特赞企业级Agentic AI架构：以模型为公共基础设施

过去两年，大模型能力的跃迁速度远远快于企业组织结构变化的速度。文本生成、图像生成、数据分析、代码编写等能力迅速成为可以调用的资源，但企业真正的工作方式却没有发生对应级别的变化。原因并不复杂：企业的核心活动从来不是完成单次任务，而是在不断变化的环境中持续进行判断。理解市场、识别机会、定义产品、构建品牌、推动增长，这些活动构成的是连续运行的决策链条，而不是一次性的推理过程。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这正是为什么，大模型并没有直接改变企业。

如果从更长的技术史视角来看，过去二十年的企业软件大致经历了三次结构性迁移。

最早的企业系统，例如 ERP 和 CRM，本质上是流程系统，它们通过标准化流程重新组织企业资源，使企业能够规模化运行。随后出现的数据系统，例如推荐系统与商业分析系统，则开始将算法引入企业决策过程，使数据成为新的生产要素。但即便如此，算法仍然只是辅助决策工具，而不是参与决策结构本身。

大模型的出现第一次改变了这一点。但真正重要的变化，并不是生成能力的提升，而是模型开始成为一种公共基础设施。企业真正需要构建的，不再是单一模型应用，而是围绕自身业务结构组织智能能力的系统架构。

这意味着，Agentic AI 的竞争正在从模型能力竞争，转向上下文结构竞争。

这一变化也正在改变企业软件的交付方式。红杉合伙人Julien Bek 在其文章“Service is the new software”中提出：下一个万亿美元公司，将是“伪装成服务商的软件企业”，因为它们不再仅仅提供工具，而是直接参与企业结果的产生过程。软件的价值，不再体现在功能列表，而体现在是否能够持续影响业务 outcome。

这一判断正在 Agentic AI 体系中成为现实。当智能体开始围绕业务目标持续运行时，企业部署的就不再只是一个系统，而是一种可以参与经营过程的能力结构。

也正是在这一背景下，特赞提出了 Generative Enterprise Agent（GEA）这一企业级智能体架构体系。

GEA 并不是围绕单一模型能力构建，而是围绕企业真实业务运行结构设计的一套系统范式。它试图回答的不是“模型可以做什么”，而是“模型如何进入企业流程”。这一问题看似技术问题，本质上却是组织问题。

从 DAM 到 Context System：特赞进入 Agentic AI 的历史路径

理解 GEA 为什么由特赞提出，需要回到特赞过去十年的技术路径。

与多数从模型能力出发进入企业智能体领域的公司不同，特赞最早构建的是企业内容资产管理系统（DAM）。这一系统最初解决的是品牌资产、设计资产和营销资产的统一管理问题，但在长期实践过程中，团队逐渐发现，企业真正缺失的并不是文件管理能力，而是上下文结构能力。

企业的大量决策依据并不存在于结构化数据库之中，而沉淀在设计稿、传播素材、用户研究报告、品牌规范、活动复盘记录和项目过程之中。这些信息构成企业真实的判断依据，却长期无法被系统调用。因此，DAM 在特赞体系中的演化方向，并不是传统意义上的内容管理平台，而逐步发展成为企业上下文系统（Context System）。

这一系统的核心能力不是存储文件，而是持续构建企业上下文图谱，使品牌资产、项目经验、用户认知与策略路径成为可以被机器理解和调用的结构化知识网络。这一变化为企业级智能体系统提供了一个关键前提：模型第一次可以基于企业自身知识运行，而不是仅仅基于互联网知识运行。

GEA 正是在这一基础设施之上提出的。

当模型趋同之后，Context 成为新的企业权力结构

在模型能力快速趋同之后，一个新的问题开始出现：企业如何建立自己的机器决策能力。

如果模型成为公共资源，那么企业之间真正的差异来源只能来自两个方面：上下文密度，以及上下文结构方式。

特赞提出 Context System 的意义，正在于将原本分散在组织内部的隐性知识转化为统一的上下文来源，使智能体系统能够基于企业历史决策逻辑运行，而不是基于通用知识运行。在这一体系中，上下文不仅包含品牌规范和素材资产，也包括项目轨迹、用户画像、商品结构以及策略经验等多层级信息，它们共同构成企业可以持续积累的认知基础设施。

这意味着，企业级智能体系统第一次拥有了可以继承组织经验的能力。GEA本质上是围绕这一能力展开的架构设计。

类似的结构变化，其实已经在另一类企业软件体系中出现过。例如 Palantir 所构建的数据操作系统，本质上并不是传统意义上的分析工具，而是一种能够参与决策流程运行的数据基础设施。它通过组织企业内部的数据关系，使算法能够围绕真实业务目标持续工作，而不是围绕单次查询响应输入。

Agentic AI 正在将这种能力进一步扩展。从数据上下文扩展到业务上下文，从分析结构扩展到执行结构，使智能体第一次可以参与企业连续运行的判断过程。

GEA 正是在这一技术路径上的进一步演化，它将上下文能力从数据层推进到品牌、产品与增长结构之中，使智能体系统能够进入企业最复杂的业务决策环节。

从 Prompt 到 Intent：企业智能体系统的真正入口发生改变

传统生成式 AI 系统的运行方式依赖 prompt，而企业工作的运行方式依赖目标。这两者之间的差异决定了为什么 Copilot 体系很难直接进入复杂业务流程。

GEA 架构将业务意图作为系统运行的起点，通过 Intent Layer 将增长判断、产品探索或传播策略等高层目标转换为可执行路径，使智能体系统能够围绕真实业务结构展开推理，而不是围绕语言输入展开生成。

这一变化看似细微，却意味着企业级智能体系统第一次能够理解组织语言，而不是仅仅理解用户语言。

也正是在这一层之上，特赞进一步提出 Creative Reasoning Model，使系统能够在收敛之前展开可能路径空间，从而参与创新判断与策略制定过程，而不仅仅提供答案生成能力。

多模型编排能力，正在成为企业智能体系统的核心结构能力

随着基础模型数量持续增加，不同模型开始在视觉理解、推理能力和数据处理方面形成明显分工。单模型系统越来越难以覆盖完整业务链条，而多模型协同成为新的系统能力要求。

GEA 的 Orchestration Layer 正是在这一背景下提出，通过编排不同模型能力，使企业用户无需理解模型差异即可获得稳定输出结构。这种能力的意义，并不仅仅在于提升效率，而在于让模型能力第一次能够以系统形式进入企业流程。

模型不再作为工具被调用，而作为资源被调度。

这正是企业级智能体系统与传统生成式 AI 系统之间最重要的区别之一。

Proactive Agent：企业第一次拥有持续运行的智能执行结构

GEA 架构进一步引入主动型智能体，使系统能够持续监测环境变化并自动推进业务流程。例如在新品上市准备阶段，系统可以提前完成素材一致性检查，在传播阶段可以持续跟踪竞品动作，在复盘阶段可以自动生成策略总结报告，而这些任务并不依赖人工触发，而是在既定目标结构下持续运行。

这意味着企业第一次拥有一种可以持续运行的智能执行结构，而不是一次次被调用的生成工具。

对品牌型与产品型企业而言，GEA 改变的不是效率，而是判断结构

如果说 Agentic AI 的出现标志着企业软件进入新的架构阶段，那么它首先改变的，并不是所有行业，而是那些长期依赖复杂判断链条运行的组织类型。

特赞所服务的企业，大多属于这一类：品牌驱动型企业、产品创新型企业，以及高度依赖市场响应速度的增长型组织。这些企业的核心竞争力并不来自流程标准化，而来自持续判断能力。

传统企业软件擅长解决流程问题，例如库存管理、客户记录或财务核算，但品牌表达、产品方向与增长策略这些工作长期依赖团队经验运行。企业并不是缺乏数据，而是缺乏可以组织这些数据的认知结构。用户评论、竞品动作、传播反馈、历史项目经验、品牌资产规范，这些信息往往同时存在，却很少进入同一决策体系之中。因此，大量关键业务判断仍然停留在“碎片信息 + 经验直觉”的状态。

GEA 架构试图改变的正是这一点。

通过 Context System，将品牌资产、用户理解结构、项目轨迹与策略路径组织为统一上下文来源，使这些原本分散在组织不同角落的信息第一次成为可以被智能体调用的连续知识结构。进入系统的素材不再只是文件，而成为企业认知网络中的节点，并随着使用过程持续更新其语义关系，这意味着企业判断能力开始具备可积累性。

这种能力最直接改变的，是产品创新方式。在传统流程中，创新通常依赖单次调研或阶段性分析完成，而在智能体系统参与之后，行业变化信号、用户反馈结构与竞品策略路径可以持续交叉验证，使产品方向不再依赖阶段性判断，而成为持续运行的探索过程。企业第一次可以在方向形成之前验证路径，而不是在投入资源之后修正错误。

类似的变化也出现在品牌表达体系之中。过去品牌规范通常以文档形式存在，它可以约束设计结果，却无法参与设计过程。而当品牌基因被结构化进入上下文系统之后，品牌不再只是风格指南，而成为可以被调用的认知结构，使不同团队在不同场景中的表达保持一致，同时又能够持续演化。

在增长运营领域，这种变化则体现为策略生成方式的改变。传播路径不再依赖一次次 campaign 设计，而可以基于历史传播效果、用户响应模式与平台变化信号持续调整执行结构，使增长从项目制推进转变为系统性运行。

这些变化共同指向一个更深层的问题：企业长期缺乏的并不是数据，而是能够组织数据的结构；缺乏的也不是模型能力，而是能够调用模型能力的路径。

GEA 的价值正在于提供这样一种路径，使智能体第一次可以围绕真实业务目标持续运行，而不是围绕单次任务响应输入。

Generative Enterprise Agent，标志着企业软件进入架构竞争阶段

如果从更宏观的技术史视角来看，ERP 解决的是资源如何被组织的问题，CRM 解决的是客户如何被理解的问题，BI 解决的是数据如何被解释的问题，而 Agentic AI 正在开始解决一个更深层的问题——企业如何形成判断。

这也是为什么，今天企业部署智能体系统的意义，并不在于替代多少岗位，也不在于自动化多少流程，而在于是否能够建立属于自己的机器决策能力。当模型成为公共基础设施之后，真正决定企业差异的，不再是模型规模，而是上下文结构；不再是生成速度，而是判断质量；不再是单点能力，而是系统如何持续运行。

从这个角度看，Generative Enterprise Agent 的提出，并不是一次产品升级，而是一次企业软件范式的转移。它意味着企业第一次可以围绕业务意图组织智能能力，围绕上下文沉淀认知结构，并通过持续运行的智能体系统推动真实业务结果。

过去十年，企业采购的是软件系统；过去三年，企业尝试的是模型能力；而正在到来的十年，企业真正部署的，将是一套能够参与经营判断的智能系统。

当智能开始进入企业的决策结构本身时，AI 就不再只是工具，而成为企业新的认知基础设施。

这正是 Generative Enterprise Agent 出现的历史位置。

正式预约GEA 免费体验，为您的企业做一次系统诊断：

(公众号：)