本文共字，预计阅读时间。

引言：从 DeepSeek 的爆发说起

时间拨回到今年春节。

当 DeepSeek 等国产大模型以惊人的速度和性价比引爆科技圈时，整个中国企业界仿佛被注入了一剂强心针。从那一刻起，到如今算算日子，差不多快一年了。

这一年，是激荡的一年，也是魔幻的一年。我穿梭于北上广深的各种数智化转型研讨会、闭门战略会、高端私董会。在那些光线幽暗、投影仪嗡嗡作响的会议室里，我见证了一场盛大的“概念狂欢”。

最开始，大家谈论 Prompt Engineering（提示词工程），把它奉为“芝麻开门”的咒语，仿佛只要学会了那几句咒语，员工就能裁掉一半；紧接着，风向变了，RAG（检索增强生成） 成了救世主，所有人都信誓旦旦地说，只要挂载了知识库，幻觉就会消失，企业大脑就会诞生；再后来，到了下半年，如果你的 PPT 里没有出现 Agent（智能体），没有画出几个圆圈相互连接的 Multi-Agent（多智能体） 拓扑图，你都不好意思上台发言。

我看到许多企业的 CTO、CIO 乃至 CEO，站在台上口若悬河，或是坐在圆桌对面神情严肃：

“我们企业的数智化战略，已经从 Copilot 阶段全面升级为 Agentic Workflow 阶段。什么叫 Agent？根据吴恩达或者 OpenAI 的最新定义，它不再是简单的问答，它具备感知（Perception）、规划（Planning）、记忆（Memory）、工具使用（Tool Use）四大核心能力。我们计划构建一个销售 Agent，一个财务 Agent……”

他们能流利地说出 Agent 的十种定义，能从 ReAct 讲到 AutoGPT，再讲到斯坦福的“虚拟小镇”。他们的 PPT 精美绝伦，架构图层层叠叠，像极了精密的集成电路板。

但当我私下里，在这个喧嚣退去的茶歇时刻，诚恳地问一句：

“x总，这个 Agent 在你们核心业务流程里，比如在这个季度的销售回款或者供应链调度里，到底每天自主处理了多少单？解决了哪个连人都要挠头的具体痛点？”

空气通常会突然安静。

随后是尴尬的战术性喝水，或者一句顾左右而言他的解释：“目前还在 POC（概念验证）阶段，大模型的推理成本还是太高，不可控因素还很多……”

这一幕发生得如此频繁，以至于让我产生了一种强烈的既视感。我想起了物理学家理查德·费曼（Richard Feynman）那个著名的关于“鸟”的故事，想起了鲁迅笔下那个在咸亨酒店柜台上排出九文大钱的孔乙己。

这是一篇批判的文章，也是一篇自我反思的文章。在 AI 技术日新月异的今天，我们是否正在陷入一场浩大的、集体无意识的“伪转型”？

（本文为证券行业数智化转型系列观察第三篇，前两篇分别为：“微操大师”要不得！论数智化转型中的指挥关系和项目为战，不为看！论数智化转型的“战果”导向。）

第一章：费曼的鸟与孔乙己的“回”字

1.1 那个记住了全世界鸟名的孩子

费曼在自传中讲过一个深刻的故事。小时候，他和父亲在树林里散步。

父亲指着一只鸟对他说：“看，那只鸟叫 Spencer's Warbler（斯氏森莺）。”

父亲接着说：“在意大利语里，它叫 Chutto Lapittida；在葡萄牙语里，它叫 Bom da Peida；在中文里，它叫画眉（此处为费曼举例意译）。理查德，你可以记住这只鸟在全世界所有语言里的名字，你可以拿个满分。但是，当你记住了这一切之后，你对这只鸟本身依旧一无所知。”

“你只知道人类怎么称呼它，却不知道它是怎么迁徙的、怎么在这个残酷的自然界觅食的、求偶时会唱什么样的歌、遇到老鹰时是如何逃生的。”

父亲告诉费曼：“知道事物的名字，与真正懂得事物，是完全不同的两回事。”

1.2 企业界的“集邮游戏”

把目光移回当下的企业界，我们是不是像极了那个记住了全世界鸟名的孩子？

在过去的一年里，许多企业的“转型成果”，本质上就是整理了一本厚厚的《鸟名大全》。

• 我们学会了区分 Zero-shot（零样本）和 Few-shot（少样本）；
• 我们搞清了 Chain-of-Thought（思维链）和 Tree-of-Thoughts（思维树）的区别；
• 我们能辩证地讨论 LATS（语言代理树搜索）与 Reflexion（反思机制）的优劣。

我们像鲁迅笔下的孔乙己，穿着长衫（象征着技术精英的身份），站在柜台前，得意洋洋地对周围那些还在用 Excel 表格和钉钉审批流的“短衣帮”说：

“你知道 Agent 的‘A’字有几种写法吗？你知道Agent有哪几种类型吗？你知道 LangChain 和 AutoGen 的底层逻辑有什么不同吗？”

这是一种典型的“认知错位”。

这种错位在于：我们把“地图”当成了“疆土”，把“菜单”当成了“饭菜”。

企业管理者们产生了一种致命的错觉：以为只要掌握了这些时髦的定义，只要在战略文档里填满了这些词汇，企业就已经搭上了 AI 的快车，生产力就会自动爆发。这就像一个人背诵了所有米其林餐厅的菜单，却一口饭都没吃，还以为自己已经饱了。

1.3 “伪转型”的三种典型症状

在实际调研中，我观察到这种“孔乙己式”的转型通常表现为以下三种症状：

症状一：架构图美学大于业务逻辑

企业的技术团队沉迷于画图。原本一个简单的“查询某只债券久期及历史波动率”的功能，非要设计成一个包含“中央调度器”、“长期记忆库”、“宏观经济反思模块”的复杂 Agent 系统。

结果是，为了实现“智能”，引入了巨大的延迟和不稳定性。原本分析师在 Wind 终端输入代码 3 秒钟能查到的数据，现在需要调用 5 次 LLM API，消耗 2 美元，等待 30 秒，而且还有 5% 的概率因为模型幻觉而给出一个不存在的数值。这是为了用 Agent 而用 Agent。

症状二：中间件崇拜

大家疯狂地在各种框架之间摇摆。今天流行 LangChain，全公司重构；明天 AutoGen 火了，马上跟进；后天 OpenAI 发布了 Assistants API，又觉得前面的都白做了。

团队的精力全部消耗在适配各种不成熟的“中间件”上，却忘了企业最核心的资产——私有投研数据、尽调SOP（标准作业程序） 和 合规风控规则 根本没有沉淀下来。

症状三：演示文稿里的“人工”智能

很多所谓的“智能体”项目，只存在于 Demo 视频里。视频里，Agent 能够自主帮基金经理筛选股票、生成晨报、分析竞对。

但实际上，这些 Demo 是精心编排的“快乐路径”（Happy Path），没有任何容错能力。一旦真实业务场景中出现一个数据异常（比如财报数据缺失），或者交易所的接口变动了一下，整个智能体就瞬间崩溃。这只鸟，只能活在 PPT 里，飞不到现实的天空中。

这种转型，除了制造焦虑、消耗预算和产出精美的汇报材料外，对企业的实际经营没有任何帮助。

第二章：为什么我们热衷于“背定义”？

如果这种现象如此普遍且荒谬，为什么那么多聪明的管理者和精英工程师会深陷其中？深究其根源，这不仅仅是技术问题，更是心理和组织文化的问题。

2.1 确定性依赖：虚幻的安全感

AI 技术的发展速度太快了，快到让人眩晕。从 GPT-3.5 到 GPT-4，再到 o1 的推理能力爆发，技术范式每三个月就在迭代。

面对这种极度的不确定性，人类的本能是寻找确定性。

“如何用 AI 重塑业务？”——这个问题太难了，太模糊了，充满了未知和风险。

“Agent 的定义是什么？”——这个问题很简单，有标准答案，有论文支撑。

对于管理者来说，抓住一个确定的定义，引入一套业界公认的概念体系，能给他们带来一种虚幻的安全感。仿佛只要我把这个定义背下来，把这个架构图画出来，我就掌控了这种不确定的力量。背诵定义，成了缓解技术焦虑的止痛药。

2.2 战术上的勤奋，战略上的懒惰

雷军曾说：“不要用战术上的勤奋，掩盖战略上的懒惰。”

在数智化转型中，这句话依然振聋发聩。学习名词、部署开源模型、调试 Prompt，这些都是战术层面的动作。 它们虽然繁琐，但有迹可循，只要花时间就能看到“产出”（哪怕只是一个对话框）。

而战略层面的思考是什么？

是去拷问：我的业务流程中，哪一个环节是因为“人的认知带宽不足”而卡住的？如果把这个环节的成本降到零，我的商业模式会发生什么突变？我是否愿意为了适应 AI 而彻底改变延续了十年的组织架构？

思考这些问题是痛苦的，是需要动脑筋的，甚至是得罪人的。

相比之下，做一个“懂 Agent 的专家”，在会议上侃侃而谈，显然要轻松得多，也光鲜得多。所以，大家选择了轻松的那条路——做个快乐的“孔乙己”。

第三章：破局——费曼的四个深度思考习惯

如果不想做那个只会写“回”字的孔乙己，我们该如何从“名词的表面”潜入“业务的深处”？

有趣的是，理查德·费曼不仅是那个指出“鸟名陷阱”的人，他一生更以其独特的思维方式著称。他被誉为“伟大的阐释者”，因为他总是能透过复杂的术语表象，直击物理世界的本质。

费曼构建深度思考的四大核心习惯，恰恰是当下企业走出 Agent 认知误区、实现真实转型的良药。

习惯一：视觉化（Visualization）——拒绝抽象，只要图景

费曼心法：费曼在研究量子电动力学时，创造了著名的“费曼图”。他不喜欢复杂的代数公式，他喜欢在脑海中构建具体的图像：粒子是如何碰撞的，光子是如何交换的。他要求所有的概念都必须能转化“看得到”的物理图景。

企业转型应用：很多转型的死局，始于抽象，止于抽象。

我们在会议室里画了太多方框和箭头，写了太多“赋能”、“协同”、“闭环”。现在，请停下来。

我们能不能少画一点逻辑架构图，多画一点“未来的业务场景图”？

与其争论 Agent 是属于 L3 还是 L4 级别的智能，不如运用“以终为始”的视觉化思维，去描绘未来 2-5 年的具体画面。

【实战演练：投行/私募股权场景】不要说：“我们要建设智能尽调 Agent 系统。”

请尝试这样描述（甚至画出分镜脚本）：

场景设想：2026年，某拟IPO项目尽调现场

14:00 投行分析师进入企业的虚拟数据室（Data Room）。14:01 他没有像以前那样，苦逼地手动下载几千份 PDF 合同，然后一份份肉眼翻阅。14:05 背后的 Audit Agent 已经静默读取了所有采购合同、银行流水与发票图像，并与工商信息进行了交叉比对。14:10 屏幕上直接弹出了一个红色的“隐形关联方交易警示图”：“警告！前五大供应商中，供应商 A（采购占比 30%）的法人代表，经穿透后发现是拟上市公司 CFO 的配偶。且资金流向存在回流异常。”14:15 分析师直接基于这个线索，生成了针对性的访谈提纲，敲开了 CFO 的办公室门。而不是把时间浪费在核对发票金额是否一致上。

当你能把画面描绘到这种颗粒度时，你就不再需要去背诵 Agent 的定义了。你会发现，为了实现这个画面，你缺的不是“反思机制”，你缺的是“多模态文档解析的精度”，缺的是“工商数据库的实时接口”，缺的是“合规知识图谱的构建”。

视觉化，是将技术语言翻译成“大白话”的能力。它强迫你面对现实的业务细节，而不是躲在概念的碉堡里。

习惯二：追问（Questioning）——像孩子一样问“为什么”

费曼心法：费曼极其讨厌权威和教条。无论面对诺贝尔奖得主还是普通学生，他都会像个不懂事的孩子一样追问：“为什么是这样？如果不是这样会怎样？”他通过不断的追问，剥离掉知识的伪装，直到露出最底层的逻辑（First Principles）。

企业转型应用：成年人进入职场后，往往被驯化得只关心“是什么”（定义）和“怎么做”（执行），因为这最安全。但在引入 Agent 时，我们需要找回那把最锋利的武器——无休止的追问。

当技术团队兴奋地提议引入一个 Multi-Agent 框架来做“智能投顾”时，管理者请不要点头，请开始追问：

• 追问一：“为什么这里一定要用 Agent？”
  • 回答： 因为 Agent 灵活啊，能自主决策。
• 追问二：“为什么传统的量化策略脚本或规则引擎解决不了这个问题？”
  • 回答： 因为市场变化太快，规则写不完。
• 追问三：“那 Agent 的‘自主决策’如果出现误判，造成了巨额回撤，谁来负责？是模型负责还是你负责？”
  • 回答： ……（沉默）
• 追问四：“那我们在风控层没有想清楚并制定明确的规则之前，是不是绝对不能让 Agent 直接下单？”
  • 回答： 是的。

这才是转型的真相。 很多时候，企业试图用最先进的 AI，去解决一个需要严谨逻辑的问题。

通过追问，你可能会发现，你需要的根本不是一个拥有“自主意识”的智能体，你需要的是一个“Human-in-the-loop（人在回路）”的辅助系统，或者仅仅是一个好用的数据清洗工具。

只有不断追问，才能剥离掉“Agent”身上那层虚荣的光环，还原它作为工具的本质。如果一个问题能用 Python 脚本解决，就绝不要用 LLM，这就是第一性原理。

习惯三：承认未知（Admitting Ignorance）——拥抱“我不知道”

费曼心法：费曼有一句名言：“我宁愿拥有一个没被回答的问题，也不愿拥有一个不能被质疑的答案。”他从不羞于承认自己对某些物理现象“不知道”。

企业转型应用：在企业里，承认“我不知道”是需要巨大的勇气的。

老板希望看到确定的 ROI（投资回报率），CXO 希望展现全知全能的掌控力，供应商希望兜售完美的解决方案。于是，大家都在假装看懂了 AI 的未来，制定出看似完美的三年规划。

这就是“孔乙己”的另一个特征：死要面子。明明口袋里没钱，非要说自己能排出九文大钱；明明大模型还在胡说八道，非要说我们已经实现了通用人工智能。

承认未知，是真正学习的起点，也是避坑的开始。

在数智化转型中，拥抱“我不知道”意味着一种“反脆弱”的策略：

• 承认能力的边界： 我们不知道 LLM 什么时候会产生幻觉。所以，我们不在核心的交易下单、财务划转等“容错率为零”的环节直接上马端到端的 Agent。
• 承认架构的演进： 我们不知道哪种 Agent 架构（是 AutoGen 还是 CrewAI 或是未来的某种新东西）是最终答案。所以，我们不搞“大跃进”式的基建，不为了一个框架投入几千万。
• 拥抱灰度发布： 我们承认不知道投资顾问会不会喜欢跟机器配合。所以我们小步快跑，敏捷测试，允许失败，允许推倒重来。

“我不知道”不是无能，而是对技术演化规律的敬畏。 只有放下专家的架子，才能像新手一样去真实地触碰问题。承认我们都在摸着石头过河，这不丢人。丢人的是在岸上假装自己在游泳。

习惯四：享受乐趣（Enjoyment）——从“KPI 运动”到“玩耍中涌现”

费曼心法：费曼在康奈尔大学任教时曾陷入低谷。后来他看到食堂里有人在扔盘子，盘子旋转的轨迹引发了他的兴趣。他开始计算盘子的摆动，仅仅是因为“好玩”。正是这个看似无用的研究，最终引导他获得了诺贝尔奖。他说：“我是为了乐趣而做物理。”

企业转型应用：反观我们的转型，往往充满了沉重感：立项、考核、指标、末位淘汰、政治任务。在这样紧绷、严肃甚至恐惧的空气里，Agent 成了员工眼中的“怪物”或“监工”。

如果你不觉得 AI 好玩，你是做不出好产品的。如果你不觉得折腾 Agent 有趣，你是找不到真正的场景的。

真正的数智化创新，往往不是顶层设计规划出来的，而是某几个好奇心爆棚的员工，在下班后“玩”出来的。

• 案例： 某头部券商研究所的一个实习生，因为觉得每天早上整理“市场传言”和“新闻联播摘要”太枯燥，自己私下训练了一个专门模仿首席经济学家口吻的 “毒舌点评 Bot”。这个 Bot 不仅能抓取新闻，还能用极其辛辣、幽默的语言吐槽市场逻辑的不合理之处。结果，因为视角独特、语言风趣，这个小玩意儿在内网疯传，反而成了分析师们寻找非共识观点的辅助神器，最后被 IT 部门收编，成了正规的“舆情风控助手”。

这就是“涌现”的力量。

企业需要构建一种“沙盒文化”，允许员工去探索、去玩耍、去搞一些看似“无用”但有趣的东西。

给工程师一些 GPU 资源，允许他们不背 KPI 地去跑一些开源模型；给业务人员一些好用的无代码工具，让他们去搭积木。

在这个技术爆炸的时代，好奇心比规划书更有穿透力。当员工开始说“嘿，你看这个模型太有意思了”的时候，真正的转型才刚刚开始。

结语：去造那只“鸟”

一年过去了。

我们学会了关于 Agent 的十种定义，这很好。但这远远不够。

如果你不想做数智时代的孔乙己，穿着长衫站着喝酒，满口“ReAct”、“P-tuning”和“COT”，却连一个实际业务问题都解决不了，连一张真实的订单都处理不好。

那么，请忘掉那些定义。

• 去视觉化未来的图景，而不是现在的架构；
• 去追问底层的逻辑，而不是盲从权威；
• 去承认自己的无知，在不确定性中寻找手感；
• 去享受探索的乐趣，让创新在玩耍中涌现。

费曼的父亲是对的。记住“斯氏森莺”这个名字没有任何意义。别再研究“鸟”的名字了。去森林里，去泥土里，去风雨里，去造一只真正能飞的“鸟”吧。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。