AI 原生如何重塑企业架构——从插件到主体的范式迁移
AI 从"系统中的一个接口"，演变为可以独立构成应用的"主体"——这个跃迁已经发生。本文从智能体的四个核心出发，梳理上下文工程、Agent Mesh、企业落地案例，以及传统企业走向 AI 原生的三步路径。
ai-native · architecture · agent · enterprise · ontology
这篇是 《科技慢半拍》EP128：AI 原生如何重塑企业架构 的文字稿整理版，补充了节目中快速带过的上下文工程细节与企业架构三层重构逻辑。
楔子：AI 不再是插件
人工智能并不是一个新词。早在”十三五”规划期间，企业界就流行一个词叫”ABCD”——其中的 A 就是 AI。但那时的 AI 更多以技术模块的形式嵌入现有系统：人脸识别登录、专家系统、算法预测。它是”系统中的一个接口”，而非”系统本身”。
今天，大语言模型、生成式 AI、Copilot、智能体（Agent）——AI 已经可以独立构成应用。它不再是依附于传统系统的”插件”，而是可以自主构建、持续学习、直接与用户交互的**“主体”**。
这正是”AI 原生”概念的起点。
就像”云原生”从云计算提出到真正普及经历了近十年，AI 原生也不会一蹴而就。它需要经历技术成熟、应用演化、组织适应等多个阶段。我们今天所做的，更多是在构想未来的图景，并在当下找到合理的切入路径。
一、智能体的本质：四个核心与上下文工程
要理解 AI 原生，首先要理解智能体。早在 2022 年，一篇论文就提出了智能体的四个核心组成部分：
- 规划（Planning）：具备目标分解、自我反思、思维链等能力
- 记忆（Memory）：包括短期记忆和长期记忆（如 RAG）
- 工具使用（Tools）：通过 Function Call 调用外部系统
- 行动（Action）：最终输出结果或执行操作
这四个部件组合起来，形成了一个能感知、能推理、能行动的闭环。
从提示词工程到上下文工程
单纯的”提示词工程”已不足以支撑复杂应用。“上下文工程”正在成为新趋势。
两者的区别在于：提示词工程解决的是”怎么说”——如何措辞让模型给出更好的输出；上下文工程解决的是”知道什么”——模型不仅需要理解用户的输入，还要能获取外部知识、调用工具、记住状态，甚至进行多轮推理。
上下文工程包含几个关键维度：
- 知识注入：通过 RAG 把企业私有数据实时接入模型的”视野”
- 工具编排：通过 Function Call 或 MCP 协议，让模型在需要时调用外部系统
- 状态管理：让模型记住跨轮次的对话状态和任务进度
- 角色塑造：通过系统提示定义智能体的角色、技能边界和行为约束
与此同时，知识工程的重要性正在回归。企业中的数据不只是”信息”，更是”知识”——如何构建实体之间的关系、理解业务背后的逻辑，成为 AI 能否真正落地的关键。这也是 Palantir 以本体论（Ontology）为核心构建竞争壁垒的底层逻辑。
二、从单体到 Agent Mesh
今天的智能体正在经历从”单体”到”协同”的演进：
- 从单一模型到多智能体协作
- 从内部调用到外部集成（调用 SaaS、Web 服务）
- 从混乱实现到标准化协议（MCP、A2A 协议）
- 从紧耦合到分层解耦（将技能封装为 Skill 层）
麦肯锡提出的 Agent Mesh（智能体网格）是这个演进方向的最佳注脚。它类比于微服务架构里的 Service Mesh——解决多个智能体之间的服务发现、负载均衡、安全通信和可观测性问题。
当一个复杂业务任务需要多个智能体协作完成——一个负责数据检索、一个负责代码生成、一个负责合规审查——Agent Mesh 提供的是协调这些智能体行为的”基础设施层”，而不是把所有逻辑塞进一个超大提示词里。
智能体平台的空间正在被压缩
这里有一个值得警惕的趋势：智能体平台夹在中间的空间，正在被上下两层压缩。
- 向下：底层模型越来越强，能自主拆解复杂任务，不再需要复杂的流程编排来”手把手”引导
- 向上：上层应用软件更懂业务场景（CRM 更懂销售、EHR 更懂医疗），能更贴近用户直接集成 AI 能力
夹在中间只做”流程编排”的智能体平台，如果没有差异化的知识层或垂直场景深度，将面临被边缘化的风险。真正有价值的不是会跑流程，而是懂知识。
三、企业级落地：几家公司的路径
看几家领先企业的做法，可以清楚地看到不同的战略选择：
IBM 提出的企业级 AI 智能体框架，强调安全、合规、弹性、多云部署，并与传统系统集成。这是大型企业买单的语言：先解决信任问题，再谈效率提升。
麦肯锡 提出 Agent Mesh 概念，解决多智能体协作问题。它的核心命题是：当一个企业同时跑着几十个 AI 智能体，谁来协调它们、谁来审计它们、谁来做负载均衡？
Salesforce 推出了 Agent Force，将其 CRM 能力与 AI 深度整合。路径是**“让 AI 懂业务”而不是”让业务适应 AI”**——从客户数据出发，让智能体直接嵌入销售、服务、营销的具体工作流。
OpenAI 在构建”Frontier”能力，支持集成第三方 Agent。这个方向是：把模型能力做到极致，然后通过标准化接口让生态来完成落地。
Palantir 是最值得单独说的一个。它以**“本体论（Ontology）“为核心**，构建知识层，成为 AI 基础设施的典范。Palantir 的逻辑是：在所有 AI 应用之下，需要一张描述”业务世界的实体与关系”的地图——这张地图不是 AI 自己画的，是人类通过领域知识构建的。有了这张地图，AI 才能真正理解”这笔交易涉及哪个客户、哪条产品线、哪个风险敞口”，而不是在语义上漂移。
这些案例说明：AI 智能体的企业落地，远不止模型选型，而是架构、安全、治理、知识的全面整合。
四、AI 对企业三类系统的深远影响
企业 IT 系统可以按功能划分为三类，而 AI 原生正在重写每一类系统的底层逻辑：
参与类系统（System of Engagement）
网银 App、电商前台、客服系统——这类系统的核心是”触达用户”。
AI 原生之后，它的方向是意图识别与自然交互。用户不再需要在层层菜单中寻找功能，而是直接说”帮我把上个月的账单按类别汇总一下”。界面正在消融，软件正在变成对话。
记录类系统（System of Record）
ERP、账本、核心业务系统——这类系统的核心是”记录发生了什么”。
AI 原生对这类系统的挑战最深刻：从”记录结果”转向”记录原因与背景”。
以前的账本记的是”2026-03-23 转出 10 万”。AI 原生架构里，系统还需要记录：为什么转出、基于什么决策、谁批准的、当时的约束条件是什么。这些”决策背景”才是 AI 未来能真正辅助决策的原料——没有背景，AI 只能做统计，无法做推理。
洞察类系统（System of Insight）
BI 报表、数据仓库、大数据平台——这类系统的核心是”从数据中提取规律”。
AI 原生之后，它的方向是从”数据分析”转向”知识构建”。不再只是回答”上个季度收入是多少”，而是能回答”为什么上个季度收入下降，以及根据历史模式，下个季度最可能的干预点在哪里”。
这三类系统将通过 AI 中枢进行整合，形成以 AI 为核心的架构范式。
传统系统的确定性 vs AI 的概率性
这里有一个根本性的设计哲学冲突需要正视：
传统系统追求**“确定性”——规则明确、结果可控、报错即终止。而 AI 系统是”概率性”**的——同一个输入，可能给出不同输出；推理过程不透明；“置信度”而非”正确/错误”是它的工作单位。
这意味着：未来的系统设计必须以不确定性为前提。 这不是退步，而是一种新的工程哲学——就像控制论接受反馈回路比完美预测更可靠一样，我们需要接受”带有审计和回滚机制的概率推理”比”确定性规则引擎”更适合某些场景。
五、AI 原生三步走
传统企业走向 AI 原生，不是一个非此即彼的选择，而是一条有节奏的路径：
第一步：现有应用 + AI
在现有系统上叠加 AI 能力——加一个 ChatBot、接一个模型 API、用 Copilot 辅助员工。这是最低风险的入口，但本质上仍是”嵌入”逻辑，AI 是外挂，不是主体。
这一步的价值不在于改变架构，在于建立组织对 AI 的认知和信任。团队开始了解 AI 能做什么、不能做什么、什么场景值得深入。
第二步：AI 中台 / AI 平台
以 AI 为核心，整合参与、记录、洞察三类系统，形成统一的调度与理解能力。企业开始把分散的 AI 工具统一治理，建立模型管理、提示词管理、知识库管理、安全审计的基础设施。
这一步的核心是**“让 AI 懂业务”而不是”让业务适应 AI”**——知识工程、本体论、领域数据的治理，是这个阶段最难也最值钱的工作。
第三步：AI 原生架构
以”本体论”构建企业知识体系，以意图识别替代固定流程，以原子化服务替代单体应用，以知识闭环替代报表驱动。
这一步不只是技术的演进，更是架构思想、组织逻辑、系统关系的全面重塑。应用的边界开始模糊，智能体开始跨系统协作，人的角色从”操作员”转向”意图指挥官”和”结果审核者”。
几个设计原则
走向 AI 原生架构，有几条原则值得提前确立：
极致轻量化——从数据库到向量、JSON、Markdown，随取随用。AI 最流利的接口是文本文件，不是关系型数据库的行列结构。
AI 自主性增强，但护栏先行——从”编排流程”到”自主拆解任务”，但越自主就越需要可审计、可回滚的约束机制。驾驭工程（Harness Engineering）是 AI 原生架构的基础设施。
人格化架构——Agent 像人一样有角色、技能、工具、权限。这意味着智能体需要身份（Identity）和授权体系，不能是一个匿名的”调用方”。
算力无限假设——架构要具备弹性，能随模型能力线性增长。今天的瓶颈是算力成本，但这个成本正在快速下降；今天看起来”太贵”的架构，三年后可能成为标配。
模型中立——模型正在趋同，企业的核心竞争不在于用了哪个模型，而在于知识的组织与利用。把竞争优势押注在模型选型上，是一个正在快速失效的策略。
结语：现在正是构想的最佳时机
AI 原生不是一个”要不要做”的问题，而是**“怎么做”的问题**。
它不只是技术的演进，更是架构思想、组织逻辑、系统关系的全面重塑。对于企业架构师和管理者来说，现在正是思考如何构建”未来型企业”的最佳时机——不是因为答案已经清晰，恰恰是因为答案还没有被锁定，先动手探索的人，才能积累真正有价值的经验和知识资产。
云原生从提出到普及用了十年。AI 原生大概率会更快。留给传统架构的时间窗口，比大多数人预期的要短。