过去两年，多数企业把大模型接入业务的方式是加一个对话框：在客服、知识库或报表里嵌入一个助手，解决单点问题。进入2025年，这种模式正在被更复杂的形态替代——企业开始尝试把多个智能体组织成团队，让它们分工完成采购比价、工单处理、代码评审等跨系统任务。随之而来的问题是：谁来决定调用哪个智能体、使用哪个工具、失败之后怎么办。答案指向一个新的技术层次：智能体编排。
从单点助手到智能体团队
单点助手的能力上限，取决于一个模型加一段提示词。而真实业务流程往往需要多步推理、跨系统操作和人工确认。于是编排成为刚需：一个任务被拆成若干子任务，分派给不同专长的智能体，中间结果互相传递，关键节点由人审批。
支撑这一变化的是协议层的收敛。Anthropic在2024年底开源的MCP（模型上下文协议），让模型能以统一方式连接数据库、文件和内部API；Google在2025年推出并捐给Linux基金会的A2A协议，则试图解决智能体之间的互相发现与协作。协议一旦趋同，工具和智能体就有了即插即用的可能，编排的价值随之放大。
编排层由哪些部件组成
可以把编排理解为新一代中间件：它不直接产生智能，却决定智能能否被可靠地调度。一个可落地的编排层通常包含几类部件。
- 工具与数据注册：把内部API、数据库、知识库登记为智能体可调用的资源，并标注权限与适用范围。
- 路由与分解：根据任务类型选择模型与智能体，决定是串行、并行还是引入人工节点。
- 状态与记忆：保存中间结果，让长流程可中断、可恢复，而不是一次对话失败就全部重来。
- 评估与回滚：对输出做规则校验或模型评审，异常时降级到人工或旧流程。
- 审计与成本：记录每一次调用，回答谁在什么时间花了多少钱、做了什么。
企业需要补的三门功课
第一是接口治理。过去API治理面向人和系统，现在还要面向智能体：哪些接口允许自动写操作，哪些只能读，必须有清晰边界。第二是数据可用性。智能体的效果高度依赖上下文质量，文档零散、口径不一的企业，编排得再漂亮也难有稳定输出。第三是评测体系。传统软件的测试用例难以覆盖概率性输出，企业需要建立面向业务的回归集，把感觉变好了变成可比较的指标。
Gartner预测，到2028年约三分之一的企业软件将内置智能体能力，而2024年这一比例还不足1%。这意味着未来两三年，大部分数字化团队都会遇到编排问题，区别只是自建、采购还是混合。
人的位置没有被取消
编排越复杂，人的角色越向两端集中：一端是定义目标与边界，一端是处理例外。中间那些标准化的重复动作被智能体接管。这对组织提出了新要求——流程需要被重新描述为目标加约束，而不是第几步做什么。
可以预见，智能体编排不会像上一轮流程自动化那样一次性上线，而是持续迭代的过程。对企业而言，真正的门槛不在模型选型，而在于是否愿意把流程、数据和权限整理到机器可以协作的清晰度。这一步没有捷径，却决定了智能体是演示工具，还是生产力。