超越炒作：AI产品交付的工程范式革命与未来智能体的构建之道

TL;DR：

AI产品交付正从技术炒作走向严谨的工程实践，要求我们超越传统的软件工程范式，以适应AI系统的非确定性和有状态性。Phil Calçado的洞察揭示了智能体（Agents）和持久化工作流（Persistent Workflows）将成为构建下一代AI原生系统的核心支柱，这不仅是技术挑战，更是决定商业成功与否的关键。

在人工智能浪潮席卷全球的当下，业界焦点正从模型创新逐步转向如何将这些前沿技术转化为稳定、可靠且真正能创造价值的生产力工具。波士顿DevSummit大会上，Outropy创始人兼首席执行官Phil Calçado的主题演讲，为那些致力于在实践中交付生成式AI产品的软件领导者们，提供了一份深刻的“实战经验总结”。这不仅仅是技术细节的分享，更是对AI时代软件工程本质的一次哲学性思辨。

从炒作到生产：AI产品交付的残酷现实

Calçado以其三年的AI实践经验和30年的软件架构生涯为基石，坦陈了一个“残酷”的现实：早期AI产品，即使在基准测试中表现出色，也可能在实际应用中“彻底失败”。他以其早期尝试为管理者或工程师构建AI驱动的自动化工具为例，指出核心问题在于激励机制的错位。用户更倾向于“逆向工程”助理的内部设计，而非将其作为日常生产力工具。这一洞察揭示了展示技术新颖性与提供持续用户价值之间的鸿沟，是所有AI产品从实验室走向市场的首要挑战。

这种挑战进一步催生了AI开发中三种截然不同的心态：

• 等待AGI心态：团队聚焦于最新模型的发布和资金循环，而非迭代解决当前限制。这反映了一种对“奇点”的过度期待和对现实工程复杂度的逃避。
• 实验室精度心态：数据科学团队耗费大量时间追求微不足道的准确性提升，缺乏产品思维。其结果往往是与商业价值脱节的边缘化成果。
• 软件工程中心心态：强调在生产中快速迭代，开发轻量级、可插拔的组件，并进行严格测试和完善。这才是Calçado倡导并实践的，通往实际交付的路径。

架构革命：面向非确定性与有状态性

AI，特别是大型语言模型（LLM）的引入，对传统的软件工程原则构成了根本性挑战。Calçado明确指出，诸如广受推崇的**“十二因素应用”模型（12-Factor App）¹在AI系统中面临局限：配置不再是静态的，流程不能保持无状态，LLM调用引入了固有的延迟瓶颈。AI系统的随机性和有状态需求**，颠覆了我们对确定性、无状态服务的基本假设，迫使我们重新审视架构设计。

为此，Calçado引入了两个核心抽象：工作流（Workflows）和代理（Agents）。

• 工作流被定义为静态的、预定义的管道，执行一系列确定性的转换，如消息接收、对话去重或生成摘要。它们代表了系统中的可预测路径。
• 代理则代表了一种更具突破性的范式。它们是半自治的组件，拥有记忆、目标导向，并能动态调用工具或其他服务。Calçado将它们类比为传统面向对象设计中的有状态对象，但其内在的非确定性行为使其远超传统概念。

对于代理的设计，Calçado发出了重要警告：不要将其视为细粒度的微服务。LLM代理固有的有状态性和非确定性行为，会破坏传统的服务边界，导致脆性耦合和操作脆弱性。相反，他提倡使用语义事件总线（Semantic Event Bus）。通过传输结构化、意图驱动的事件（而非原始数据库变更流），这种模式能够解耦组件，并在系统内部实现可发现、可插插拔的行为。这标志着从数据流到意图流的范式转变，以适应AI的“意图理解”特性。

在组装AI管道时，将单体项目分解成具有清晰语义接口的小而明确的切片至关重要。例如，Autopi的每日简报功能就由独立的组件构成，分别处理Slack接收、重复对话检测、语义摘要和日历上下文丰富。这种模块化设计，结合语义事件，是应对AI复杂性的关键。

为应对AI系统中的持久化和有状态挑战，Calçado敦促团队探索如Temporal²这类持久工作流框架。这些框架能够清晰地将编排与副作用分开，透明地处理重试和超时，并为长期运行的有状态进程提供检查点功能。它们是构建高可用、高韧性AI系统的基础设施。

商业价值与生态重塑：构建韧性AI的价值洼地

从商业敏锐度来看，Phil Calçado的洞察指明了AI产业的**“价值洼地”。当大部分资本和关注涌向底层模型和应用层创新时，真正能够将AI能力转化为规模化商业价值的，是其背后的工程韧性（Engineering Resilience）**。一个AI产品即便拥有再强大的模型，如果无法稳定交付、处理异常、管理状态，也无法在竞争激烈的市场中立足。

Calçado的经验表明，那些能够克服AI系统随机性和有状态性的工程团队，将拥有显著的竞争优势。对企业级AI而言，这意味着更高的可靠性、更低的运营成本和更快的创新周期。因此，围绕“AI产品交付”和“AI原生系统构建”的工具、平台和服务，正迎来重要的投资机遇。像Temporal这类持久化工作流框架，并非AI专属，但其在处理有状态、长周期任务上的优势，使其成为AI基础设施的关键组成部分，扮演着AI应用“水电气”的角色。投资于这些底层“管道”和“水泥”，将是支撑未来AI经济体量增长的战略要地。

前瞻：AI工程的未来图景

Calçado的结论是：我们不需要从头开始重建一切，而是需要更好的平台来整合经过验证的软件工程模式，以适应AI系统的独特需求。这是一种务实的未来主义。AI工程的未来，并非全然的颠覆，而是深度融合与扩展。核心的软件工程原则——如模块化、接口清晰、测试驱动、快速迭代——依然是基石。但它们需要被新的抽象和工具所增强，以应对非确定性和有状态性带来的挑战。

展望未来3-5年，随着模型能力的提升和智能体概念的成熟，我们预见：

1. AI工程范式将更加成熟：从“炼丹”到“造器”，AI产品开发将越来越像传统的软件工程，但会融入更多对不确定性的管理和对智能体行为的编排。
2. 智能体生态系统将逐步形成：具备记忆、目标、工具调用能力的AI代理将成为新的计算单元，围绕它们将形成一套新的开发工具、测试框架和部署标准。
3. 韧性AI基础设施崛起：像Temporal这样的持久化工作流和事件驱动架构将成为AI原生应用的标准配置，确保复杂AI系统的稳定性和可扩展性。
4. 人机协作模式深化：AI工具将不仅仅是自动化的延伸，更是与人类工程师协作的“智能伙伴”，尤其是在需求理解、架构设计、测试验证等高阶任务中。
5. 伦理与治理内嵌：随着AI系统复杂性的增加，可解释性、透明度和鲁棒性将不再是附加功能，而是从设计之初就需内嵌的工程考量。

Phil Calçado的演讲，不仅提供了宝贵的工程经验，更是一次对AI时代软件工程哲学的高度凝练。它提醒我们，从AI的炒作中走出来，脚踏实地地解决其在生产环境中的工程挑战，才是通往AI真正普惠化和商业成功的必由之路。这是一场关于信任与控制、创新与鲁棒性的深层对话，将重塑我们构建未来智能文明的方式。

引用

• AI产品交付
• 生成式AI
• 软件工程
• AI Agents
• 架构设计
• 商业化