一个大模型还是多个智能体？从安全角度看

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》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，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？。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？。

常见问题

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。

参考资料

1. OWASP (2025), LLM06:2025 Excessive Agency — 功能过多、权限过多和自主性过高是根本原因；涵盖多智能体系统中被攻破的同伴智能体。
2. OWASP (2025), LLM01:2025 Prompt Injection — 提示注入，包括通过网站或文件的间接注入。
3. NIST (2023), Artificial Intelligence Risk Management Framework (AI RMF 1.0) — 治理、映射、测量和管理四项职能。
4. Wu et al. (2023), AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation — 一个开源框架，用于构建由相互对话的多个智能体组成的应用。
5. Chen, Zaharia and Zou (2023), FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance — 在报告的实验中，模型级联以最多降低98%的成本达到最佳单一模型的性能。
6. Microsoft and LinkedIn (2024), AI at Work Is Here. Now Comes the Hard Part (Work Trend Index) — 75%的知识工作者在工作中使用人工智能；78%的人工智能用户自带人工智能工具。
7. Gartner (2025), Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 — 取消预测与“代理粉饰”；Gartner估计数千家代理式人工智能供应商中只有约130家是真的。
8. IBM (2026), AI-powered adversaries and the enterprise risk challenge (Cost of a Data Breach Report 2026) — 提示注入事件平均造成589万美元损失。