📰 重點摘要

IBM Research 發表研究指出，企業 AI 規模化落地的關鍵不在於更大的 LLM，而在於「Agent Logic」——即知識圖譜、程式靜態分析、演算法分解等軟體原語所構成的引導層。這套機制能壓縮 LLM 的上下文空間，同步降低幻覺率與 Token 消耗，使模型行為更可控、成本更可預測。

研究列舉四大應用場景並附具體數據：在大型機遺留程式碼理解方面，透過靜態分析預索引資料庫取代反覆查詢 LLM，Token 消耗降低約 30 倍，可穩定處理百萬行級 COBOL/PL1 程式碼；在自動測試生成方面，程式分析引導下的子代理系統使行、分支、方法覆蓋率提升 20 至 45%，Token 用量僅為當前最優編程代理的十五分之一；在 IT 事故調查方面，結合知識圖譜的 I3 代理比 GPT-5.1 ReAct 基準快 4 倍；在設備維護場景，資產審查時間從 15 至 20 分鐘壓縮至 15 至 30 秒，覆蓋率從約 1% 提升至 30%，幻覺陳述減少 57%。IBM 將這套架構的核心原則定義為「推理自主、決策受限」，讓代理可自主提出行動方案，但最終決策權仍受業務規則與法規約束，確保企業可信部署。

💬 JudyAI Lab 觀點

IBM Research這份研究直接說明：讓企業AI穩定落地的關鍵，不是更大的模型，而是包在外面那層「Agent Logic」引導機制。

研究列舉的四個場景都指向同一個設計思路：用靜態分析、知識圖譜、演演算法分解來壓縮LLM需要「自己推理」的空間。COBOL程式碼理解的Token消耗降低30倍、自動測試生成的Token用量僅為當前最優代理的十五分之一——這些數字說明，適度限縮模型的自由度反而讓系統更可靠、成本更可預測。IBM提出的「推理自主、決策受限」原則尤其值得關注：代理可自主提出方案，但最終執行受業務規則約束，這對必須合規的企業場景幾乎是必要的設計。

下次設計Agent時，先問哪些判斷可以用程式邏輯取代模型推理——把答案列出來，往往就是壓低成本與幻覺率的最快路徑。

📅 原文資訊

🔗 延伸閱讀