AI Agent 最大的问题：它在企业里只是个“无名之辈” ｜ 技术趋势
一句话看懂：AI Agent（智能体）在企业落地中面临的最大障碍不是技术能力，而是“身份缺失”——它无法像人类员工那样提供可审计的身份链路、权限记录和操作日志，导致合规风险急剧上升。Snowflake 等企业在实践中发现，只有从架构层面强制赋予 Agent 可验证身份，才能将信任从愿景变为现实。
事件核心：发生了什么
Snowflake 在其官方技术分析中指出，尽管过去两年 AI Agent 在数据库查询、文档总结、工作流路由和交易发起等任务上展现出强大能力，但在进入企业生产环境时，大多数组织尚未解决一个基础治理问题：Agent 缺乏可验证的身份。当 Agent 执行操作时，没有一条类似人类员工的“身份-权限-操作”链路，导致合规团队在审计时无法回答“谁创建了它”“它访问了哪些数据”“它的输出是否越界”等基本问题。例如，一个贷款承销 Agent 一年后遭遇借款人异议，如果没有持久记录，合规重建几乎不可能。Snowflake 通过自身 Go-To-Market AI Assistant 实践提出，解决之道在于将身份、权限、生命周期追踪和输出治理内建于 Agent 创建阶段，而非事后补充。
为什么重要
这揭示了当前 AI Agent 行业“重能力、轻治理”的结构性缺陷。传统身份系统为静态角色设计，而 Agent 常为临时任务而生、跨源组合数据，其衍生洞察可能超越任何单个数据源的权限边界。目前公开信息显示，包括受监管金融、医疗在内的行业已因此推迟 Agent 的全面采用。Snowflake 的案例表明，一旦 Agent 身份问题被解决（如其 Agent 服务 6000 名员工、每周回答超 35000 个问题），企业信任度会显著提升。这对所有构建 Agent 基础设施的云平台、数据平台和 AI 公司来说，是一个必须面对的架构级挑战。
对用户/开发者/创作者的影响
- 企业采购者与合规团队：在引入 Agent 前，应要求供应商提供明确的身份模型——包括 Agent 创建时的权限定义、数据访问范围、操作记录持久化能力。否则，Agent 的每一次自主行动都可能成为不可追溯的责任风险。
- AI 应用开发者：需要将治理逻辑嵌入代码，而非外包给运维。例如，在 Agent 启动时分配带到期时间的身份令牌，而非继承调用者权限；对多个数据源组合后的输出设置策略检查，阻止潜藏的越界行为。
- 平台与云服务商：应借鉴 Snowflake 的做法，在数据访问控制之外，提供“衍生洞察”级别的策略引擎，让审计日志在 Agent 生命周期结束后依然可查。这是差异化竞争的关键方向。
值得关注的后续
- 合规工具落地：Snowflake 及其客户（如 Tipalti，年处理 750 亿美元交易）的实践能否成为行业标准？是否有独立治理产品（如 Agent 身份管理服务）涌现？
- 监管动态：欧盟 AI 法案等法规是否会明确要求 Agent 具备可审计身份？受监管行业的 Agent 部署节奏可能因此改变。
- 开源 Agent 框架的治理演进：LangChain、AutoGPT 等社区是否会在架构层加入权限与审计模块，或将治理责任留给开发者自研？
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
来源：InfoQ CN
