📢 转载信息
原文链接：https://venturebeat.com/ai/has-this-stealth-startup-finally-cracked-the-code-on-enterprise-ai-agent
原文作者：Kyle Wiggers
探索企业级AI智能体领域的重大突破
许多初创公司都曾试图解决如何让AI智能体在企业环境中可靠、自主地工作这一难题。现在，一家名为Rippling的“隐形”初创公司声称，他们已经接近破解这个长期存在的难题。
这家公司专注于构建“自主工作流智能体”，这些智能体可以像人类员工一样，通过执行一系列预定的、跨部门的步骤来完成复杂的任务。Rippling的首席执行官兼联合创始人Anand Chandrasekaran在接受VentureBeat独家采访时表示：“我们希望构建的不仅仅是能够回答问题的模型，而是真正能完成任务的智能体。”
尽管Rippling并非第一个涉足企业AI智能体领域的公司，但它声称其突破在于成功实现了流程的鲁棒性（robustness）和可信度（trustworthiness）。
“问题在于，当您在企业环境中部署智能体时，您不能容忍错误，” Chandrasekaran解释道。“这些智能体必须以超过99.9%的准确率运行，并且在出现问题时能够自我修复。”
AI智能体面临的核心挑战：可靠性与信任
大型语言模型（LLM）的出现极大地推动了AI智能体的发展，但将它们从演示原型转化为可靠的企业工具，仍然面临巨大的挑战。典型的企业任务往往涉及多个系统、多个步骤和大量数据，任何一个环节出错都可能导致整个流程失败。
Rippling采用了一种创新的架构来应对这些挑战。他们的方法不依赖于单一的大型通用模型，而是构建了一个多阶段、模块化的系统，其中包含专门的角色和专门的工具集。
“我们构建了一个包含多个智能体的系统，每个智能体都专注于一个特定的功能，比如数据提取、决策制定或执行操作，” Chandrasekaran说。“这些智能体通过一套精心设计的通信协议进行协作，确保每个步骤都经过验证。”
Rippling的独特技术栈
Rippling的核心技术包括：
- 专家模块： 针对特定企业职能（如人力资源、财务、IT支持）训练的小型、专业化模型。
- 工作流编排器： 负责将复杂任务分解为可管理的步骤，并决定哪个专家模块应该被调用。
- 事实核查与回滚机制： 在关键步骤之后引入检查点，如果结果不符合预期阈值，系统会自动触发回滚或重新尝试。
该公司展示了一个关键用例：处理员工入职流程。传统的入职流程涉及人力资源系统、IT系统（分配设备）、财务系统（设置薪资）等多个部门的协调。Rippling的智能体能够自主地完成所有这些步骤，同时确保数据在不同系统间的一致性和合规性。
Chandrasekaran强调，他们的系统不是将LLM作为唯一的决策者，而是将其用作“认知引擎”，而实际的流程控制和错误处理则由更可靠的传统软件工程实践来保障。
市场反应与未来展望
Rippling目前仍处于“隐形”阶段，但其模式已经引起了一些早期企业客户的兴趣。Chandrasekaran透露，他们正在与财富500强公司合作进行试点项目，主要集中在自动化后端运营流程上。
虽然许多AI公司都在追求通用智能体，Rippling的策略是聚焦于特定、高价值的企业流程，并在这些领域达到近乎完美的操作水平。这使得他们能够避开与通用LLM提供商的直接竞争，而是专注于解决企业实际的“痛点”。
“我们不是在建立一个能做所有事情的AI，” Chandrasekaran总结道。“我们正在构建一个能以企业所需可靠性水平完成特定、高频任务的智能体。如果这是您需要的，那么我们就破解了这个代码。”
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区