AI 原生系列 · 08
83% 的智能体和 24% 的智能体，是同一个模型
1 分钟带走的要点
Snowflake Summit 2026 的头条数据：同一个模型单独作战时得分 24%，接入受治理的上下文后得分 83%。你的 AI 智能体不是笨，是没吃饱上下文。逐条拆解这套「上岗」心智模型。
你的 AI 智能体不是笨，是没吃饱上下文。这是智能体化企业的「上岗」心智模型，逐条对应到真正落地的产品。约 8 分钟读完。
一个从两万人大会上走出来的数字
今年六月 Snowflake 的 Summit 大会发布了 26 项以上新能力，背后只有一个论点：智能体化企业靠的是受治理的上下文，而不只是算力。大多数发布会内容都会像往常一样在记忆里模糊成一团。唯独这一个数字不该被遗忘。
接入企业记忆层——由查询历史、元数据和仪表盘自动构建而成——之后，智能体回答业务问题的准确率据称达 83% 的准确率；没有它，只有 24%。 同样的模型，同样的数据仓库，唯一的变量，是有没有人告诉这个智能体，这家公司 到底是怎么定义它的世界的。
这一点，足以让你重新排一下优先级。当智能体表现不佳时，行业的默认反应是换模型——等下一个版本发布，或者付钱升级到更贵的档位。但这个数字说明，这种反应恰恰搞反了方向：模型从来都不是瓶颈。上岗才是。
心智模型：史上最聪明的新人，第一天上班
整套想法其实很简单，简单到都不需要一个缩写词：
一个加入你公司的前沿模型，是史上最聪明的新人——第一天上班，公司却没给它工牌，没给它员工手册，也没派主管带它。
让这位新人给你算一下第三季度营收，他会自信地给出四个数字。全部真实，但四个都不一样。这不是因为他笨——而是因为「营收」在你公司的不同系统里有四种不同的含义，而没有人告诉他哪一个才是唯一正确的那个。他没法刷卡进入存放优质数据的房间，只能就地取材、临场发挥。而由于没人复核他的工作，你要等到生产环境出问题时，才会发现他是在临场发挥。
当一位人类天才在第一周表现不佳时，没有哪个经理会说「我们需要一个更聪明的天才」。他们会说：给他发工牌，把员工手册递过去，告诉他谁负责什么，然后一直复核他的工作，直到信任建立起来。这——正是这个，没有更玄乎的——就是智能体化企业这套体系的真相。
逐项对照：这套上岗工具包，如今已是真实产品
一个经不起真实产品手册检验的心智模型，只是装饰品。所以这里是对照表——右边每一行，都是今年已经作为平台原语正式发布的能力：
工牌 = 智能体身份。 迄今为止最有分量的一项发布，其实不是模型： AI Agent Identity 已经正式发布（GA）——每个智能体都获得加密身份、按智能体分配的 RBAC 权限，以及完整的审计轨迹。智能体现在是一个主体，不再是借用某个团队服务账号跑起来的脚本——这在安全上，等同于把你的万能钥匙和你的名声都借给了实习生。
员工手册 = 上下文层。企业记忆层（Cortex Sense）从组织的实际行为——查询记录、仪表盘、元数据——中学习这个组织如何定义自己的业务。这正是 24→83 的杠杆所在。语义模型在 text-to-SQL 场景中做的是同一件事：准确率问题从来不是「模型会不会写 SQL」，而是「模型知不知道你那四个营收数字里哪个才是真的」。
组织架构图 = 数据血缘。现在，受治理的数据目录也会从数据仓库之外抓取元数据——Postgres、Tableau、dbt——并提供列级血缘追踪。这背后强制执行的规则，是每个数据科学家早已认同的一条：没有血缘的答案，就是谣言。
试用期 = 评测、审计与人类闸门。每一次操作都被记录，质量对照一条标准去衡量，只有证据支持时才扩大自主权。信任是靠被审查过的工作挣来的——对人如此，如今，结构性地，对智能体也是如此。
三副望远镜，因为一个火热的数字撑不起一套架构
在把整条路线图押注在「情境就是杠杆」这件事上之前，先用三种缩放尺度检验它。
30 天（够不够热？）。一场峰会，26 项以上新能力，一个统一的论点；一笔约 2 亿美元的合作，用来让前沿模型在数据边界内部运行，而不是把数据搬出去喂给它们。还有那条 83 比 24 的头条数字。诚实税——毕竟诚实正是这里的品牌：这个数字是vendor-reported at a vendor conference（中译：由供应商在供应商自办的大会上公布）——证据等级：claimed（中译：据称），未经独立复现验证。我把它当作一个方向来看待，而不是一个恒定的常数。这个方向依然精彩。
30 年（它撑过去了吗？）。数据领域里每一个长期赢家走的都是同一步棋：把工作挪得离受治理的数据更近。数据仓库把计算挪到了数据身边。知识图谱（“things, not strings”，2012 年提出）把含义挪得更近，并且活过了自己的炒作周期。特征仓库（feature store）把机器学习里的定义挪得更近——一个定义，两方消费，训练与线上服务之间的偏差不再靠英雄式救火解决，而是靠契约本身消灭。这段历史里，模型年年在换；围绕它们的结构却在持续复利积累。
500 年（它算不算古老的法则？）。1494 年，Luca Pacioli 把复式记账法系统化成文。这并没有让威尼斯商人变得更聪明，它只是让每一笔交易都多了一个见证人。在这套底层结构之上，银行随后运转了数百年，用的正是我们今天会称之为“智能体”的东西——有签字权限的职员、账本，以及审计员。受治理情境下的自主劳动，并不是 2026 年才发明出来的新鲜事。信任从来都不是一个人的属性，它是账本的属性。
我把这套理论用在了它自己的发布会上
自测环节：写这篇文章的同时，我把峰会材料本身喂进了我的开源流水线——输入散文笔记，输出确定性的知识主干。十六个概念，十七个引用来源，每个概念都能溯源到一个标题，每个来源都对应一个真实 URL；外加提取出的八项「技能」，每一项都附带一条诚实的notGoodAt 边界条件（零拷贝克隆无法隔离计算资源争抢；一个 feature store 也治不好一个没有复用纪律的团队）。不检索、不造节点——和目录强制执行的「不传闲话」规则一模一样。
真正值得抄走的是这一点：这套模式不依赖任何特定厂商。三个组件，哪里都能搭建起来，全部开源在我的仓库里——一个身份/认证层，让智能体成为一个权限受限、可审计的主体（brace); a 上下文主干，带有溯源必填节点（FDE-os：knowledgefy 加上 jd-compiler 流水线）；以及一个能说「不」的评估闸门，跑在 CI 里（cli-judge、rag-eval-harness）。各大平台如今都在把同样这三块东西打包成托管产品发布，我认为这是趋同证据，而非巧合。
上岗是一个循环，而这个循环本身就是护城河
按这个顺序跑这个循环——和给一个人办上岗手续的顺序完全一样，顺序本身很重要：
- 身份先于第一次查询。如果智能体不是一个权限主体，之后所有的管控都只是做做样子。
- 上下文先于能力。在增加工具之前，先接好语义层和数据血缘——一个装备精良却没有手册的智能体，只会更快地把自信的错误犯出来。
- 评估先于自主权。 闸门必须真能拒绝，也必须真能拦下来。一个否决不了发布的闸门，只是摆设。
- 自主权，只能靠证据换取。 审计记录积累到位，权限范围才会扩大——就像签字额度是一点点涨上去的。
这也是为什么这套打法比追新模型更划算：模型升级对所有公司一视同仁，上下文层却只帮你自己。 下一个前沿模型发布的当天，你的对手也会同步变强；但那一万条经过审阅、留有审计痕迹、可追溯数据血缘的任务记忆，只属于你一家。上岗这一课只需上一次——此后无论换哪家实验室的模型，新来的智能体都直接从 83 分起步，而不是 24 分。
记住这一句就够了
史上最聪明的新人正站在你家前台，问题恰恰出在前台。
别再忙着升级模型了，开始给它办上岗吧：一枚工牌、一本手册、一段试用期——身份、上下文、评测。
AI-Native 系列的更多文章
这些内容都收录在主页的 Writing 板块里。
本文属于 AI-Native 系列。支撑这篇文章的知识图谱、技能库与处理流水线均已开源：github.com/wjlgatech/FDE-os。参考来源：Atlan：Summit 2026 回顾 · Futurum · Constellation Research · OpenAI × Snowflake.