2025年7月21日，IBM宣布在通用型企业级AI智能体上取得突破。IBM科技事业部资深技术专家吴敏达将此概括为从“自动化”到“自主化”的跨越。
按照IBM和SAP对通用人工智能（AGI）的定义，这种假想中的强AI不仅能实现人类水平的学习和认知灵活性，还不需要休息，能用极少的示例掌握新任务。但在企业真实的IT后台，情况并没有那么理想。
IBM在一档播客节目中提到，超过80%的企业AI应用仍停留在单点功能，无法驱动整体转型。这与360AI知识库产品负责人严超的观察一致。严超认为，当前企业Agent落地最显著的特征是“冷热分化”——许多企业盲目投入算力、引入大模型，却因为一道道无法跨越的“知识墙”止步不前。
被“知识墙”挡住的智能体
智能体要实现自主化，前提是拥有可靠的知识来源。但在企业知识库场景中，大模型经常出现幻觉。原因并不复杂：企业内部充满行业黑话、缩写和非结构化文档。传统的检索方式往往只做“找相似”的语义匹配，丢失了信息之间的因果链条。当长文档被切块处理时，表格、引用和上下文关联随之断裂，模型只能靠自身的参数记忆去“猜”，幻觉自然产生。
现有的RAG（检索增强生成）架构如果不做深度重构，很难支撑AGI级别的认知需求。
从基础设施开始修补
IBM在探讨AGI时指出，组织需要通过建立强大的数据基础设施，为AGI的到来做好准备。这意味着，解决幻觉不能只靠换更大的模型，而是要在数据治理和检索逻辑上下功夫。
实际操作中，单纯依赖向量检索已经不够。混合检索开始成为标配：用关键词匹配确保专有名词和编号的精准命中，用向量匹配补充语义背景。针对碎片化问题，企业需要为高频查询领域构建轻量级的知识图谱，把孤立的向量点连接起来，还原实体间的真实关系。
在召回环节之后，引入重排序机制进一步过滤和精排，也是提升精度的务实做法。虽然这会增加一点系统延迟，但在企业级决策场景中，准确率远比速度重要。
从“炫技”的单点功能到真正可用的企业级大脑，中间隔着数据治理和工程精度的长跑。只有建立可追溯的知识检索链路，AI才能越过那道知识墙。
