最近跟几家做AI落地的企业聊，发现个特别扎心的共性问题：聊起 AI Agent（智能体）都两眼放光，说要做“企业专属的智能助手”，真动手建了才发现 ——要么跑不起来，要么跑起来了没法用，最后全卡在 “看似简单的细节” 上。
后来翻到 Rakesh Gohel 那篇刷屏的 AI Agent 冰山模型，瞬间懂了：想做一个真正能用的智能体，90% 的工作是软件工程，只有 10% 才是 AI。这话说出来，不少盯着 “大模型能力” 的团队可能会懵，但只要落地过就知道 —— 这才是真话。
先放张图，大家先直观感受下这 “冰山” 到底长啥样（来源：Rakesh Gohel 的 LinkedIn，建议存图对照看）：
一、别被 “智能” 骗了：AI Agent 的核心是 “能干活”，不是 “会聊天”
很多人一提到 AI Agent，第一反应是 “像 ChatGPT 那样能对话、会生成内容”—— 但这只是 “表面功夫”。
咱们把智能体拆成两部分看就懂了：
1.那 10% 的 AI：只负责 “想明白”
比如理解你说的 “把上周的销售报表整理成 PPT”，规划出 “先调数据、再算同比、最后排版” 的步骤，或者生成PPT里的文字内容。这部分靠大模型（LLM）就能搞定，也是大家最容易看到的 “智能”。
2.那 90% 的软件工程：负责 “干成事”
你想让智能体调销售数据，得先打通企业的 CRM 系统吧？（工具调用）
不同岗位的人能看的数据不一样，得做权限控制吧？（身份认证）
万一中间数据加载失败了，得有日志能查问题在哪吧？（可观测性）
甚至你在钉钉上发指令，智能体得能在钉钉里回复，这还要做前端交互……
这些看不见的 “基建”，才是让智能体从 “会聊天” 变成 “能干活” 的关键。
一句话总结：AI 决定智能体 “懂不懂你说的话”，软件工程决定它 “能不能把事干成、干稳”。光懂不干活，那不是智能体，是 “聊天机器人”。
二、拆解 AI Agent 冰山模型：水面上 10% 是体验，水下 90% 是生存根本
很多团队做智能体失败，就是只盯着 “水面上的 10%”，忽略了水下的 “生存基础”。咱们具体拆拆这两部分：
（1）水面上的 10%：用户能直接摸到的 “AI 体验”
这部分是最直观的，也是 C 端产品能快速跑通 MVP 的关键：
①比如你用 ChatGPT 写文案、用 Cursor 写代码、用文心一言做 PPT，甚至企业里的 “智能工单助手” 自动回客户问题 —— 这些都是 “水面上的体验”。
②核心能力就两样：大模型的语义理解（能懂你要啥）、基础任务规划（知道第一步干啥、第二步干啥）。
③但要注意：这部分只是 “冰山一角”，撑不起企业级的落地。
（2）水面下的 90%：企业落地的 “硬骨头”，也是成败关键
这部分没人会主动展示，但少了任何一块，智能体都没法在企业里 “活下来”。我按落地优先级拆了 6 块，都是踩过坑才懂的重点：
① 前端与交互层：智能体的 “入口”
不是所有人都愿意打开新软件用智能体 —— 得嵌在钉钉、飞书里，或者企业自己的 Web 端、APP 里。还要有任务面板，让用户能看到 “智能体现在干到哪了”，比如 “报表已生成 30%”。
② 记忆与上下文管理：智能体的 “记性”
你跟智能体说 “把刚才那份报表再加个环比数据”，它得记得 “刚才那份报表” 是哪份吧？这就要靠向量数据库（比如 Milvus）存对话上下文，用 Redis 存实时状态 —— 不然每次对话都是 “重新认识”，根本没法连续干活。
③ 身份认证与权限控制：企业的 “安全锁”
这是 B 端和 C 端最大的区别之一。比如财务岗的智能体，只能调财务数据；销售岗的，只能看自己客户的信息。得对接企业的 SSO、AD/LDAP 系统，确保 “谁能用、能看啥、能改啥” 都可控 —— 不然数据泄露就是大问题。
④ 工具与执行层：智能体的 “手脚”
智能体自己不会 “调数据”“做 PPT”—— 得靠 RPA 机器人爬数据、OCR 识别发票、调用企业系统 API 生成文件。这部分是 “干活的核心”，也是工程工作量最大的地方之一。
⑤ 智能体编排与调度：复杂任务的 “指挥官”
如果要做“季度总结自动化”，得拆成“调销售数据→算利润→写总结→生成 PPT” 几步，可能还需要 “数据智能体”“写作智能体”“PPT 智能体” 协作。这里面大部分是工程逻辑（比如 “数据调完再通知写作智能体开工”），只有少部分是 AI 推理。
⑥ 可观测与日志追溯：智能体的 “监控器”
企业用智能体，最怕 “黑箱操作”—— 不知道它干没干活、干错了在哪改。所以必须有监控面板，能看任务状态；有操作日志，能查 “哪步调用失败了”“数据从哪来的”。我见过有团队因为没做这个，智能体出了错查不到原因，最后只能弃用。
最后补一句：水下这90%，不负责“展示聪明”，只负责让智能体“落地、稳定、可控、能追溯”—— 但没有这些，再聪明的 AI 也没用。
三、搞懂 “90/10” 比例，企业落地能少走 80% 的弯路
很多团队一开始就错了，把 AI Agent 当成 “大模型应用”，而不是 “软件系统”。搞懂这个比例，至少能解决 4 个核心问题：
1.别高估 AI 的能力：别盯着模型 “死磕”
我见过有团队花几十万调大模型，结果智能体连“对接 OA 系统” 都没搞定 —— 最后模型调得再厉害，也没法干活。正确的思路是：先确定 “要干哪些活”，再看 “需要哪些工程能力”，最后选匹配的模型。
2.架构设计要 “从下往上”：先搭基建，再装 AI
别一上来就想 “怎么让智能体更聪明”，先画工程架构图：数据存在哪？工具怎么接？权限怎么控？日志怎么存？把这些 “水下的部分” 规划好，再把 AI 模型嵌进去 —— 不然就是 “空中楼阁”。
3.团队配置要 “重工程”：别全招 AI 算法岗
90% 的工作是软件工程，意味着团队里需要前端、后端、运维、架构师，AI 算法岗（做Prompt、微调）1-2 个就够了。我见过有公司招了一堆算法工程师，结果没人会对接企业 API，项目拖了半年没落地。
4.理解 “C 端快、B 端慢” 的本质：落地要求不一样
C 端产品比如 ChatGPT，只要把 “水面上的 10%” 做好，就能跑 MVP；但 B 端要的是 “能稳定干活”，必须把水下 90% 的工程基建做完整 —— 这就是为什么 B 端 AI Agent 落地难，但一旦落地，价值也大得多。
现在行业里聊 AI Agent，总爱强调 “大模型多厉害”“多智能”，但真正落地过的人都知道：能让智能体在企业里 “稳定干活” 的，不是那 10% 的 AI，而是那 90% 的软件工程。
如果你们公司正准备做 AI Agent，别先急着选模型、聊 “智能程度”，先找工程师把 “水下的 90%” 捋清楚：要对接哪些系统？权限怎么设？日志怎么存？把这些基础打牢，再谈 AI—— 这才是落地的正确姿势。