如果说过去两年大模型最让人兴奋的能力是"会聊天",那么 2026 年真正决定企业生死的,是另一个动词——会做事。
会聊天的 AI 谁都能演示;会做事的 AI,尤其是敢碰真金白银的 AI,才是企业级落地的分水岭。在AWS西云数据本次《AI智能体加速企业业务转型》的这场研讨会上,智飞科技 CTO 周亮用一个旅行 Agent 的真实工程实践,把这条分水岭讲得格外清楚。
?当我们让 AI 从"建议者"变成"执行者",真正难的到底是什么?
一、被忽略的真相:Agent 落地难,不是难在"智能",而是难在"信任"
人人都在谈 Agent,但大多数演示停留在"帮我查个航班、写个行程"。这些场景有一个共同点:错了也没关系。模型推荐错一家餐厅、记错一个景点开放时间,用户最多皱皱眉。
可旅游业务的链路不是这样的。周亮在演讲里画了一条线,把整个交易拆成六段:
行程规划 › 价格查询 › 价格验证 › 下单 › 支付 › 退改
这条线的前半段(规划、查价)是开放问题区——发散、个性化、允许试错,正是大模型的主场。但后半段(下单、支付、退改)是交易区,容错率约等于零:
它要求强事务:状态必须连续、可追溯、可恢复; 价格是分钟级波动的,必须验价之后才能下单; 偏好、证件、常旅客号要贯穿全程,一个都不能错。
周亮说: "旅游交易这件事,前半段是开放题,后半段是判断题——前面允许你天马行空,后面一分钱都不能错。"
行业里很多团队栽在哪?栽在把整条链路都交给一个"无所不能"的大模型去自由发挥。规划阶段它表现惊艳,可一旦让它去调支付接口,大模型偶发的"幻觉"就成了会扣错钱的定时炸弹。?
智飞科技CTO周亮给出的第一个洞察是:不要追求一个全能 Agent,而要学会给 AI 划定它该待的地方。
二、核心命题:如何让"幻觉"永远碰不到钱?
如果让我用一句话概括这场演讲的灵魂,那就是周亮反复强调的那条设计主线:
报价快照之前,是模型的自由区;报价快照之后,是流程的确定区。
这是一个极其优雅的工程哲学。
我们拆开看:
在"自由区"里: 行程规划 Agent 是整个系统里唯一的"自由人"。它可以理解需求、检索公私有知识、反复比价、调用各种技能、把方案写成草稿再迭代——尽情发散,错了可以重来。
而所有这些自由,最终必须收敛成一个东西:一份结构化的"报价快照"。
这份快照,是模型世界与交易世界之间唯一的接口,是那张"通行证"。
在"确定区"里: 一旦快照生成,后面的下单、支付、出票就再也没有模型什么事了。取而代之的是一个确定性的状态机:幂等、可重放、可审计,错了必须能恢复。它的输入只接受快照 ID——大模型生成的任何参数都进不来。
为什么这个设计如此关键?因为它从架构层面,而非靠"提示词祈祷",彻底锁死了风险边界。LLM 再怎么天马行空,它的幻觉永远碰不到真正扣款的那一步。
这给所有做企业 AI 的人一个深刻提醒:可靠性不来自更强的模型,而来自更聪明的边界设计。 我们总寄希望于下一代模型"更不容易出错",但真正成熟的工程思路是:承认模型会犯错,然后在架构上让它的错误无法造成伤害。
三、范式之争:Agent 和"工作流",到底该用哪个?
这是当下 AI 工程界最热的争论之一。一派说"万物皆可 Agent",另一派说"老老实实写工作流"。
周亮的回答是:别二选一,按问题的性质来选。
他的系统里清清楚楚地并存着两种范式:
- 行程规划
这种开放问题,交给 Agent——让它自由循环、多步推理; - 交易流程
这种封闭流程,交给状态机——确定性地一步步走。
他甚至特意强调:"交易 Pipeline 是状态机,不是 Agent。"
这背后是一个被很多团队忽视的判断力:技术选型不是赶时髦,而是匹配问题的本质。 开放、需要创造力的环节,模型是最好的产品经理;封闭、需要可靠性的环节,状态机比模型靠谱得多。
成熟的 AI 架构,从来不是"全部 Agent 化"或"全部流程化",而是知道在哪一段该放手、在哪一段该收紧。
周亮说: "别赶时髦。开放问题用 Agent,封闭流程用状态机——按问题的性质选范式,而不是按热度选。"
一句话总结他的原则:代码会有 bug,但策略不会松动。
这是企业 AI 走向生产环境必须跨过的一道坎。Demo 里大家比的是模型多聪明;生产环境里,真正决定你敢不敢上线的,是**"Agent 能替用户做什么"由身份与策略定义,而不是由提示词约定**。这,才是敢让 AI 去碰订单的前提。
周亮说: "隔离不能靠应用代码自觉。代码会有 bug,但策略不会松动——这是我敢让 Agent 碰订单的底气。"
把宝贵的工程精力,留给只有你才懂的行业逻辑;把所有通用的、重复的、高危的基础设施,交给成熟的托管平台。
在 AI 落地这件事上,真正拉开差距的从来不是谁更能"造轮子",而是谁更懂得把力气用在刀刃上。
周亮在结尾给出了四个设计决策,我把它浓缩成三句最该记住的话:
第一,规划交给模型。 在开放的自由区里,它是你最好的产品经理。
第二,交易交给流程。 在封闭的确定区里,状态机永远比模型可靠。
第三,数据交给权限。 隔离由基础设施保证,而不是靠代码自觉。
回到文章开头那个问题:当 AI 从"建议者"变成"执行者",真正难的是什么?
答案现在很清晰了:难的不是让 AI 更聪明,而是学会信任它、同时约束它——给它足够的自由去创造,又用确定性的边界守住底线。
会规划,所以它有用;
敢交易,所以它值钱;
而那条划在"自由"与"确定"之间的快照线,正是这一切得以成立的根基。
这或许就是 Agentic AI 落地的真正秘诀:最高级的智能化,恰恰始于对"哪里不该用智能"的清醒认知。
即刻启程,奔赴山海。
这场关于 AI 智能体的旅程,才刚刚开始。
现场实战:用一套"AI 牌组",把机票 API 对接的错误率打下来
研讨会的压轴环节,是一场别开生面的"共创工作坊"。每桌嘉宾要像搭牌组一样,用一套卡牌亲手拼出一个能落地的 Agent 方案——CEO 卡定下经营目标,任务卡写下要攻克的关键问题,再选Agent 员工卡当干活的人、配基础设施卡搭运行底座、叠Skill 技能卡补专属能力。一张张卡片摆开,一个智能体团队就在桌上"组建"了起来。
我们这桌定下的目标很硬核:让国际机票 API 对接的错误率降低 90%——从原来的约 25% 一路压到 10% 以内。
机票对接是出了名的"苦活":接口众多、格式各异、报错频繁,稍有不慎就是订单出错。我们的解法,正好印证了周亮全程强调的那套思路:
- 选对干活的人。
我们抽出 A-08 研发 Agent(全栈开发) 作主力,把存量接口和报错逻辑工具化、稳定化;再配 A-06 质检合规 Agent,负责对每一笔对接做交叉校验、守住红线,确保错误能被提前拦下。 - 搭稳运行的底座。
用 I-04 Agent 运行 和 I-07 开发提效,让 Agent 跑在可重试、可回放的环境里——错了能恢复,而不是直接出事故。 - 补上专属的技能。
最关键的一张,是我们手写的一张 Skill 技能卡:数据库查询 / 校验取数规则。正是它,让 Agent 不再"凭感觉"对接,而是每一步都拿真实数据去验证、去比对,把模型的不确定性挡在了交易之外。
牌组拼完,逻辑也就通了:研发 Agent 负责"快",质检 Agent 负责"准",底座负责"稳",技能卡负责"懂"。 四张牌各司其职,正是那条"规划交给模型、交易交给流程、数据交给权限"的设计哲学,被我们用一副扑克牌般的方式,亲手验证了一遍。
这一刻大家忽然明白:Agent 落地并不玄,它就像搭积木——选对角色、配好底座、补上技能,目标自然水到渠成。
智飞科技SimplifFLY集成了全球多种航班数据来源，包括 GDS, NDC 和 LCC 的航班数据，“机票超市”产品供应商类型涵盖全球OTA、B2B、Tech整合商、航司NDC、不同市场区域机票批发商等。一个 API 就可以获取所有航班数据内容。智飞科技还通过独创的航班拼接 VI 技术提供更多样化的航班组合结果。
如果您对智飞科技感兴趣
无论是产品合作
还是加入我们
请扫码联系?
或直接回复这篇文章
关于我们
5月25日智飞科技发布「MetaCity」超城市销售网络计划
「MetaCity 计划」今日正式启动 | 智飞科技超城市销售网络全球召集
