企业级 AI Agent 最大的坑，不是模型不聪明，而是不知道先用哪把工具

在 OpenAI DevDay 的社区舞台上，Sana AI 抛出了一个反直觉结论：企业级 AI Agent 失败的真正原因，往往不是模型能力不够，而是工具调用顺序错了。这场分享不仅有真实产品 Demo，还给出了一套可复用的 Agent 设计方法论。

最反直觉的一点：Agent 失败，90%不是模型问题

Jerry 一上来就把气氛拉满：Sana 的使命不是“做更聪明的 AI”，而是“解决知识的访问问题”。听起来很宏大，但真正让台下从业者点头的是后半句——在企业场景里，Agent 经常翻车，不是因为 GPT-4o 不够强，而是因为它不知道先做什么、再做什么。

在 Salesforce 的例子里，一个看似简单的需求——“列出某个销售在某个阶段的机会”，背后其实至少要经历三步：先理解 CRM schema，再定位具体用户，再生成正确的查询。如果 Agent 直接跳到 SQL，几乎必错。这不是推理能力的问题，而是缺乏流程意识的问题。

Sana 的解法：把“流程”显式写给 Agent 看

Daniel 给出了一个非常工程化、但极其有效的发现：指令放在哪，比你写得多聪明更重要。

他们测试了多种 Agent 配置方式：
- 把步骤写在 system message 里
- 写在 tool description 里
- 甚至写成“工具依赖关系”

最终结果很清晰：在 user message 里直接给出 how-to 指南，效果最好。哪怕同时提供 15 个工具，Agent 也能稳定选对顺序，完整跑完流程。

这其实是在告诉我们一件很“反 LLM 直觉”的事：不要指望 Agent 自己悟流程，把流程当成一等公民写出来，成功率立刻上一个台阶。

Tool Set：让多才多艺的 Agent 不再精神分裂

当 Agent 既要查 Salesforce，又要写 Google Doc，还可能连 Snowflake，一团乱麻几乎是必然结果。Sana 的答案是一个内部概念：Tool Set。

一个 Tool Set 包含三样东西：
- 明确的任务名称（比如“Explore Salesforce Records”）
- 完成这个任务所需的最小工具集合
- 跨工具的使用顺序说明

这相当于把“复杂 workflow”打包成一个可理解的能力模块。Agent 不再面对 50 把工具发呆，而是先路由到正确的 Tool Set，再在限定上下文里行动。这一步，本质上是在给 Agent 做能力边界管理。

高完整性反馈：Agent 需要知道世界真的发生了什么

最后一个容易被忽视，但极其关键的点：高完整性 Tool Response。

在 Sana 里，Agent 并不是直接和 API 对话，而是通过一层验证与人类协作流程。用户可能会修改字段、取消操作、延迟提交。Sana 会把这些真实发生的状态——谁改了什么、什么时候提交、API 是否成功——完整反馈给 Agent。

这让 Agent 不再“活在幻觉里”，而是能基于真实世界状态做下一步判断。这种设计，才是真正让 Agent 能和人协作、而不是只会单向执行命令的关键。

总结

这场分享给 AI 从业者留下了两个极其可落地的结论：第一，别再迷信模型能力，复杂 Agent 成败的关键是流程是否被显式表达；第二，把工具、顺序和反馈设计成系统的一部分，而不是 Prompt 里的临时技巧。

如果你正在做企业级 Agent，现在就可以行动：选一个真实 workflow，把“先做什么、后做什么”写成明确指令；再检查你的 Agent 是否真的知道用户和系统发生了什么变化。下一波生产力红利，不属于更大的模型，而属于更懂系统设计的人。

关键词： AI Agent， 企业级AI， 提示工程， GPT-4o， Agent架构

事实核查备注： Sana AI 在演讲中宣布的新一轮融资金额是否为 5500 万美元；视频发布时间为 2024-12-17；所使用模型提及为 GPT-4o；Demo 涉及的工具包括 Salesforce 与 Google Docs