内容概览
这场演讲把“智能体对智能体”重新定义为一个跨信息孤岛的搜索问题：系统真正需要优化的，不是智能体数量，而是关键推理或工具调用发生前，上下文窗口是否包含了足够且正确的信息。理论上的最优系统可以访问全世界的数据，但现实中的隐私、安全和交易成本决定了这种全知智能体不可接受。演讲者因此比较了五种近似方案：在单一信任边界内集中授权、构建隐私保护型专用工具、建立共享知识空间、让人充当信息传递与审批节点，以及由受信任的黑盒模型先检索全部私有数据、再只向相关所有者请求披露许可。其中，由 AI 自动清扫私有信息并维护企业 Wiki 或数据库，被认为最可能在小型、高信任组织中迅速产生回报。长期趋势则是“自动模式”：先划定允许模型自主判断的低敏感区域，再随着模型能力、政策编码和审计机制成熟逐步扩大。不过，提示注入、错误知识持续污染、越权披露和不可审计性仍是核心风险。最终竞争优势将来自一种能随模型能力自然增强、同时保留审批、日志、撤销和审计能力的信息共享架构。
更多内容
核心概念
演讲中用于重构跨智能体协作问题的关键术语。
- 智能体式搜索：给智能体提供多种工具，使其遍历内容空间，并在回答或工具调用前把最相关的信息放入上下文窗口。
- 信任边界：一组可以接受共同授权和统一数据访问规则的人或系统，例如家庭、HR 团队或企业内部职能部门。
- 共享孤岛：组织主动建立的共同知识空间，例如共享技能库、Wiki 或数据库；它仍有访问边界，但允许多个智能体复用信息。
- 清扫型 AI：部署在私有信息孤岛中的模型，依据共享政策检查新增信息，并将允许公开的内容同步到组织共享空间。
- 黑盒方案：受信任模型可在隔离环境中检索多个私有孤岛，但只在最终披露信息或执行动作时，向真正相关的数据所有者请求许可。
- 自动模式：模型根据内容敏感度、用户角色和预设政策，自主判断何时可以共享、何时必须引入人工审批。
综合洞察
由五种方案及其限制推导出的系统级判断。
- 多智能体网络效应主要来自共享信息质量随使用持续提高，而不是来自智能体数量本身。若新智能体只能进入新的封闭权限域，系统规模扩大也不会自动提升整体能力。
- 最可扩展的架构应把隐私视为动态决策政策，而不是静态访问列表。静态授权适合启动阶段，但只有可由模型执行并逐步扩展的政策，才能随模型能力形成复利。
- 审批效率取决于系统能否在不泄露结果的前提下，先确定真正相关的数据所有者。黑盒检索的价值不只是减少点击，而是把人类注意力集中到实际发生披露的边界。
- 小型高信任组织可能先于大型企业采用自动共享，因为其敏感数据类别更容易划定，内部滥用概率也相对较低；大型企业则会受到合规、审计和责任链条的制约。
- 跨企业协作可能形成更强的网络效应，但也把单一组织内的访问控制问题升级为多方法律责任、商业利益与审计权协调问题，因此适合从双方收益明确的垂直场景切入。
五种跨孤岛方案对比
不同方案在自动化程度、隐私控制和人工成本上的主要差异。
- 信任边界内集中授权部署简单、符合既有 SaaS 权限模型，但依赖人工划定数据范围，也会形成新的信息孤岛。
- 隐私保护型专用工具比开放原始邮箱权限更安全，因为它只返回关系分数等派生结果；代价是每个场景都需要人工设计工具和解释隐私权衡。
- 共享 Wiki 或数据库能让知识持续积累；加入清扫型 AI 后，可由系统主动把合规信息从私有空间迁移到共享空间，而不再完全依赖员工整理。
- 传统人在环会向大量潜在所有者广播请求；黑盒方案先完成私密检索，再只向相关人员请求最终披露许可。
- 全人工审批控制明确但难以扩展；风险自适应自动模式可依据敏感度和角色放行低风险信息，同时为高风险披露保留人工审批。
技术与治理要点
实现跨信息孤岛协作时需要明确的架构、策略和风险控制。
- 关键优化点是最终回答或工具调用之前的上下文窗口；系统应围绕信息发现、筛选和注入质量进行评估。
- 关系发现工具可以在高权限环境中扫描公司邮件，按目标公司、职位和通信关系计算强度排名，仅向上层智能体返回最小化结果。
- 清扫型 AI 需要两类输入：必须留在私有孤岛中的信息政策，以及可接收共享内容的 Wiki、数据库等目标空间描述。
- 共享决策可以采用人工确认或模型执行政策两种模式；较安全的迁移方式是先自动处理低敏感内容，对高敏感内容保留人工审批。
- 黑盒执行环境必须隔离中间推理与私有检索结果，并在最终披露或外部工具调用前准确识别数据所有者、请求授权。
- 系统需要防范私有数据源中的提示注入，以及共享知识库中错误信息被后续检索反复引用所造成的持久污染。
- 治理层必须定义谁负责审批、记录哪些操作、哪些写入或披露可以撤销，以及谁拥有全局审计权限。