源信息经过deepseek翻译并总结
摘要：
企业AI智能体难以投入生产主要因低效的人工评估流程。Databricks推出的Mosaic Agent Bricks平台通过自动优化技术（如TAO无标注数据调整、合成数据生成）解决该问题，提供四类智能体配置，并与Lakeflow数据工程平台协同确保数据基础。其人类反馈驱动学习机制替代提示词堆砌，实现系统级优化，相比Langchain等竞品优势在于自动化整合技术。企业需重视评估机制和数据基础以释放智能体潜力。
为何大多数企业AI智能体无法投入生产及Databricks的解决之道
作者：Sean Michael Kerner@TechJournalist
2025年6月11日 上午6:00
图片来源：VentureBeat使用Stable Diffusion 3.5 Large生成
许多企业AI智能体开发项目从未投入生产，问题并非技术不成熟。据Databricks分析，症结在于企业仍依赖人工评估流程——这种流程缓慢、不一致且难以扩展。
在今年的Data + AI峰会上，Databricks推出了Mosaic Agent Bricks解决方案。该技术基于2024年发布的Mosaic AI智能体框架进一步扩展。简而言之，仅能构建AI智能体已不足以产生实际影响。
Mosaic Agent Bricks平台通过系列研究创新实现智能体自动优化。关键创新包括集成TAO（测试时自适应优化），无需标注数据即可调整AI模型。该平台还能生成领域特定合成数据、创建任务感知基准，并自动优化质量与成本平衡。
该平台旨在解决Databricks用户在现有AI智能体开发中遇到的痛点。
“用户如同盲飞，缺乏评估智能体的有效方法。“Databricks神经网络首席技术官Hanlin Tang告诉VentureBeat，“多数人依赖主观感受判断智能体表现，这种缺乏量化依据的评估难以支撑生产环境部署。“
从研究创新到企业级生产规模
Tang此前是Mosaic联合创始人兼CTO，该公司于2023年被Databricks以13亿美元收购。
在Mosaic时期，许多研究创新并未直接产生企业影响。收购后情况彻底改变。
“关键转折点是产品登陆Databricks平台后，一夜之间我们就获得了数千家企业用户。“Tang表示。相较之下，收购前他们需耗费数月才能争取少数企业试用。整合后，研究团队得以直接接触规模化企业需求，从而发现新的研究方向。
“只有深度接触企业客户，才能真正发现值得研究的问题。Agent Bricks某种程度上是Mosaic所有工作的进化成果——现在我们都是真正的’Bricksters’了。“Tang解释道。
解决智能体AI评估危机
企业团队面临高成本的试错优化过程。缺乏任务感知基准和领域特定测试数据，每次调整都变成昂贵猜测。随之而来的是质量漂移、成本超支和工期延误。
Agent Bricks自动化整个优化流程。平台接收高层级任务描述和企业数据后，将自动完成后续工作：首先生成任务特定评估和LLM评判器，接着创建模拟客户数据的合成数据，最后搜索最优配置方案。
“客户只需描述高层级问题，底层细节由系统处理。“Tang介绍，“系统会生成合成数据，并为每个任务构建定制化LLM评判器。”
平台提供四种智能体配置：
- 信息提取：将文档（PDF、邮件）转为结构化数据。例如零售企业可从供应商PDF中提取复杂格式的产品详情。
- 知识助手：基于企业数据提供带引用的精准答案。例如制造厂技师无需翻阅手册即可获取设备维护指南。
- 定制LLM：处理文本转换任务（摘要、分类）。例如医疗机构可定制临床工作流所需的病历摘要模型。
- 多智能体监管器：协调复杂工作流中的多个智能体。例如金融机构可协同意图识别、文档检索和合规审查智能体。
智能体虽好，数据基础不可或缺
构建和评估智能体只是企业AI落地的环节之一。Databricks将Mosaic Agent Bricks定位为统一数据栈顶层的AI消费层。
在Data + AI峰会上，Databricks还宣布了2024年预览的Lakeflow数据工程平台正式发布。Lakeflow解决数据准备挑战，统一了过去需要多工具完成的三个关键流程：结构化/非结构化数据摄取、高效数据清洗与转换、生产工作流调度。
其工作流直接关联：Lakeflow通过统一摄取和转换准备企业数据，Agent Bricks基于这些数据构建优化智能体。
“我们帮助数据接入平台，之后用户可进行ML、BI和AI分析。“Databricks产品管理高级总监Bilal Aslam向VentureBeat表示。
除数据摄取外，Mosaic Agent Bricks还受益于Databricks Unity Catalog的治理功能，包括访问控制和数据血缘追踪，确保智能体行为自动符合企业治理要求。
人类反馈驱动的智能体学习根治提示词堆砌
当前引导AI智能体的常见方法是使用系统提示词。Tang称之为”提示词堆砌”——用户将各种指引塞入提示词，期望智能体遵循。
Agent Bricks引入”人类反馈驱动的智能体学习”新概念，能基于自然语言指引自动调整系统组件。Tang表示，提示词堆砌常因智能体系统存在多个需调整组件而失效。新方法在智能体系统层级（而非单个模型参数）实现类似人类反馈强化学习（RLHF）的效果。
该系统解决两大核心挑战：一是自然语言指引的模糊性（例如”遵循品牌调性”的实际含义），二是智能体系统众多配置点的定位难题。
“这能让智能体变得更具可引导性。“Tang强调。
相较现有框架的技术优势
当前市场中已有Langchain、微软和谷歌等多家厂商的智能体开发工具。
Tang认为Mosaic Agent Bricks的差异化在于自动化优化。平台自动整合TAO、上下文学习、提示词优化和微调等多种研究技术，无需手动配置。
关于智能体间通信，目前市场有谷歌的Agent2Agent协议等方案。Tang透露Databricks正在评估多种协议，尚未确定单一标准。当前Agent Bricks通过两种主要方式处理通信：
- 将智能体暴露为支持不同协议的端点
- 使用支持MCP（模型上下文协议）的多智能体监管器
对企业决策者的战略启示
对于致力AI领先的企业，建立质量与效果评估机制至关重要。未经评估部署智能体难以获得最优结果，缺乏数据基础的智能体同样无效。考虑智能体开发技术时，必须配备科学的评估机制。
人类反馈驱动的智能体学习方法同样值得关注，它能有效引导智能体AI达成最佳结果。对企业而言，这意味着评估基础设施不再是部署障碍，可将资源集中于用例识别和数据准备而非框架构建。