管智能体，其实很像管人

最近我在想一个问题：我们现在说做 agent、workflow、automation，本质上到底是在做什么？

我的一个判断是：做智能体，不只是写 prompt，也不只是接工具，而是在“管理一个数字执行者”。

这件事，和管理人有很多相似之处。

当然，我不是说智能体就是人。人有情绪、动机、价值判断和责任感；智能体没有。智能体只是一个被设计、被授权、被观察、被调整的系统。

但在管理方法上，两者确实很像：都需要目标、资源、执行、检查、复盘，也就是一个持续的 PDCA 循环：Plan 讲目标与边界，Do 讲执行，Check 讲验证，Act 讲纠偏与迭代。ASQ 将 PDCA 定义为持续改进的四步模型；NIST 的 AI RMF 则把 AI 风险治理组织成 Govern、Map、Measure、Manage 四个功能。我自己的判断是，这两套语言可以近似互译。

一、管人和管智能体，像在哪里？

管理一个人，不能只说一句“你去把这事做好”。

一个靠谱的管理者，通常会做几件事：

• 说清楚目标是什么；
• 给到必要的信息、工具和资源；
• 约定结果怎么验收；
• 过程中看进展、帮忙排障；
• 事后复盘，调整方法。

管理智能体也是一样。

如果我只是对一个 agent 说：“帮我做好客户运营”，它很容易跑偏。因为这句话太大了。

更好的方式是说清楚：

• 它要服务谁；
• 要完成什么结果；
• 能用哪些工具；
• 哪些动作不能做；
• 什么情况必须交给人；
• 输出结果怎么判断好坏；
• 失败以后怎么回退。

所以我越来越觉得，智能体不是“越聪明越好”，而是“越可管理越好”。

二、PDCA 是管理智能体的基本盘

我会把智能体治理拆成四步：

1. Plan：先定义贡献

不要一上来写 prompt，先问一句：

这个智能体到底要贡献什么？

它是帮我节省时间？减少人工审核？提升响应速度？还是降低错误率？

如果贡献说不清，后面所有技术动作都会变成“调感觉”。

2. Do：让它在边界内执行

智能体可以执行任务，但不能随便执行。

我会给它限定：

• 可用工具；
• 可访问数据；
• 可执行动作；
• token 或调用预算；
• 最大循环次数；
• 是否允许写入系统。

这就像管理人时的授权：可以给空间，但不能没有边界。

3. Check：看结果，也看过程

管理智能体不能只看最后输出，还要看过程。

它调用了什么工具？用了哪些资料？有没有越权？有没有重复循环？有没有高风险动作？

所以日志、trace、评测、人审都很重要。

4. Act：持续校准，而不是一次上线

智能体上线后，不是结束，而是开始。

如果它经常答错，就改提示词、知识库或评测集；如果它乱调用工具，就收紧权限；如果它任务太复杂，就退回 workflow；如果它表现稳定，再逐步扩大授权。

三、为什么《卓有成效的管理者》也能用来学智能体？

我觉得《卓有成效的管理者》对做智能体很有启发，原因不在于它讲 AI，而在于它讲清楚了“有效管理”的底层逻辑。

我会把书里的几个核心观点，翻译成智能体设计语言：

德鲁克的管理原则	放到智能体里怎么理解
管好时间	管延迟、成本、token、重试次数
聚焦贡献	先定义业务结果，再设计 agent
发挥长处	让 agent 做适合它、可验证的任务
要事优先	能用 workflow 就别急着上 agent
有效决策	设清楚审批、人审、升级和回退条件

这本书给我的提醒是：不要先迷恋技术能力，而要先问管理问题。

一个 agent 能不能做，不是第一问题。第一问题是：

它该不该做？ 它做到什么程度算好？ 它什么时候必须停下来？ 它出错了谁负责？ 它的权限是不是过大？

这些问题，才是智能体真正进入生产环境前必须想清楚的。

四、workflow、agent、multi-agent，不是越复杂越好

很多人容易有一个误区：觉得越 agentic、越自主、越多智能体，就越先进。

我不这么看。

我的判断是：

Automation -> Workflow -> Agent -> Multi-agent
触发器 + 动作 -> 预定义流程 -> 动态规划与工具调用 -> 多角色协作

这不是先进程度排序，而是复杂度排序。

越往右，自主性越强，但治理成本也越高。

所以我会遵循一个简单原则：

能用函数解决，就别上 workflow； 能用 workflow 解决，就别急着上 agent； 只有任务开放、步骤难以预设时，才值得增加智能体自主性。

复杂度不是荣誉，是成本。

五、智能体管理最容易翻车的地方

我看到的主要风险，不是模型“不够聪明”，而是管理设计不到位。

最常见的问题有几个：

1. 目标太大

比如“帮我做销售管理”“帮我做增长”“帮我做运营分析”。

这种目标太抽象，智能体很难稳定执行。要拆成具体任务，比如：

• 每天汇总客户跟进风险；
• 标记 7 天未响应的重点客户；
• 生成待人工确认的跟进建议。

2. 权限太大

一个刚上线的 agent，不应该一开始就能删数据、发邮件、改订单、调外部系统。

我更倾向于：

先只读，再草稿，再建议，最后才是受控执行。

3. 没有人审

凡是涉及钱、客户、合同、法律、外发信息、权限变更的动作，都应该有人审。

智能体可以提建议，但关键决策不能默认自动放行。

4. 没有日志

没有日志，就无法复盘。 没有 trace，就不知道它为什么错。 没有评测，就不知道改了以后是变好还是变坏。

这就像管理人没有反馈机制，最后只能凭感觉评价。

六、我会怎么设计一个靠谱的智能体？

我会先写一张“智能体任务卡”。

## 智能体任务卡

- 名称：
- 服务对象：
- 业务目标：
- 触发条件：
- 输入来源：
- 输出结果：
- 可用工具：
- 禁止动作：
- 权限等级：
- 人工介入点：
- 成功标准：
- 失败回退方式：
- 日志记录字段：
- 负责人：
- 复盘周期：

如果这张卡写不清楚，我通常不会急着优化 prompt。

因为很多时候，问题不是模型不好，而是我们自己还没有把管理设计想明白。

七、我的结论

我现在更愿意这样表达这个观点：

管智能体，确实越来越像管人。 但不是因为智能体像人，而是因为它们都需要被放进一套目标明确、资源到位、过程可见、结果可查、持续改进的管理闭环里。

区别在于：

• 管人，要处理信任、激励、成长和协作；
• 管智能体，要处理目标、权限、工具、评测、日志和回退。

所以，《卓有成效的管理者》不是一本 AI 技术书，但它很适合作为智能体治理的上位参考书。

它提醒我： 先谈贡献，再谈能力； 先谈边界，再谈授权； 先谈有效，再谈智能。

真正好的 agent，不是“像人”，而是：

可管理、可观察、可审计、可回退，并且能稳定地产生有用结果。