# Sierra产品负责人：多智能体是个陷阱

我承认，我是被标题党看了这期播客。多智能体是个陷阱是原题图标题。来自LangChain播客Max Agency 6月18日的一期节目。

Sierra大家可能不太熟悉，它的产品形态是一套完整的智能体操作系统Agent OS：企业在上面构建面向终端消费者的AI智能体，一个智能体代表一个品牌，处理从售前咨询、下单支付到售后服务的全生命周期交互，同时覆盖语音和文字渠道。

这家公司更出名的是创始人，由现OpenAI董事长、前Salesforce联席CEO Bret Taylor和前Google Labs负责人Clay Bavor于2023年创立，2026年5月完成9.5亿美元E轮融资，估值158亿美元，截至2026年2月ARR已超过1.5亿美元（第三方数据源估计截至5月已达2亿美元），服务超过40%的财富50强企业。

本期嘉宾Zack Reneau-Wedeen是Sierra的产品负责人，此前在Google担任Google Lens和Google Podcasts的创始产品经理，之后在Robinhood和CoinTracker做过产品负责人。

Sierra的语音智能体在处理英国北部口音时，会同时跑两个转录模型。一个转录质量最高但在安静时会产生幻觉，另一个能准确识别沉默。系统的判断逻辑只有一句话：如果模型B说对方沉默了，信它；如果没说沉默，信模型A。这个细节来自Sierra在60种语言上的实战经验，它揭示了一件事：当下最有效的智能体工程，靠的是在一个智能体内部调度多个专精模型各司其职，而不是把任务拆给多个智能体。模型可以多，智能体应该少。

---

## 一、平台架构：从模型星座到无代码Journeys

1、**三层栈：Agent OS、Agent SDK、Journeys**

Sierra的技术栈分三层。最底层是Agent OS，管理着Sierra所说的"模型星座"，负责把平台上的任务翻译成提示词，分发给不同模型。一次普通的对话轮次会调用10到15个不同的模型：几个前沿模型做核心推理，一批分类器做路由和判断，再加上一批用于推测执行的模型来保证低延迟。

中间层是Agent SDK，基于代码的智能体编排和上下文管理层。Sierra最初就是从这一层起步的，但过去18个月，几乎所有智能体开发都转移到了顶层的无代码层Journeys。

Journeys的核心设计是声明式的：你描述希望智能体在什么条件下解锁什么行为，走什么方向。它介于标准操作规程和领域专用语言之间，比纯文本提示词更结构化，比传统流程图更灵活。它和Agent SDK之间的转换是确定性且同构的，也就是说无代码编译成代码后可以再编译回来，内容一致。这让运营团队和工程团队可以在同一个智能体上协作，各用各的工具。

2、**Ghostwriter：用智能体构建智能体**

Ghostwriter是Sierra在2026年3月推出的智能体构建工具，定位类似Codex或Claude Code，但专门用于构建客户体验智能体。关键在于，Ghostwriter输出的不是代码，而是直接写Journeys。用户可以用自然语言描述需求，比如"我要做航班预订"或"我要处理退货"，Ghostwriter已经理解这些业务概念，能直接生成可审查的Journey。

这个设计选择有实际原因：如果让Ghostwriter同时擅长写代码和写Journeys，质量会有折中。而平台上绝大多数活动发生在Journeys层，所以把Ghostwriter的能力集中在这里，回报最大。

3、**从"显式编排"到"声明式约束"：Agent SDK的演进**

Agent SDK已经被重写了两到三次。早期版本是流程导向的：你必须在智能体的结构里显式规定操作顺序，比如"先收集用户的邮箱地址，再告诉用户会发送确认邮件"。现在不需要这样了。你只需在Journey中声明"调用发送确认邮件这个工具的前置条件是拥有用户邮箱"，智能体自己知道该怎么向用户索要邮箱。

这个转变是模型推理能力提升和平台编排能力增强共同推动的。模型在每一步都有更大的推理空间，平台则通过模型选择、评估和提示词工程来确保可靠性。

4、**80%的时间应该迁就模型，而不是反过来**

在设计智能体开发的抽象层时，Sierra面对一个持续的张力：用对模型最友好的抽象，还是用对业务最准确的抽象？Zack的经验是80/20原则。

80%的情况下，应该把问题重新表达成模型已经擅长的形式。编程智能体对文件系统、Git、grep这些结构特别在行，那就把数据和流程物化到这些结构里，让编程智能体直接上手。

剩下20%的情况，业务逻辑确实没有办法硬塞进模型已有的认知框架，这时候才值得投入资源去教模型理解你的抽象方式。但这里有个陷阱：如果抽象做到一半，既不是模型完全熟悉的，也不是完全陌生的，模型反而会过度自信或困惑。要么全部迁就模型，要么完全走自己的路，中间状态最危险。

## 二、语音引擎：并行化思考、倾听和说话

Sierra的大部分对话流量来自语音渠道。Zack说语音是他职业生涯中最有意思的项目，也是Sierra最早和客户SiriusXM（美国最大的卫星广播和流媒体音频订阅服务）合作时就确认的方向。

1、**模块化架构的早期押注**

Sierra在语音领域做了一个早期决策：采用模块化架构，对任何语言、任何客户、任何场景，都能在转录、合成和端到端语音模型之间灵活切换供应商组合。Zack说没有哪家供应商在所有方面都是最好的，尤其当你要支持近60种语言、服务全球品牌时。

这个决策的回报在多个维度显现。从语言适配看，不同语言的最佳转录供应商不同。从容量规划看，Sierra需要为黑色星期五和网络星期一这样的流量尖峰做准备。Zack提到他们做过负载测试，按年化换算相当于数十亿次对话的并发量。多供应商支持让他们在某个供应商宕机时有兜底能力。多供应商策略的首要驱动力是容量，其次才是成本。

2、**转录模型的Ensembling实战**

转录层的ensembling，即同时运行多个转录模型并融合结果，是模块化架构的典型产出。以英国北部口音为例：有一个模型转录质量最高，但在静音时会产生幻觉文本；另一个模型在静音检测上更可靠。Sierra同时运行两个模型，用一套逻辑决定何时取哪个的结果。

类似的原理也用在多语言场景。比如匈牙利语，单个最佳转录供应商的词错误率可能高达20%，通过多供应商ensembling可以把错误率拉下来，做到比任何单一模型都好。

Sierra在2026年5月18日发布了转录平台的技术博客，同年4月20日发布了μ-Bench，一个基于真实客服电话的多语言转录基准测试。

3、**语音智能体的核心突破：并行化三件事**

Zack说语音智能体领域长期存在一个失衡：用大约50行Python代码，主要是Silero这个开源语音活动检测库，来决定何时说话；然后用万亿参数的大模型来决定说什么。这个比例不对。人类在对话中花在"决定何时开口"上的脑力和"决定说什么"大致是五五开。

Sierra语音智能体的关键突破，是把思考、倾听和说话三个过程并行化。当智能体在倾听时，已经在思考可能的回应；当它在说话时，同时在监听打断信号。这不只是工程优化，而是产品设计层面的根本转变。

此外，进度指示也是语音智能体容易被忽略的细节。比如说"请稍等，我帮您查一下账户"，这类话术在文字聊天中是可选的，但在语音场景中如果1到2秒内没有响应，用户就会困惑。

4、**端到端语音模型：尚在早期，但方向明确**

端到端语音模型，即直接从音频输入到音频输出、不经过中间文本转换的模型，Sierra已经有在生产环境运行的案例。但Zack给出了几个限制条件：这些模型目前只在英语上达到了可信赖的可靠性；成本比传统管线贵了接近一个数量级；在工具调用和指令遵循方面不如文字模型可靠。因此，端到端模型目前只用在业务流程相对简单、自然度要求特别高的场景。

被问到何时超过50%的流量会由端到端语音模型承载时，Zack的回答是：24个月是他的个人猜测分界线，他倾向于赌"超过24个月"。多语言支持是最大的瓶颈，只要还需要覆盖60种语言，模块化架构在可预见的未来都不可少。

## 三、Agentic Commerce：支付基础设施和商业前景

1、**智能体商务将大于电子商务**

Zack提出了一个判断：agentic commerce的规模最终会超过e-commerce。他的逻辑是，用户的操作习惯正在从"去网站上点击"变成"让Codex或Claude替我做事"。管理订阅、订购日用品、预订餐厅，这些行为迁移到智能体上只是时间问题。仅美国的电子商务规模已达数千亿美元，占GDP的几个百分点。

Sierra为这个未来做了具体的基础设施投入。2026年4月，Sierra成为首个通过PCI DSS Level 1认证的对话式AI平台。PCI DSS是支付卡行业数据安全标准，Level 1是其中最严格的等级，Sierra的认证经Visa全球服务提供商注册处验证。这意味着用户在和语音智能体通话时可以直接完成支付，不需要转接到另一个系统。

2、**隔离式支付基础设施**

PCI认证的技术核心是：支付信息走独立的、经过PCI认证的基础设施，不进入Sierra的核心平台，也不发送给外部大语言模型。原因很简单：目前没有任何LLM提供商通过了PCI认证。在安全支付模式下，提示词遵循预设的、服务器验证的序列，不是由LLM生成的。

落地这套方案意味着要启动一个独立的计算集群，通过独立的安全评估师审核，确保所有运营流程符合标准。Zack坦言Sierra"在支付领域的投入比当时看起来合理的时间更早"，但这是为了抢占agentic commerce的先机。

3、**智能体作为ChatGPT应用**

Sierra智能体已经可以作为MCP服务器暴露给ChatGPT。Redfin，美国最大的在线房产搜索平台之一，是一个具体例子：访问redfin.com的AI搜索功能，底层是Sierra智能体在返回房源列表并与用户对话，这个智能体同样可以在ChatGPT中通过@引用调用。

Zack认为品牌的智能体交互大多数最终会从用户的个人智能体（如Claude、ChatGPT）发起，因为用户的使用时间已经大量集中在这些平台上。品牌需要在"对面"做好准备，确保自己的产品展示正确、结账流程顺畅，无论面对的是人类还是另一个智能体。

一个相关的新兴模式：开发者工具公司Sentry在保留传统API的同时，额外提供了一个可以直接向智能体提问的端点。越来越多的公司开始把智能体而非API本身作为外部交互的接口。Zack坦言他也不确定哪种模式会胜出，但这个趋势本身值得关注。

4、**但我们仍处于非常早期**

被问到这个领域有多早，Zack直截了当："我个人还没有用Codex订过纸巾。"他也没有用过Alexa做类似的事。他觉得最可能先落地的场景是管理订阅：让Codex或Claude Co-worker访问浏览器，自动取消不再使用的流媒体订阅。现有的订阅管理应用要求用户手动输入所有信息、逐个决定取消哪个，流程太重。如果给智能体浏览器权限，让它自己去查哪些流媒体账号已经不登录了，直接取消并通知你，这个产品他作为消费者有真实需求。

## 四、上下文工程、模型管理和RL

1、**上下文工程的核心原则：该给的都给，多余的不给**

Sierra对上下文工程的理解可以浓缩为一句话：给智能体看它做正确决策所需的一切，但不多给一个字节。随着模型变聪明，"一切"的精确度要求在降低，"不多给"的严格程度也在放松。

Zack用吃饭做了个类比：早期需要"喂饭"，把上下文逐条喂给模型；现在是"摆盘"，把正确的信息组合放在模型面前；未来可能连摆盘都不用那么精细了。

具体到技术细节，有一个叫"渐进式揭示"的概念：不要在信息变得相关之前就塞进提示词，但一旦塞进去了，又不能随便抽走，因为抽走会造成不一致。做提示词压缩时，如果压缩是有损的，历史记录中残留的内容和系统提示词不一致，智能体的行为就会出问题。

"任何时候你觉得模型太笨了，其实大概率是你的问题。"这是Zack在Sierra学到的核心教训。绝大多数幻觉的根因是提示词的一部分说了A，另一部分说了B。

2、**多模型管理：好的评估让模型切换变简单**

Sierra的客户对使用哪些云、哪些模型有各种限定要求。服务财富20强就意味着必须支持多模型。Zack说，如果评估写得好、架构设计得好，在相同智能水平的模型之间切换并不难。本质上是延迟、质量、成本三个变量的权衡。

切换时改什么？主要是提示词，让它适应每个模型的特点。工具一般尽量不改，因为改工具的下游影响难以控制。有些任务只能跑在特定模型上，有些可以多模型候选。

3、**Prompt caching：质量优先，不做狂热信徒**

Sierra对prompt caching的态度是：不会为了没有理由的场景去打破缓存，但当质量需要时毫不犹豫。Zack说他们"绝对不是prompt caching的狂热分子"。原因是，当智能体交付的outcome足够有价值时，你有资格不把成本作为首要考量。一次对话可能卖出一个100美元的产品或者一个终身价值1000美元的会员，这个价值量级让质量几乎总是第一位的。

4、**RL的两个承诺和三个限制**

Sierra对RL做了大量探索。RL的两个承诺是：提升模型质量上限，以及让较弱的模型做到接近前沿模型的表现。Zack的实际观察是，企业级RL更多实现的是第二个承诺，即用开源模型逼近前沿模型的性能。

三个限制因素：第一，RL训练的结果是非确定性的，如果训练数据中包含你不希望模型复述的内容，就存在"回吐风险"，Sierra对此零容忍。第二，前沿模型进步太快，你在某个任务上做的RL优化，3到6个月后可能就是前沿模型的误差范围。第三，准备训练数据本身就是一项大工程。

Sierra在知识检索领域做了自研模型，因为他们确实在这个方向推动了技术前沿。但在不推动前沿的方向上，他们尽量保持灵活，不被RL锁死。

另外，Sierra大量投入多供应商支持的首要驱动力其实不是成本，而是容量。零售客户的黑色星期五流量尖峰需要巨大的模型调用容量，任何单一供应商都可能出现容量不足或宕机。

## 五、Agent Data Platform、多智能体的陷阱与记忆

1、**Agent Data Platform：结构化数据 + LLM即时共情**

大语言模型天生擅长"此刻的共情"。Zack用酒店服务做类比：你走进一家服务好的酒店，前台一眼就看出你是刚下长途飞机，或者你迟到了十分钟因为堵车。LLM在Sierra这样的平台上也有这个能力。

但LLM不知道你作为客户的长期偏好。上一代AI系统，比如推荐引擎，恰恰擅长这件事。Agent Data Platform的设计就是把两者结合起来：把客户数据平台、内部系统中的结构化数据（知道该推荐什么）和LLM的当下语境理解（知道该怎么推荐）接在一起。

一个销售场景的例子：结构化数据知道当前应该给这个客户推哪个offer，但如果只靠结构化数据直接输出推荐，用户体验会生硬——"我不知道你为什么要给我看这个"。LLM的作用是理解如何呈现offer，在对话上下文中权衡两个候选offer选出更合适的那个，把推荐变成自然对话的一部分。

2、**多智能体系统多数时候弊大于利**

Zack自称"单体忠诚者"。他列举了几种常见的多智能体误区：

如果拆分智能体是因为让一个团队管一个，那你不过是在用技术架构复刻你的组织架构。如果拆分是因为分开想问题更舒服，那你在优化你的舒适度，不是在优化效果。

更具体的技术危害：如果一个智能体做分诊，另一个做任务，拆成两个系统会让任务智能体拿不到分诊阶段的信息，同时分诊智能体也看不到任务的流程细节。这种信息隔离通常是"价值毁灭性的"。

Zack的判断标准是：如果你在做好上下文工程，多数情况下不需要多智能体，因为你不会把错误的上下文暴露给错误的智能体。真正适合多智能体的场景是两个任务之间确实完全可分离，第一个任务的上下文对第二个任务没有任何用途。截至2026年5月18日（播客录制时间），他认为这种情况非常少见。

3、**记忆：重要但技术上不难**

Sierra从Agent Data Platform上线起就把记忆作为平台的一等原语。每次对话中都可以识别客户身份、隐式或显式地保存记忆，未来的对话可以提取这些记忆。

记忆存储有三种方式：在Journey构建时指定"我关心哪些信息"（比如"记住客户的生日"）；在对话中的某个轮次手动标记"保存到记忆"；让智能体自行判断什么值得记住。

Sierra在实践中已经看到记忆对核心指标的提升：用客户的名字打招呼、记住上次通话的内容、知道昨天客户在电话上等了一个小时体验很差，这些细节直接拉高了解决率和转化率。

但Zack提出了一个反直觉的观点：记忆在技术上并不难。原因是，一个客户的记忆量级比知识库小三个数量级。知识库的检索和排序是真正复杂的问题，而个人记忆的检索问题相对简单。用知识图谱、向量库还是文件系统来存，在目前的系统中区别不大。

不过记忆有一个容易被低估的门槛：身份认证。如果有人打电话进来，你不一定能从电话号码100%确认是本人。一个办公网络可能共享同一个电话号码，一个家庭可能共用一条线路。每个品牌都需要定义自己的策略：哪些记忆可以在身份确认前使用，哪些属于敏感信息必须验证后才能提取。"嘿Harrison，感谢再次来电"大概没问题，但"你是来查你的社保号码吗"就完全是另一个安全等级了。

4、**为什么没有独立的记忆公司成功？**

Zack认为核心原因正是身份认证：卖记忆就意味着要同时卖身份认证。Claude和ChatGPT这类产品已经获得了用户信任，所以它们可以做记忆。一个独立的B2B记忆公司不仅要卖记忆产品，还要让客户信任你做身份验证，这比表面看起来要重得多。

## 六、评估体系、持续改进和outcome-based pricing

1、**Simulations：高维空间里的智能体测试**

Sierra为客户评估智能体构建了Simulations产品。它支持设定不同的persona（模拟不同性格和需求的用户）、加入背景噪音（语音场景）、模拟对抗性用户，然后在所有组合上运行测试。Zack说判断一个人是否在认真构建智能体，看他有没有好的simulations就够了。

内部的Agent OS评估和客户的评估问题并不相同。内部评估更像一般应用AI公司的任务评估；客户的评估牵涉对话的多维复杂性，一段对话可能走向的方向太多了。

2、**Monitors和"用更多AI解决AI的问题"**

Sierra内部有句话："所有AI问题的解决方案都是更多的AI。"你有一个90%准确的东西，用另一个AI去验证90%的情况，再用另一个AI验证那个……叠三到四层之后就能达到三到四个九的可靠性。

Monitors是平台上的常驻评估器，在每次对话上运行，标记需要人工审查或需要创建工单的问题。好处是客户运营团队不需要每天早上试图读完一万次对话，只需要审查五次标记出来的对话。

3、**持续改进的置信度分级：FYI vs Approval**

目前Sierra的持续改进流程是：Monitor自动检测问题，Ghostwriter自动建议修复方案，人类审查后推送到智能体。人始终在环中。

Zack说近期会出现第一批智能体自我改进的案例。关键设计是按置信度分级：如果知识库里的一篇文章和网站上的信息矛盾，智能体可以自行核实网站内容，确认正确答案后直接修复，只给人类发一个FYI通知。这和人类的工作方式一样：有些事需要请示审批，有些事做完知会一声就行。

所有的技术原语已经到位，瓶颈在于客户对自动化的信任程度。Sierra不想把未来拉得太快，而是跟着客户的节奏走。

4、**τ-Bench系列：让行业有共同的衡量标准**

Sierra Research发布了一系列开源基准测试，形成了一个"τ宇宙"：τ-Bench评估工具调用和流程遵循，τ²-Bench评估智能体和用户共同控制环境下的协作能力，τ³-Bench在2026年3月扩展到知识检索和语音，τ-Voice在2026年5月专门评估实时语音智能体在真实音频条件下的任务完成率，μ-Bench在2026年4月推出，针对多语言转录质量。

这些基准测试主要用于评估供应商而不是评估智能体本身。比如有一个新的转录模型来Sierra办公室做演示，Sierra会说"看起来不错，但请先跑一下μ-Bench"。正是通过μ-Bench，他们发现了那个"北英国口音下模型A转录好但静音幻觉多、模型B静音检测准"的规律。

5、**Outcome-based pricing：Sierra的首要竞争力**

Zack把outcome-based pricing称为Sierra成功的"可能是第一的运营原因或商业原因"。当你的智能体完成一个100美元的销售，你拿走一部分，所有人都在朝同一个方向划桨。这切穿了企业合作中常见的优先级争论和资源分配困局。

并非所有outcome价值相同。排查复杂设备故障可能需要20轮对话，单次outcome对应的价值高；查询银行余额很快就完成了，outcome比较commoditized。同一个客户内部的不同任务也可能有不同的outcome价值。但Sierra在执行中不追求精确到每个场景的完美定价，而是追求激励对齐的大方向。"如果你不理解outcome-based pricing的价值，你的outcome大概也没那么值钱。"

## 七、人才和组织：F1赛车需要更多进站

1、**产品判断成了瓶颈，而不是工程产能**

Zack用了一个F1赛车的类比：一级方程式赛车比现代轿车跑得快得多，但需要更频繁地换轮胎。编程智能体让代码的编写和审查都快了很多，但产品判断和客户直觉这类能力反而需要更高频地介入。

"更快的车需要更多的进站"意味着：一个人能独立带着产品判断和技术能力闭环的人，进入了一个极好的正反馈循环。而需要一个人提供判断、另一个人写代码的分工模式，则需要更紧密的协作，更多的每日站会、更频繁的对齐。

2、**Forward-deployed agent builder画像**

Zack的个人评估框架包含六个维度：客户直觉、agency即面对模糊地带时的主动性和掌控感、产品判断力、技术深度、沟通能力、强度。再加上一个稍显模糊但同样关键的：领导力，在活动量大增时把方向拉对的能力。

最成功的人通常同时做过产品经理和工程师。Sierra的工程负责人Arya之前做过产品经理，许多工程师也有产品经理背景。这种跨学科能力比以往任何时候都重要。GPT-5.5不具备深度的客户直觉，这是人类在AI时代最不可替代的能力之一。

3、**AI-native面试：在几小时内端到端构建一个产品**

Sierra改变了面试流程，引入了AI-native面试。候选人在几个小时内端到端构建一个产品，然后和团队一起评审。在这个过程中可以观察到：这个人认为什么是"不在我的职责范围内"，他会不会主动把看似超出范围的机会拉进来。

这和agency直接相关。编程智能体扩大了个人的控制范围，如果你能意识到"我现在能做更多事了"并据此行动，这种品质在AI-native面试中会自然显现。