在科技前沿的激烈竞争中，Intuit的AI团队经历了一场近乎疯狂的“自我否定”——四个月内，他们两次推翻自己刚刚建好的Agent架构。该公司AI副总裁Nhung Ho在VB Transform 2026上坦言，这条“快车道”背后是痛苦的试错与果断的止损。对于所有正在AI赛道中狂奔的AI独角兽而言，Intuit的案例恰如其分地展示了：在Agent架构尚未成熟时，最快的路径往往不是追求完美，而是敢于承认失败并快速重建。
从专有Agent到编排层：第一次重构的动机与代价
Intuit最初是Agentic AI的早期实践者。当客户抱怨需要手动为不同任务选择不同Agent时，Intuit决定构建一个统一的编排层。这个“大脑”负责接收客户的自然语言请求，然后自动路由到对应的专有Agent。
Ho回忆，当时团队的思路非常直接：既然客户不想管理多个Agent，那就让系统自己管理。这一决策在2026年初的Agent发展压缩时间线中，相当于“快速迭代了三个月”——但三个月后，问题开始暴露。
编排层本身并没有因为容量不足而崩溃，而是因为结构性的设计缺陷。当Agent之间用自然语言传递结果时，每个下游Agent都需要“推断”上游Agent的结论依据。这种推断在链式传递中不断衰减，十层Agent链的误差不再是偶尔发生，而是系统性累积。
“如果有10个Agent，它们之间依次传递，每次传递都会放大误差。”Ho在演讲中直言。这种误差累积导致编排层在复杂金融场景中频繁出错，客户体验急剧下降。
事实上，这一教训与AI Agent技术的早期探索高度吻合——许多团队在搭建Agent编排时，都低估了自然语言作为中间通信协议的脆弱性。Intuit的第一次重构，实际上是在为“过于理想化的编排层”买单。
编排层的崩溃：自然语言传递的“误差雪崩”
准确地说，Intuit的编排层并非死于容量不足，而是死于“信息熵增”。在金融税务场景中，Agent需要处理大量的上下文细节——例如某笔交易的时间、金额、税率、抵扣项等。当这些信息在Agent间以自然语言摘要的方式传递时，每个节点都会丢失一部分关键数据。
Ho举了一个具体例子：一个客户咨询“2024年自雇收入报税”的问题，第一个Agent确认收入类别，第二个Agent检索税率表，第三个Agent计算抵扣项。当第三个Agent拿到从第二个Agent传来的“年收入约8万美元”时，它无法知道原始数据中是否包含“季度预缴税”的精确数字。这种模糊性在金融场景中是不可接受的。
更致命的是，编排层本身也在处理这些模糊信息的过程中变得越来越复杂。Ho形容，最终的架构变成了“一团乱麻”，连维护团队都难以理解每条路径的决策逻辑。
这一困境映射出当前AI赛道中很多企业的共同痛点：Agent架构的复杂度增长远超预期。许多AI独角兽在试图用编排层解决“多Agent协作”问题时，都遭遇了类似的“自然语言瓶颈”。
Intuit的应对方式很干脆：放弃编排层，重新设计技能工具架构。这一决策的直接动因，是团队发现编排层的问题无法通过打补丁解决——因为它根植于通信协议本身。
60天极限重建：从技能工具架构到工程团队的信任
第二次重构只用了60天，其中第一个可用版本在20天内就完成了。Ho强调，技术上最大的挑战并非架构设计，而是让内部团队接受“推翻已有成果”的决定。
原本负责开发专有Agent的数百名工程师，每个人都在自己的Agent上投入了大量心血。现在，团队要求他们把这些Agent拆解成更小的“技能”和“工具”——这意味着他们之前的工作不再是一个完整的独立产品，而只是新架构中的零部件。
Ho的应对策略是用数据说话。她带领团队用真实的客户请求构建了一个新架构的Demo，并直接与现有系统进行对比测试。结果显而易见：新架构在同样任务上的表现明显优于编排层。
“最好的证明就是客户真正想做什么，你构建的系统必须解决那些问题。”Ho说。
对于工程师团队，她给出的论点是“规模效应”。一个独立的专有Agent只能解决一个狭窄的问题，但一个共享的技能或工具可以被所有使用该产品的客户重复利用。这种转变同时也改变了工程师的日常工作——从构建Agent转向运行评估（Evals），因为评估成为唯一能衡量新架构是否有效的手段。
这一过程与AI画图工具的发展逻辑相似——将复杂的图像生成任务拆解为线条、配色、风格等基础技能，再由统一的调度层组合。Intuit的技能工具架构本质上也是这种“原子化”思想，只不过应用在金融税务领域。
值得注意的是，这种架构允许团队灵活地添加新技能，而不需要重新编排整个系统。对于AI独角兽而言，可扩展性恰恰是Agent能否从试点走向规模化的关键。
人类介入与权限模型：Agent与真人协同的新范式
第二次重构最直观的客户体验改进，是引入了“人类介入”功能。目前该功能正在早期测试阶段，覆盖约1%的客户。Ho表示，未来几周内会逐步扩大。
具体来说，客户可以在与Agent对话的过程中，随时召唤一名Intuit产品支持人员、自己的会计师或Intuit内部的记账员。这个人带着Agent已经完成的全部上下文加入对话，而不是像传统AI客服那样需要客户重复一遍问题。
Ho直接对比了当前大多数AI聊天产品的做法：通用型助手回答税务问题后，通常会加一句免责声明“请咨询专业人士”。而Intuit的做法是，在同一个对话窗口内，直接帮客户连接到那位专业人士。
这种“无缝衔接”背后是一套专门为金融数据设计的权限模型。Agent在操作客户的财务数据之前，必须获得明确的授权。Ho说，随着客户对系统信任度的提升，这种授权要求可以逐步放宽。同时，Intuit保留了所有Agent操作的审计日志，并在必要时允许回滚。
这实际上是一个“信任递增”的设计：初期强制高权限，后期基于行为数据动态调整。对于金融科技领域而言，这种设计比单纯的“全自动”或“全人工”更务实。
在AI赛道中，AI工具导航类产品往往强调“一键完成”，但Intuit的案例表明，在敏感领域，保留人类兜底机制反而能加速Agent的落地。毕竟，客户在金融问题上对错误的容忍度极低。
反馈革命：从稀疏的二元评价到100%对话即反馈
第二次重构还彻底改变了Intuit收集和处理反馈的方式。Ho认为，这是Agent时代最本质的变化之一。
“过去的反馈非常稀疏，而且呈双峰分布——要么爱要么恨，而且通常偏向负面。”Ho说。在传统产品中，只有约0.3%的客户会主动给出反馈。但在对话式Agent系统中，每一次对话本质上都是一次反馈。这意味着Intuit可以获取接近100%的客户反馈。
这种海量反馈带来了新的挑战。Ho本人重新开始写代码，专门构建模型来分析这些反馈数据，以发现系统在哪些环节表现不佳。这种规模是任何人工审查都难以企及的。
更让产品团队感到冲击的是反馈的语气。客户会直接对Agent说：“你太差了，我讨厌这个，这不对。”但同时，他们也愿意给系统改进的机会，甚至主动纠正Agent的错误。
“他们直接告诉你‘你太烂了’，但也会给你机会修正。这迫使我们必须去收集这种新型反馈，并真正改进系统。”Ho说。
这种“对话即反馈”的模式，实际上让Intuit的Agent变成了一个持续学习的系统。每一次交互都在为下一次改进提供数据。加上AI图片生成等工具在用户反馈上的类似机制，可以预见，未来的Agent产品将不再依赖传统的“用户满意度调查”，而是从对话中直接提取改进信号。
对于AI赛道中的AI独角兽而言，这一转变意味着产品迭代速度将大幅提升——只要你能设计出正确处理反馈的流水线。
总结：AI Agent架构的“快车道”哲学
Intuit的两次重构给行业带来的启示是多层次的。首先，编排层看似优雅，但在自然语言通信的“误差雪崩”面前，它可能比简单的技能工具架构更脆弱。其次，技术决策的落地很大程度上取决于内部信任——用数据说服团队，比用“愿景”更有效。最后，反馈机制的变革正在重塑Agent产品的进化路径，对话即反馈意味着产品经理需要重新思考什么是“好”的数据。
Ho在演讲中并未给出一个完美的最终架构，但她的经历恰恰说明：在科技前沿，没有一步到位的方案。最快的路径，是愿意承认失败并快速重建。对于正在AI赛道中寻找方向的AI独角兽而言，Intuit的故事或许是一个提醒：不要害怕推翻昨天的自己，因为今天的决策可能在下个月就过时了。
值得一提的是，AI工具箱的兴起正在为这种快速迭代提供基础设施——从评估框架到技能库，越来越多工具让Agent重构的成本不断降低。Intuit的案例，或许正是AI Agent从“实验阶段”走向“工程化阶段”的一个缩影。