# 一个大模型还是多个智能体？从安全角度看

> 把企业人工智能拆分成小而受限的智能体，可以限制攻击造成的损害并降低成本，但会增加更多环节。如何决定，以及如何治理。

URL: https://www.clarityailab.com/zh/insights/the-monolith-is-dead-why-your-2026-ai-strategy-must-be-a-hive-mind/

对企业人工智能来说，多个各司其职、访问受限的小型智能体，可能比一个连接一切的大模型更安全、更便宜。这种好处并非自动获得：它来自只给每个智能体最少的数据和权力，同时也带来更多需要治理的部分。

本文面向正在选择人工智能架构的领导者。它阐述把人工智能拆分为受限智能体在安全和成本上的理由、反对的理由，以及如何治理任一方案。

## 单一模型和多个智能体有什么区别？

在**单一模型**架构中，一个通用模型回答所有请求，并连接到它可能需要的每个数据源和工具。在**多智能体**架构中，不同的智能体处理不同任务，例如读取发票、核查供应商或起草回复，并在彼此之间传递工作。像[AutoGen](https://arxiv.org/abs/2308.08155)这样的开源框架，就是为用相互对话的智能体构建应用而设计的。

企业要问的不是哪种更先进，而是出问题时哪种更能限制损害。

## 多智能体系统更安全吗？

可能更安全，主要原因在于“爆炸半径”。[OWASP关于过度代理的指南](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/)把被误导的人工智能所造成损害的根源归结为三点：功能过多、权限过多和自主性过高。一个连接所有系统的单一模型三者兼具。一个只能读取发票、无法发邮件或转账的智能体，可滥用的东西少得多。

这很重要，因为针对人工智能系统的主要攻击方式就是向其输入指令。[OWASP将提示注入列为](https://genai.owasp.org/llmrisk/llm01-prompt-injection/)基于大语言模型的应用的首要风险，IBM的[《2026年数据泄露成本报告》](https://www.ibm.com/think/x-force/2026-cost-of-a-data-breach-ai-adversaries-enterprise-risk)发现，针对组织人工智能的提示注入事件平均造成589万美元损失。如果注入的指令到达的是权限有限的智能体，它能做的事就更少。

同一条OWASP条目也提醒了另一面：在多智能体系统中，被攻破的同伴智能体本身就是攻击途径。彼此不加核查就信任的智能体，会扩散问题而不是遏制问题。

## 使用多个小模型更便宜吗？

常常如此。许多请求很简单，不需要最大的模型。[FrugalGPT研究](https://arxiv.org/abs/2305.05176)测试了把每个查询发给最可能答好的最便宜模型、只在需要时才升级的做法。在所测试的任务上，这以最多降低98%的成本达到了最佳单一模型的性能。

节省多少取决于工作内容。大多数请求都需要深度推理的系统，收益会更少。

## 采用多智能体有哪些风险？

- **复杂性。** 智能体越多，连接越多、凭证越多、可能配置出错的地方也越多。
- **炒作。** Gartner预测，到2027年底[超过40%的代理式人工智能项目将被取消](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027)，并警告“代理粉饰”现象，即把现有聊天机器人和自动化重新包装成智能体。它估计在数千家自称提供代理式人工智能的供应商中，只有约130家是真的。
- **问责。** 当一连串智能体做出决定时，仍必须清楚由哪个人负责。

## 这对影子人工智能有什么帮助？

无论是否获批，员工都在使用人工智能。微软和领英的[2024年工作趋势指数](https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part)发现，75%的知识工作者在工作中使用人工智能，其中78%自带工具。*分析：* 一份针对常见任务、经批准且范围明确的智能体目录，能给人们一个比未经批准的工具更好的选择，也比禁令更容易落实。

## 应该如何治理人工智能代理？

[NIST人工智能风险管理框架](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf)既适用于整个系统，也适用于每个智能体：

1. **治理：** 给每个智能体指定负责人和书面用途。
2. **映射：** 记录每个智能体能触及哪些数据和工具，以及它被误导时会发生什么。
3. **测量：** 在上线前和变更后测试每个智能体的提示注入和数据泄露风险。
4. **管理：** 授予最少访问权限，凡是把资金、数据或消息转出公司的操作都要求人工批准，并保留日志。
5. **从小处开始。** 只在价值明确的地方构建智能体，淘汰那些不值得保留的。

关于跳过这些步骤的代价，见[削减人工智能治理真的省钱吗？](/insights/profit-or-peril-cutting-ai-governance-billion-dollar-mistake/)。关于个人电脑上智能体的风险，见[本地人工智能代理：私密，但安全吗？](/insights/the-local-ai-paradox-ultimate-privacy-or-a-hackers-backdoor/)。

### 多智能体人工智能系统比单一大模型更安全吗？

可能更安全，前提是每个智能体只获得其任务所需的数据和工具，这样对单个智能体的成功攻击能触及的范围更小。它们并非天生安全：智能体越多，需要保护的连接和需要管理的权限就越多。

### 用较小的模型真的更便宜吗？

常常如此。FrugalGPT研究发现，把每个查询发给能回答它的最便宜模型，在所测试的任务上能以最多降低98%的成本达到最佳单一模型的性能。

### 什么是影子人工智能？

影子人工智能是指员工使用未经雇主批准的人工智能工具。微软和领英2024年发现，在工作中使用人工智能的人有78%自带工具。

### 每家公司现在都应该构建人工智能代理吗？

不。Gartner预测，由于成本、价值不明或风险控制薄弱，到2027年底超过40%的代理式人工智能项目将被取消。应从代理明显能创造价值的地方开始。