拜耳的智能体出错了，监控却记成成功

智能体上线的验收，在拜耳这里从请求有没有返回改成了任务有没有做成。10 月 23 日，拜耳作物科学（Bayer Crop Science）的工程师和 AWS 员工合写了一份内部智能体系统的上线记录，里面最硬的一条不是成绩，而是一次失误：系统出了错，监控却把它记成了成功。

先说结论，这是我们的看法：这份记录里「约八成问题不用工程师」的数字，拜耳没有说怎么算；真正能被别家照着做的，是它承认「接口返回了」不等于「事情做成了」，并在上线前为此补了一整套任务级告警。看智能体替人做成了多少事，得先有一把能量出「没做成」的尺子。

发生了什么

据 AWS 机器学习博客上的这篇合写文章（企业宣称，作者含拜耳研发 MLOps 负责人与 AWS 员工），拜耳作物科学原本有一个管理育种机器学习流程的平台，跑着数百种模型配置。平台用的人多了，瓶颈从「跑流程」变成「看懂流程」：一个育种人员想知道昨天的表型分析流程为什么失败，得自己知道去翻哪套日志、哪个看板。

于是拜耳在平台上面加了一层智能体，叫 Agentic Decision Engine。一个总调度智能体先判断问题属于哪一类，再交给 22 个专职智能体之一：有的查文档回答概念问题，有的查实时流程状态，有的读运行日志做故障诊断，有的画图。文章给出的数字是：生产环境里 22 个专职智能体、约 20 个接口工具；分批开放以来有 100 多名用户用过，包括育种人员、分析师、研究员和工程师；第一阶段约 80% 的问题「不需要工程师介入」；一次故障诊断从「一个多小时翻日志、等工程师」缩到「10 分钟以内」。

一件具体的事：监控说成功，其实失败了

拿那位育种人员的问题走一遍。理想路径是：总调度识别出这是故障类问题，交给诊断智能体；诊断智能体读日志、查流程状态，找到出错的那一步，答案原路返回。

文章承认，这条路上出过一个不显眼的坑。据 AWS 博客原文，应用里的异常处理代码捕获了智能体的错误，然后照常返回一个回答，监控系统看到的是一次成功的请求。换句话说，用户可能收到一个客客气气、但没有解决问题的答复，而运维看板上一切正常。团队的做法是在失败路径里单独埋点，对四类情况设告警：工具调用出错、被限流、模型超时、结构化输出校验不通过。文章把这条原则写成一句话：区分「传输成功」和「任务成功」。

同一份记录里还有两处类似的坑。压力测试时暴露出一种网络故障，会返回空回答，上线前修掉了；到上线时，团队一共处理完 35 个阻塞问题。另一处是换模型：团队试过一个开了推理模式的新版本模型，发现它同时做工具调用和结构化输出的方式和现有智能体不兼容，最后没换。

为什么这比「八成」更重要

「约 80% 的问题不需要工程师」是这篇文章的标题级数字，但它有三处说不清。据 Data Phoenix 的报道（媒体报道），拜耳和 AWS 没有披露上线日期、使用频率，也没有说明这个比例的计算依据。据 Models at Work 的报道（媒体报道），文章没有给出总花费、每个问题的成本，也没有定义「解决」由谁、按什么标准判断。

把这两点和上面的监控失误放在一起，问题就清楚了。分析推断（依据：AWS 博客对异常处理把错误记成成功的描述，以及两家媒体指出的「解决」口径缺失）：如果「解决」是按「用户没有再找工程师」来算，那么那些被异常处理吞掉、用户自己放弃追问的失败，也可能被算进八成里。拜耳补上任务级告警之后，这个风险应当变小，但文章没有给出补告警前后的对比数字。

所以我们更看重的是可迁移的做法，而不是那个比例。文章里有几条写得很具体：每个专职智能体只拿自己需要的工具，诊断智能体只能读运行数据、不能改流程；按智能体拆分 token 用量，发现画图和查状态的两个智能体调用工具最多、最费 token；一个工作负载有很长的重复提示前缀却没开缓存，开了以后输入成本降了 20%–30%。这些都是企业宣称，但每一条都能在自家系统里照着测。

最强反方

最有力的反驳是：这是一篇供应商博客，目的之一是推广 AWS 的平台和付费运维服务；100 多名用户、分批开放，说明它只是一个内部工具的小规模试点，拿它谈「验收口径在变」是以小见大。监控把错误记成成功，也是任何软件系统都可能有的老问题，不是智能体特有的。

我们接受规模小和供应商立场这两点，所以全文数字一律按企业宣称处理，也不拿八成去和别家比较。但我们坚持论点的理由有两条：一是这份记录是拜耳自己的工程负责人署名，承认了自家系统的失误，这类细节在供应商案例里很少见；二是智能体的错误更容易被包装成一个「正常」回答，用户不一定察觉，这让老问题的代价变大了。我们让步的地方在于：这只是一家公司的一次上线，能不能代表更多企业的做法，还需要更多公开记录。

我们不知道什么

• 「约 80% 不需要工程师」按什么口径统计，统计了多长时间、多少个问题，是否经过抽检。
• 补上任务级告警之后，发现了多少原本被记成成功的失败，比例有多大。
• 系统用的是哪家的哪个模型，新推理模型的不兼容具体出在哪里。
• 总花费、每次问答的成本，以及拜耳为 AWS 运维服务付了多少。
• 100 多名用户的使用频率，以及有多少问题最终还是转给了工程师。

接下来看什么

一看拜耳或 AWS 是否公布「解决」的定义和抽检结果；二看更多企业在公开案例里是否开始报任务完成率，而不只是调用量和节省的小时数；三看拜耳计划中的跨云智能体互通上线后，权限是否仍按每个智能体单独收窄。