在海洋馆里，虎鲸几乎无所不能。翻滚、跃出水面、顶球、配合训练师完成各种复杂动作。你会觉得它聪明、灵活，甚至带着一点理解人的感觉。所有动作都干净利落，观众鼓掌，训练师满意，一切都显得刚刚好。
只是你很难完全忽略一种不太舒服的感觉：虎鲸，本不该在这里。
在真正的大海，虎鲸会游上万公里，用声呐感知整个海洋，和同类协同捕猎，在洋流、温度、地形不断变化的系统中持续做出选择。它的能力从来不只是为人类完成某一系列的动作，而是在海洋这样极其复杂的空间里找到生存繁衍的路径。
海洋馆里的虎鲸没有变笨。只是它被困进了一个太狭小的世界。
很多企业今天在用 AI，路径和海洋馆惊人地相似。
拿到一个模型，第一步往往是把流程梳理清楚：先查什么，再看什么，按什么顺序处理，最后输出什么格式。每一步都设计得很清晰，系统上线后也确实能跑，效率提高，出错率下降，看起来一切都在正轨上。
但这种系统有一个非常稳定的特征：它始终沿着人已经走过的路径前进。
它可以更快、更稳定、更自动地完成这些路径，却很少偏离它们。
时间一长，你会发现，这种“智能体”更像一个执行能力很强的流程系统。它把企业原本的经验、规则和步骤复现了一遍，甚至优化了一遍，但并没有真正触碰到判断这件事最有价值的部分。
问题不在模型强不强。
真正的问题，是路径在一开始就被写好了。
很多企业今天在做的那套 workflow，看起来合理：步骤清晰、逻辑完整、每一步都可解释。但它有一个隐藏的前提——系统只能沿着你预先设定的路径前进。
这正是分水岭。
因为目前最成功的智能体产品——Claude Code 和 OpenClaw，以及受它启发的一类系统——走的是完全不同的路。
它们没有先规定路径。
它们让模型自己去找。
我之所以开始意识到这一点，是因为一个很具体的观察。
我在硅谷的老友 Stephen，在 Meta 做了十多年，见过的技术人物不算少，包括生活中的 Boris Chernyshov ——Claude Code 背后的那位工程师。他告诉我，Boris 是个很有意思的人，在加入 Anthropic 之前，他一个人住在日本乡下。他不写代码。他做味噌(miso)——白味噌需要三个月，红味噌需要两到三年。他用自己做的味噌和邻居换东西，过着一种极度简单的生活。
Claude Code 这个产品本身，就带着他很强的个人气质。
如果你用过 Claude Code 的 CLI，你一定会注意到一个细节：模型在“思考”的时候，会随机显示GRE水准的动词：Pontificating,Cogitating,Percolating,Ruminating,Manifesting,Noodling,Vibing...且取之不尽，像是在自己翻找、试探、推敲。
这种感觉不像一个被调度的组件，更像一个在环境里自己行动的东西。更关键的不是这些表象。而是它背后的一个决定。
Claude Code 早期用 RAG——一种行业里公认更”稳”的做法：提前设计好检索路径，让模型按既定顺序去取信息。Boris 把它砍了。换成让模型自己拿着 grep 和 glob——两个最基础的搜索工具——面对一整个代码库，自己决定搜什么关键词、读哪个文件、发现一条线索后追到下一个文件。结果反而更好。
Boris 在一次访谈中谈及这个问题时，这么说：“不要试图把模型关进盒子里。不要预先塞一堆上下文给它。给它工具，让它自己去找它需要的东西。效果会好得多。”
同样的逻辑也出现在 OpenClaw 这样的项目里——Peter 给模型 WhatsApp 这样的工具，让它自己行动，而不是被流程牵着走。
这就是 AI 领域一个非常经典的经验：The Bitter Lesson。
“当系统能力不断提升时，真正占优势的，往往不是人类预先设计好的路径，而是那些允许系统自己去搜索、去学习的方法。”
这是强化学习之父 Richard Sutton 在2019年写的一篇短文中阐述的主题。
国际象棋最典型。几十年来最聪明的研究者把大师级直觉编成规则，直到 1997年深蓝用暴力搜索击败卡斯帕罗夫。不是因为深蓝更懂棋，是因为棋盘规则被精确定义之后，机器面对的搜索空间远超人类直觉能覆盖的范围。路径一旦固定，视野也随之固定。
AlphaFold 也类似。科学家花了几十年把"从氨基酸序列预测三维结构"这个问题定义清楚，模型在这个巨大的可能性集合里搜索，逐渐逼近结构。人类提供的是边界和评价标准，而不是具体路线。
这里真正困难的地方：变量一旦增多，路径的数量会迅速膨胀。三个变量可以组合，五个变量也可以组合，十个变量之后，可能性已经远远超出人脑能够穷举的范围。
人会自然收缩视野。系统不会。
企业里的判断，本质上是在一个约束很多的环境里找解。
真正带来差异的，往往不是把已有路径执行得更好，是找到一条之前没有被稳定看见的路径。它可能并不显眼，甚至一开始看起来有些反直觉，但一旦成立，就会持续带来价值。
人之所以很难找到这些路径，恰恰不是因为缺少经验，经验本身会收缩搜索范围：你会优先看到自己熟悉的模式，优先走已经验证过的路线——这在大多数时候是优势，但在复杂环境里，它同时也是限制。
系统一旦能在更大的空间里展开搜索，就会覆盖到人类经验之外的解。
很多人会把问题理解成是否应该减少约束。
企业世界不可能没有约束。合规、安全、资金、产能、客户，这些都是硬边界。没有这些，判断本身就无法成立。
但出问题的，在另外一层：路径在一开始就被写进去了。先做什么，后做什么，按什么顺序看信息，用什么逻辑组合变量，这些决定了系统的视野。路径越清晰，系统越稳定；路径越固定，系统越难偏离。
海洋馆的本质就在这里。
太平洋是地球上最大的洋，但并不意味着混乱。
它同样有结构，有温度带，有洋流，有地形，有食物分布，有真实存在的约束。只是这些约束构成的是一个空间，而不是一条路线。
在这个空间里，系统如何移动，何时转向，从哪里切入，取决于它自身。
当问题被定义成空间时，可能性才真正展开。
纺织原料收储，是一个典型的例子。
对一家年产值几十亿的纺织厂来说，原料成本占总成本的60-70%。什么时候买、买哪个产区、买多少，直接决定全年利润。很多系统会把这个过程拆成固定步骤——先查价格，再看库存，再算均价，逐项判断，给出建议。运行稳定，但只是在复现既有经验。
当10年数千份收储决策记录、变量关系（时机×价格×产区×品类×资金状况）、资金与仓储硬约束被组织成一个完整空间，路径就不再固定。它可能发现老采购从未注意到的规律：某个产区在9月的价格异常，连续出现了8年。
锂电池质检的灰区判断更能说明问题。
困难从来不在明显的合格与不合格，而在中间那一大片需要权衡的区域。不同客户、不同用途、不同成本条件下，判断的边界会发生变化。固定阈值能提供确定性，却很难捕捉这种变化。
印染厂污水处理也是一样。
排放标准是硬约束，但在这个前提下，药剂投放、电价时段、处理效率之间存在大量组合空间。固定配方带来稳定，动态搜索带来优化空间。
这些场景有一个共同点：路径不再唯一。
事情走到这里，其实已经很清楚了。
企业真正需要投入精力的，是把问题讲清楚：目标是什么，哪些变量相关，哪些约束不能碰，结果如何衡量，出问题如何追溯。这些内容构成了判断的基础。
这一步做得越扎实，系统能展开的空间就越真实。
剩下的部分，可以往后退一步。
路径不必预先写好。
顺序不必提前规定。
很多时候，AI 会在这个空间里走出一条人没有想到的路。这才是企业级智能体该做的事。
你如果今天在做企业级的智能体，可以不断问一个问题：这个系统，是在重复路径，还是在寻找路径？
前一种情况，价值主要来自执行效率。
后一种情况，才开始触碰判断本身。
智能体更像一头虎鲸。
你可以给它建一座海洋馆，让它在池子里完成所有动作。
你也可以把它放回太平洋。
Boris 等那缸红味噌发酵的两三年里，大概早就想明白了这件事。提供原料、盐分、温度——然后走开。微生物自己会找到路径。
粤ICP备14082021号
免费POC，
零成本试错
