大模型回答。智能体决策。

人们曾集体为大语言模型着迷，而这种着迷是有道理的。机器第一次能用自然语言交谈、写作、总结，并以令人信服的流畅解释复杂概念。企业争先恐后地采用。然后，无声的失望来了——那种没人会写进成功案例的失望：那个才华出众的模型，对正在使用它的这家公司一无所知。

这就是根本的局限，而它不会因为模型更大而被解决。市面上的大模型知晓整个世界，却对你的运营一无所知。它能在理论上谈论库存管理，却不知道你现在库里有多少。它能解释现金流的概念，却不知道你此刻的现金流是多少。它运行在一片宽广而冻结的知识之上，捕捉于训练完成的那一刻，与提问企业的鲜活现实相脱节。用来交谈，它非凡；用来为你的公司做决策，它是盲的。

回答与决策之间的差别，就是知道与依据所知行动之间的差别。回答是把组织良好的通用知识还给你。决策是对真实、具体、当下的数据进行推理，并得出一个能转化为行动的结论。大模型用它从世界学到的东西回答，与运营相连的智能体则用公司现在正在发生的事做决策。这是两类不同的工具，把二者混为一谈，正是企业对 AI 感到失望的主要源头。

Mars 用来描述这件事的比喻是突触。智能体的智能不是在通用互联网上形成的，而是在客户的数据上编织出来的——ERP、CRM、供应链、财务。通用互联网提供的是关于任何主题的浅层、脱离情境的知识。企业的生态系统提供的是真实的突触，是从真实运营中形成的连接。在世界上训练出来的 AI，对一切知道很多，对你一无所知。与你的运营相连的 AI，知道真正重要的那件事：你业务的真实状态。

还有第二个区分，重要程度不亚于第一个。大模型是单次通过：你提问，它用手上的东西回答，然后结束。智能体是在循环中运转：它接收问题、展开调查、调用专业工具、查询数据，发现还需要再做一次交叉比对，于是再次检索，并重复这个过程直到调查完成。这不是一次性吐出的成品答案，而是一段逐步展开的推理——就像一位优秀分析师在拥有即时访问一切的能力和无限耐心时会做的那样。而结果不只是文字，还有按需生成的分析与图表，以问题所要求的形式呈现。

一个例子能让差别变得可感。设想一位财务总监，想弄清为什么某条产品线的毛利在上个季度下滑。从通用大模型那里，他会得到一堂关于通常压缩毛利的因素的合格讲解——原料成本、销售组合、汇率，全都正确，却毫无用处，因为它谈的不是他的公司。从相连的智能体那里，他得到的是另一种东西：智能体走进真实数据，把原料成本与各区域销量交叉比对，识别出下滑集中在某个特定渠道，原因是一项没人复核过的折扣政策，并用当场生成的图表把这一点展示出来。前者解释世界，后者解决问题。

必须诚实地说明各自擅长什么。大语言模型是基础性的部件，Mars 使用 Anthropic 的 Claude 技术作为自身推理引擎的一部分，身份是 Anthropic 合作伙伴网络的 Preferred Services Partner。问题从来不是模型对抗智能体。模型是语言的大脑，智能体则是让这个大脑获得对企业活数据的受治理访问、业务上下文记忆，以及反复迭代直至决策的能力的系统。没有模型，智能体无法推理；没有智能体，模型对你一无所知。企业价值诞生于两者的结合，中间加上治理。

对于在一家严肃企业中决定技术方向的人来说，该问的问题不是本季度哪个模型最聪明——那场竞赛每隔几个月就换一次领跑者，重要性远不如看起来那么高。问题是另一个：你的 AI 与你运营的活数据相连了吗，还是只是在很会聊聊外面的世界。一个回答，另一个决策。

Mars 打造 Signals，就是要成为后者。三个专业智能体，分别在数据、财务与供应链，一个统一的大脑，全都用你公司的数据思考。其他 AI 展示它们对世界的了解，Signals 用你公司的数据思考。如果你的 AI 所知与你的公司需要决策的内容之间距离仍然很大，值得聊一聊如何缩短这段距离。