一个忘关的开关，与企业Agent的全栈技术账单

云栖大会企业级Agent论坛开场前，极客邦科技创始人霍太稳接到一通电话。员工告诉他，上月上线的一个AI应用，原本预估Token费用约一万元，结算却花了三万。原因很简单：一个开关忘了关，应用在后台默默烧钱。关掉开关止住了眼前支出，却留下一串追问：谁启动了任务？运行了多久？费用算谁的？为什么直到月底才发现？这些问题指向一项基本要求：系统不仅要能做事，还要能解释做了什么、约束怎么做。

传统问答场景中，下一轮对话由用户决定。Agent则不同，接到任务后可能连续检索、调用工具、依据结果调整计划或发起重试。一次委托产生多少调用、占用多少资源，往往要跑起来才知道。企业因此面临双重不确定：结果不确定，成本也不确定。更准确的模型能减少误判，却替代不了权限校验、预算约束和故障恢复。Token单价下降，也不意味着完成一项任务的总成本一定下降。全栈协同的需求由此而来，算力、模型、数据、执行平台与治理机制要围绕同一项业务任务协同运作，做到身份可传递、状态可恢复、费用可归属、异常可发现。

IDC预测，到2029年全球部署的AI智能体将超过10亿个，约为2025年的40倍。Gartner则预测，到2027年底，超四成Agentic AI项目会因成本攀升、价值不清或风险失控而被取消。两组数字衡量的不是同一件事：部署数量可以快速膨胀，单个项目仍可能难以为继。企业真正关心的是，演示中能完成任务的Agent，能否在真实业务里反复交付合格结果。技术讨论常用“模型+Harness”来概括Agent，Harness是围绕模型的执行与控制框架，负责组织上下文、调度工具、记录状态、处理异常。基元律动联合创始人韩凯表示，模型决定智能上限，Harness保障端到端交付。

但在企业环境中，仅有这两项远远不够。满帮集团AI算法总监高艺铭把业务目标、上下文、Harness、运行环境和持续维护都纳入交付条件，先定义什么算完成，再配置数据、工具与资源，上线后还要持续检验效果。满帮的Agent涉及加价、成交和电话沟通，理解货主需求后，系统还要查询货源车辆、核实价格权限、写入交易系统，条件变化时决定继续、撤回还是转交人工。高艺铭说，错误一次，可能几百次正确都难以挽回。易方达基金首席信息官刘硕凌博士强调，选型不能只看上限，更要看下限，金融系统对“四个9”可用性有要求。企业对Agent的评估因此要超出演示的成功率：失败能否及时发现？高风险操作能否拦截？中断后能否恢复？争议时能否查清发生了什么？这些问题，模型能力无法单独回答。