智能体技术债务的隐蔽挑战与治理

2015 年谷歌发表《机器学习系统中的隐性技术债务》一文，为 ML 工程师指出问题。文章中的经典图示——一个标记为“ML Code”的小框被庞大的基础设施包围，恰似当今智能体的情形。如今，任何人都可在几分钟内用 LLM、提示和工具构建智能体，但将其投入生产后，技术债务随之累积。我们从集成、上下文湖、智能体注册表、度量、人机回环、治理和编排七大模块阐释了智能体系统特有的技术债务。这些包括凭据分散导致的权限混乱、运行时上下文陈旧、缺乏统一的智能体目录、无法统一监控与评估以及治理缺口等。若不及时建立标准化的创建、治理和度量流程，组织将面临安全泄露、成本失控和运营混乱的风险。
在部署智能体时需统一凭据管理、实时更新上下文文件，并建立集中式注册表与度量体系。推荐采用模板化创建、统一治理规则以及可审计的工作流，以防止技术债务积累导致安全泄露或成本失控。