物存在危险相互作用、病史符合术后并发症模式。五个都在报警，没有一个能行动。护士詹妮弗只能手工检查每个系统的警报，在系统之间复制关键值，再输入协议、亲自协调。

「我们有五个不同的人工智能系统都尖叫着指出了问题，但它们都无法实际采取任何行动。我们才是四处奔忙，试图把所有线索拼凑起来的人。」——p0022，护士詹妮弗

这个故事精确地指出，「生成式」和「代理式」的分界线不在智力，而在有没有手：能看见、能判断、能喊，但伸不出手去改一条医嘱、调一张手术室排期。「尖叫」这个动词，把五个高分模型写成了五个被绑在椅子上的专家。

但要记下第一个疑问：这里真正的瓶颈是医院没有集成平台，不是模型没有 agency。五个系统各自为政，是采购与 IT 架构的历史欠账；把它们接通靠接口和流程，不是更强的推理。作者把组织问题写成了技术问题——这个手法全书反复出现。

二、SPAR 与 L1–L5：一副好用的坐标，也是一副偷懒的坐标

第二章给了全书唯一的原创框架。p0072 图 2-2 把智能体能力拆成四个动作：感知、规划（推理）、行动、反思，缩写 SPAR，资料来源标「Bornet et al.」，也就是作者自己的咨询公司。同页图 2-1 标题是「人类如何采取行动」，用意清楚：先证明人这么干活，再证明机器也该这么干。

这个类比选得聪明。p0074 讲行动时直接对标自动驾驶：执行转向要协调转向、加速、制动按精确顺序运行；智能体调用工具，也是在环境里执行操作、监控准确性。讲反思同样：遇到施工或拥堵，不只应对眼前，还把信息纳入知识库优化未来行程。最关键的是这句——自动驾驶出问题会由远程人员接管，所以智能体行动时也需要明确的机制让人工审查。

然后是 L1 到 L5。p0080 讲 L2「高级驾驶辅助」：能处理非常结构化的任务，但仍在「相当严格的参数范围内运行，并且需要大量的人工监督」。L3「智能体工作流」：像能在高速上独立行驶的车，复杂情况下仍需人类接管，在预定义边界内表现良好，处理复杂或特殊任务时表现欠佳。同页给了四种关键能力：视觉、语言、思考与学习、执行。

我要说的是：这套分级是写给董事会看的，不是写给工程师看的。它暗示能力是一级级往上爬的台阶，爬到 L3 就比 L2 强。但 p0123 的失败清单直接拆了这个假设——同一个系统可以一边规划多步策略，一边「仍会犯基本的逻辑错误」「未能理解大局目标」。它同时在 L3 和 L1。线性分级能帮你向老板解释预算，不能帮你判断这套系统明天会不会在生产环境里删错表。

更能说明问题的是 p0050 的 RPA 史。作者写得克制：RPA 机器人本质上是被编程执行一系列步骤，登录系统、检索数据、执行运算、把结果输入另一个系统。一家保险客户用它把保单数据从电子邮件转到旧系统，过去一个团队要花一整天，如今几分钟完成。紧接着是实话：早期 RPA 非常脆弱，如果单个屏幕变化或出现异常，比如缺少某个字段，机器人就会陷入混乱；它们没有判断力，严格遵循预设脚本。

这段历史之所以诚实，是因为它承认了一件事：自动化的瓶颈从来不是速度，是异常。从 RPA 到智能体，行业的赌注是「大模型能看懂异常」。但这本书没回答：看懂之后呢？看懂异常和有权处理异常，中间隔着整套权限设计。这个问题要等到第五章才被正面提出。

三、十八个百分点：全书最诚实的一页，也是最空的一页

如果只推荐一页，我推荐 p0130。项目负责人马乔里部署的客服智能体，基准测试得分表明它「拥有超人的智慧」，有望把客户服务变成无缝高效的操作。三个月后，马乔里不得不向董事会解释，为什么客户满意度下降了 18%。

作者的解释是全书的核心隐喻：它「就像一个极其聪明的应届毕业生，每次考试都拿高分，却无法从经验中学习，做事不动脑子，还缺乏基本常识」。它能与客户对话却忘记内容，会执行未经银行法规许可的操作，会做出看似合理但不符合规定的决定。「单独来看，这些合乎逻辑，在实际语境中却毫无意义。」

由此引出三大基石：行动、推理和记忆。作者的类比是：HumanEval 像 SAT，MMLU 像绩点，但「有招聘经验的人都知道，考试分数并不能预测工作表现」，重要的是能否把事情做成、能否思考复杂的现实情况、能否从经验中学习。

这是全书唯一一个负值指标，也是论证真正的支点。一本讲智能体的书，敢用「满意度下降 18%」引出核心框架，说明作者知道卖点在哪：不是能力多强，是能力和结果之间那道缝多宽。这个姿态值得尊重——多数同类书会写成「优化后提升 18%」。

但也正是这一页暴露了方法论有多薄。18% 没有分母：是 NPS、CSAT，还是投诉率？三个月是观察期还是项目期？样本多少通会话？对照组是谁？「基准测试超人类」用的是哪几个 benchmark？全都没有。这是咨询备忘录和研究报告的区别：前者提供模式，后者提供证据。

更值得警惕的是「应届毕业生」这个比喻。它很传神，却悄悄把责任从设计者转移到模型身上——「这孩子不会从经验里学习」，而不是「我们没给它记忆、没给权限边界、没给失败回滚」。一个不能从经验中学习的系统，往往不是笨，是没人给它写「经验存哪里、什么时候读、读错了怎么删」。比喻越生动，越容易让人停止追问。

四、工具访问悖论：全书最像工程文档的一节

第五章是全书最长的一章，37 屏，也是唯一真的在讲「怎么接」的一章。其中 p0160 提出了我认为全书最有价值的概念：工具访问悖论。

逻辑很干净：智能体拥有的工具越多，能力就越强，但同时出现安全漏洞或操作失误的可能性也越大。作者举了三种工具——发送电子邮件、访问企业客户数据库、连接支付处理系统。「如果没有适当的保障措施，同样的工具也可能被用来发送敏感的客户数据或发起未经授权的交易。」他还补了一句：这不是理论假设，在咨询工作中已经见过类似场景。

解决方案叫「渐进式工具访问」：不要一次把钥匙全给，按任务需要逐级开放。方向对——最小权限、按需授权、可撤销。但这一节只给了方向，没给刻度：第一周给什么权限？审计日志记哪些字段？出错后回滚到哪个状态？谁能一键停掉它？一个都没有。作者用「新员工」的比喻绕过了它们：你不会让新员工不受培训监管就随意行事。可新员工有劳动合同、有上级、有试用期、有离职流程，智能体只有一个 API key。

p0060 把落地难点列得更全：可靠性是最大挑战之一，要确保它「始终如一日地按预期运行，不出错或不产生意外行为」；无缝集成，必须能接上现有工具、API 和工作流程；数据质量起决定作用，输入低质量数据必然产生低质量输出；还有监管——「只有当人类最终掌控目标设定和关键决策的审查时，人与人工智能的协作才能奏效，尤其是在金融或医疗保健等高风险领域」。

同页还有一句被很多人引用：「AI 智能体是增强型的，而非纯粹的替代型。」配的是那个新员工比喻的完整版。这是全书态度最端正的一页——不许诺裁员，也不许诺乌托邦，只说这东西要有人带。

但同一本书在 p0093 又亲手拆掉了这份乐观。它说智能体最根本的局限在于「智能」的本质：它们不能像人那样理解世界，只是基于过去的模式预测接下来会发生什么。「这就好比一位极其出色的演员，能够完美地背诵台词，却无法真正体会其所扮演角色的情感。」然后落到一个具体场景：分析财务数据时，智能体无法独立验证数字的准确性；人类分析师会注意到数据「不对劲」，但智能体会自信地处理错误数据，不发出任何警示。

「自信地处理错误数据」这七个字，比前面所有关于可靠性的讨论都重。可靠性可以通过测试提高，而「不知道自己不知道」不能。你在它前面加多少审批节点，都挡不住它在一个没人想到的维度上安静地错下去。作者显然知道这一点，却没有停下来，而是转向下一个案例。这是全书的节奏：每次快要触到硬问题，就换一个故事。

五、回形针游戏：他们唯一一次自己动手

第四章只有 16 屏，是正文最短的一章，却做了全书唯一一次自己的实验。p0115 写他们用 Anthropic 的「计算机使用」处理一张 PDF 发票，把关键信息填进 Excel，作者形容那过程「就像看着一个一丝不苟但缺乏经验的实习生处理他们的第一项任务」。

真正有意思的是 p0118 之后。他们让智能体去玩《通用回形针》，一个关于目标漂移的经典游戏，网址 decisionproblem.com/paperclips，图 4-1 标注资料来源为作者弗兰克·兰茨。给它的指令只有一句：「玩并赢得回形针游戏。」

p0122 和 p0123 给了结果，分两栏。能力：在从未见过的复杂界面中导航；开发并执行复杂策略；从错误中学习并调整方法；长时间保持对目标的关注；为每个决策提供详细推理。局限：尽管有复杂推理，仍会犯基本的逻辑错误；有时会遗漏显而易见的优化措施；未能理解大局目标；需要指导以避免陷入次优策略。

我认为这份失败清单比成功清单值钱得多。它精确描述了今天智能体的形状：局部极强，全局很弱；能纠正执行错误，不能纠正目标错误；能在没有地图的地方走路，但不知道为什么要去那里。「遗漏显而易见的优化」和「未能理解大局目标」尤其致命，因为它们不报错——系统会给你一份漂亮的、正确的、没用的结果。

但方法上要说清楚：一个游戏、一次运行、一个模型。作者用的是「这项实验揭示了当前 AI 智能体存在的一些深刻问题」，把一次演示升格成结论。这不是造假，是文体——咨询报告习惯用「我们发现」代替「我们试了一次」。可读者需要知道：这是假设，不是定论；值得拿自己的业务去验证，不值得直接引用到董事会上。

六、从速度到智慧：二十屏讲了一个反自己的结论

第六章只有 21 屏，从 p0170 到 p0190，是我读到的最后一章。标题很好听，内容却比标题朴素：前半讲测试时计算，后半讲多智能体协作。

p0175 有一张真正的量化图。图 6-1 标题是「在美国数学邀请赛（AIME）中 o1 模型的准确率（Pass@1）与训练时、测试时计算量之间的关系」，资料来源 OpenAI。左右两个散点图，横轴是对数尺度的计算量，纵轴是准确率，点群明显往上走。作者的解读是：借助此类模型，智能体能主动学习、适应并实时优化行动，而非执行预设决策。

我的判断不客气一点：这张图证明的是「多想一会儿能提分」，不是「智能体会思考」。把 test-time compute 翻译成「从速度到智慧」，是一次漂亮的修辞跳跃。算力堆出来的准确率曲线和「智慧」之间隔着什么，作者没有论证，只用「至于未来是否会如此，让我们拭目以待」滑了过去。这句话本身诚实，但它出现在这样一章的标题之下，就显得心虚。

真正的好东西在最后两屏。p0190 讲「群体智慧」：更好的推理往往并非来自给单个智能体更多时间，而是来自让多个智能体共同推理。作者引蒙特利尔大学 Mila 研究所的研究，说协作推理甚至能超越最先进的单体模型。

接着是「规模悖论」：研究人员用较小的模型，有些参数甚至只有 20 亿，测试它们的「辩论框架」，发现即使这些小模型，在与多样化的同类模型进行结构化辩论时，推理能力也显著提升。「关键不在于模型的规模大小，而在于它们的架构多样性以及它们彼此之间挑战思维方式。」作者把它类比成研讨会：每个学生知识有限，但通过讨论和辩论，往往能获得超越单个专家的洞见。

这是全书最好的发现，也是最大的自相矛盾。如果多样性比规模更重要，前面五章用算力、基准分、参数规模搭起来的进步叙事就松动了；如果 20 亿参数靠互相挑错就能逼近大模型，「智能体需要更大的脑子」这个前提就不成立。作者没有处理这个矛盾——书到这里断了，断在一句话中间。我读到的最后一屏，句子还没说完。

七、它的短板：半本书、二手案例、不肯落地的分级

现在说这本书哪里不行。我把话说重一点，因为它的优点已经被夸得够多了。

第一，它真的只写了一半。p0130 自己立的框架是三大基石：行动、推理、记忆。第五章 37 屏讲行动，第六章 21 屏讲推理，然后没了。记忆没有章。这不是抓取中断造成的错觉——章节标签到 p0190 就结束了，而 p0190 正在讲多智能体推理，明显没讲完。也就是说，这本书最重要的「记忆」，我一个字都没读到。所有关于「智能体能从经验中学习」的承诺，在这半本里都是空的。

第二，案例全是二手的，数字全都没有分母。医院是「我们协助的一家医院」，保险是「我们的一家保险客户」，客服是「一个叫马乔里的项目负责人」，金融服务是「在我们的金融服务示例中」。没有一个真实机构名，没有一组可复算的数据。p0130 的 18% 没有基数和样本量；p0050 的「一整天变成几分钟」没说几个人、多少单；p0100 说某金融服务的多智能体系统「在第一天就崩溃了」，也没说崩在哪个环节。故事可信，数据不可查。作为咨询公司的获客材料，这样写没问题；作为一本中信出版集团署名的书，这是硬伤。

第三，L1–L5 制造了线性幻觉。它借自动驾驶分级，暗示能力是台阶。但 p0123 的失败清单已经证伪：同一个系统可以一边完成多步规划，一边犯基本逻辑错误。真实的能力分布是锯齿状的，不是楼梯状的。分级适合卖给董事会，不适合指导工程；它最大的害处不是不准，是让人以为「升到 L4 就好了」。

第四，名人背书开场，是营销不是论证。p0006 整页是贡献者名单和三句引言：比尔·盖茨说「从输入指令到轻轻点击图标」，萨提亚·纳德拉说智能体将成为「与计算机交互的主要工具」，黄仁勋说「Agentic AI 拐点已至」。三句都对，三句也都没有信息量——它们是发布会语言。用它们开篇，暴露了读者设定：不是工程师，是决策者。

第五，时间戳模糊，文风也滑。2026 年 4 月出版，正文大量讲 o1、讲 Anthropic 的计算机使用，却不标模型版本、不标功能上线日期，读者无法判断哪一句已经过期；我读到的屏里，唯一带来源的量化图是 p0175 的 AIME 曲线，也只有「资料来源：OpenAI」六个字。文字上，「代理式」与「智能体」混用，agentic 时而译「代理式」、时而直接叫「智能体」；句子也常长而空，比如 p0060「定义精确的目标和指令同样复杂，需要不断迭代以优化响应和决策」——完全正确，也完全没有用。

也得说句公道话。p0123 的失败清单、p0160 的工具访问悖论、p0190 的规模悖论，这三处是真材料，是真在一线做过项目的人才写得出的东西。它的短板不是无知，是文体——咨询顾问写书，习惯把结论打磨到没有棱角，代价是读者也很难被冒犯，从而很难真正记住。

八、这半本怎么用：三个今晚就能做的动作

抱怨完了，说点能用的。这本书虽然只写了一半，但有三处可以直接变成动作。

第一，用 p0130 的三问审你手上的 agent。能行动吗——它能不能真的改一个文件、发一封邮件、提交一张工单，而不只是给你建议？能推理吗——遇到没见过的界面，能不能自己拆步骤？能从上次的结果里改吗——它记不记得上次为什么失败？第三问不过，前两问都只是演示。这本书没写完记忆那一章，但这个提问顺序是完整的。

第二，用 p0160 的悖论做一张权限清单。每接一个工具写三行：最坏能做什么、出事后谁能撤回、撤回要几分钟。发邮件最坏是发给错的人，访问客户库最坏是批量导出，接支付最坏是重复扣款。三行写完，你会发现自己根本不想一次给全。所谓「渐进式工具访问」，落到实处就是这张纸。

第三，用 p0190 的结论改架构。与其上一个更大的模型，不如让两个不同来源的模型互查。多样性比规模更重要——这句话如果成立，评审者和执行者就不该是同一个模型，甚至不该是同一家公司的模型。这不是省钱技巧，是纠错机制：同源的模型犯同源的错，互相检查等于自己检查自己。

适合谁读：正在把 demo 推成产品、被「满意度下降 18%」吓过一次的人。不适合：想学提示词技巧、想找架构细节、想抄可运行代码的人——这本书一行代码都没有，一个协议都没讲，一个 API 都没给。

最后说整体判断。它的价值不在于告诉你智能体能做什么，而在于反复提醒你它做不成什么；可惜这些提醒都藏在案例的缝隙里，需要读者自己挖。一本好书应该把矛盾摆在台面上，这本选择了把矛盾留在下一页——而下一页，我还没读到。

一句话收尾：它把「智能」从脑子里拿出来，放进了手脚里；但手脚没有记忆，走两步就会忘了自己为什么出发。