英特尔发布企业智能体AI部署五大经验
英特尔实验表明，企业部署智能体AI应关注系统整体、智能体密度和任务延迟，而非仅推理或CPU利用率。
企业智能体AI不只是更好的聊天机器人，而是能跨人员、工作流、数据、系统端到端执行业务流程的软件智能体。英特尔通过数千次实验总结出五大教训：关注系统整体性能而非仅推理；现有测试框架仅测LLM，需测任务成功率、成本、延迟、智能体密度等；用“智能体密度”（每vCPU支持的智能体数）规划容量而非绝对数量；监控任务延迟而非平均CPU利用率；优先横向扩展。
正文摘录
- title: 构建企业级 Agentic AI 环境 - sourcecompany: MIT Technology Review - bodymarkdown: 对于企业而言，Agentic AI 的前景远不止是一个更好的聊天机器人。它是能够跨人员、业务流程、数据和系统端到端执行业务任务的软件代理。最适合运行这些代理的平台应具备适当的 CPU 容量、弹性的数据访问、策略感知的工具使用、可观测性、内存管理，以及可预测地规划和扩展代理的能力。  为了更好地理解这些依赖关系，Intel 进行了数千次 Agentic AI 工作负载实验。我们的初步发现总结并支持了适用于企业领导者的五个实用经验教训： - Agentic AI 是一个更大的系统问题，而不仅仅是推理问题。 - 大多数现有的 Agentic AI 框架（harnesses）都很有限，并且不衡量整体系统性能。 - 容量规划应使用每虚拟 CPU 的代理密度（agents per vCPU），而不是代理数量。 - 监控代理任务延迟，而不仅仅是平均 CPU 利用率。 - 默认对托管代理的系统进行水平扩展。将垂直扩展保留给每个代理计算量更重或存在架构约束的工作负载。 超越推理：代理即工作流自动化 Agentic AI 不仅仅是 LLM 推理。其企业价值取决于整个系统：任务编排、数据访问、工具执行、延迟管理、治理以及可扩展的基础设施。代理是一个目标驱动的自动化企业工作流过程：它规划多步骤任务、调用工具、读取结果，并在失败时重试。因此，企业代理不仅仅是一个推理问题，而是一个系统问题。