top of page

Databricks Genie 自主 AI 从回答问题迈向持续工作

4天前
讀畢需時 12 分鐘

Databricks 于 2026 年 11 月 11 日宣布推出始终在线版本的 Genie,使这款助手转向承担持续性职责,同时仍由人们负责审批。Databricks Genie 自主 AI 面向在对话结束后仍需继续推进的工作:监控变化、调查问题,并在决策需要关注时再次返回。该公告描述了一种更广泛的委派模式,不过新增的始终在线能力将首先进入预览和测试计划。

这一区别很重要,因为回答问题与负责一项周期性任务会产生不同的责任。一款助手可以提供准确分析,却仍需由某个人协调后续每一步。委派这种协调工作,需要决定权限、打断时机,以及软件何时应当停止。

Microsoft 已通过 Copilot Studio 推进自主业务代理,因此该公告已有成熟的竞争参照。Databricks 强调,业务上下文和既有治理是支持长期运行工作的基础。其方案对一种常见模式构成压力:员工操作多个助手,并亲自衔接它们的输出。

Databricks Genie 自主 AI 承担请求之间的工作

此次公布的变化关乎连续性:Genie 应能持续推进一项任务,无需每一步都重新输入提示。

根据该公司的 自主企业工作 公告,用户可设定边界、监督任务、批准指定操作,并可停止工作。Genie One、电子邮件、Slack 和 Microsoft Teams 提供了与其交互的方式。这是对 Databricks 于 2026 年早些时候推出的 Genie One 的扩展,而非其首次亮相。

该公司以营销活动监控和保险调查说明这一方式。Genie 将调查营销活动表现不佳的原因,并提出预算调整建议以供批准。在保险场景中,它会汇集证据,并在情况超出指引范围时将案件转交给承保人员。这些是公司描述的应用场景,并非其能够可靠运行的独立证据。

这些例子揭示了拟议价值所在。一名营销分析师通常需要的不只是对昨日结果的诊断。还需要有人判断问题是否持续存在、收集相关证据,并决定某项变化是否值得关注。若助手只负责诊断,协调负担便基本未变。

持续性任务改变了员工与软件的关系。员工不再请求另一份报告,而是指定一个结果和升级处理的条件。随后,软件需要区分普通波动与值得回应的变化。即便最终决策仍由人作出,这种区分也涉及业务判断。

不妨将营销活动场景视为一个评估问题,而非承诺的结果。关于调整支出的建议,应说明发生了什么变化,以及为何证据支持干预。它还应指出仍缺失哪些信息。否则,员工收到的只是一项伪装成完整建议的研究任务。

同样的推理也适用于保险。汇集案件材料可以节省精力,但并不等同于授予软件决定案件处置的权限。有效的交接应包括证据、适用指引、未解决的问题,以及为何应由特定审核者采取行动。交接质量决定了自动化究竟是减少工作,还是仅仅重新安排工作。

这使持续性的企业任务成为不同于定期摘要的产品类别。摘要可以准时送达,却未能推进底层责任。一项被委派的任务需要具备可识别的状态:推进中、等待中、受阻、待审核或已完成。这些状态让员工了解系统实际负责什么。

对于评估该公告的读者而言,关键转变因而十分实际。Databricks 希望 Genie 参与围绕分析展开的协调工作。这种参与能否获得持续授权,取决于软件能否清晰传达其进展与局限。

协调每一款助手的员工才是压力点

Databricks 正在挑战这样一种工作流:AI 加速了单个步骤,但员工仍须对每一次交接负责。

这种安排在演示中可能显得高效。一个人请求分析、索要摘要、再起草后续消息。每一次回应都很快到来。然而,这个人仍需记住哪些事项尚未完成,检查输入是否发生变化,并在应用程序之间转移信息。

由此产生的工作负荷很容易被低估,因为它很少作为独立任务出现。追踪缺失答案需要注意力。记得重新审视某项决策需要注意力。检查早先建议是否仍然有效也需要注意力,即使生成该建议本身成本很低。

受影响的群体不止分析师。运营经理要协调跨团队的例外情况。客户经理要将客户活动变化与对话和承诺进行核对。财务负责人需要在预测变化过程中保持一致的解释。每个角色都将信息收集与对下一步行动的责任结合在一起。

对这些员工而言,相关的生产力衡量指标是完成一项任务所需的精力。更快的草稿不一定缩短审核周期。更详尽的报告也不一定取消后续会议。当软件的输出带着足以支持行动的上下文到达下一位责任人手中时,才会创造价值。

这会促使管理者更明确地定义工作。“监控表现”这样的长期指令留下了重要问题未解答。哪些变化值得调查?谁负责回应?什么证据能够证明应当升级处理?委派会暴露人们过去可能凭经验解决的模糊之处。

数据团队也面临相关的预期转变。一旦助手提出行动建议,关于定义的争议就会成为运营问题。对于活跃客户含义的分歧,可能影响企业联系谁。有争议的营收指标,可能影响哪个问题得到管理层关注。

其分析层面的含义是,AI 的采用可能会先将工作转向前期准备,之后才减少工作量。团队需要达成一致的定义、清晰的责任归属和可用的升级规则。当这些准备支持周期性职责时,它们是值得的;而当每项任务都需要大量定制化监督时,其合理性就更难成立。

个人上下文与共享权限之间的区别也很重要。员工的笔记可以解释为何一次客户对话显得紧急。受治理的业务记录则决定组织认可哪一种账户状态。这些来源服务于不同目的,在助手将它们结合时也应保持可识别性。

一份关于 个人知识库 的内容,为理解这种区别提供了有用背景。对于企业委派而言,问题在于哪些知识支持某种解释,哪些来源授权作出具有实际影响的决策。

因此,Databricks Genie 自主 AI 在产品方案之外也提出了一个组织问题。当公司能够阐明员工当前非正式运用的规则时,员工就能更有效地委派协调工作。助手的实用性部分取决于这些知识中有多少能够变得明确。

业务上下文决定代理应获得多大权限

系统必须理解一家企业所表达的含义,才能可靠地判断什么值得关注。

Databricks 将 Genie Ontology——一种共享的业务定义和关系表示——定位为上下文基础。其 业务上下文公告 将该组件的正式可用性,与始终在线功能的推出分开说明。这一区别将已发布的上下文层,与同期宣布的更广泛责任承担体验区分开来。

即使没有自主软件,底层问题也很常见。不同团队可能用同一个词指代不同的指标。仪表盘可能包含技术上正确的计算,却回答了错误的业务问题。员工往往通过了解特定情境下哪种定义更重要,来解决这种不匹配。

委派让这一步解释变得更具后果。如果软件监控了错误指标,它可能在内部保持一致,却反复升级错误的问题。即使算术准确,也很难防止对组织优化目标的错误理解。

这也是为什么上下文值得被审视,而不只是看连接了多少应用程序。能够访问一份文档,只能说明信息可用;并不能证明该文档是最新、权威或适用于该任务的。当这些区别仍未解决时,检索到更多材料反而可能增加模糊性。

一个说明性的销售案例展示了这种差异。经理可能会问,为什么一个地区似乎正在失去增长动力。答案取决于企业衡量的是已签合同、已确认营收,还是合格商机。这些指标可以朝不同方向变化,彼此并不矛盾。

一项有用的调查应在建议中保留这种区别。如果关注点是已确认营收,那么关于未签约商机的证据需要解释其相关性。读者不应需要自行推断助手使用了哪项指标,或在采取行动后才发现这种不匹配。

组织上下文又引入了一层复杂性。理解某项指标的人,未必拥有其所支持决策的责任。获授权批准变更的人,可能需要报告层级之外的人员提供意见。理解这些关系的重要性,可能不亚于理解底层数据。

但这并不意味着业务上下文可以替代推理或验证。共享定义本身可能已经过时。正式权威来源也可能包含错误。有效的委派模式需要有一种方式呈现矛盾,而不是将治理视为正确性的保证。

对于企业采购方而言,实际问题在于不确定性是否仍然可见。来源不一致时,建议是否解释了这种分歧?定义发生变化时,持续性工作是否会得到适当审核?这些是评估标准,而不是仅凭宣布一个上下文基础就能确立的能力。

Databricks 所强调的机制作为产品方向是可信的:共享含义可以支持在不同任务中作出更一致的决策。其运营价值将取决于维护。业务知识需要由负责人随着组织变化对其进行纠正、淘汰,并说明其局限。

Microsoft 提供了先例,工作流仍是一种替代方案

竞争的关键在于,哪个系统能够在保持对业务流程可预测控制的同时,减少协调工作量。

Microsoft 在 2024 年 10 月发布的自主代理能力公告介绍了可为跨应用和数据源的业务流程配置的代理。公告还提到,Pets at Home 的一款代理会整理案例,供具备专业能力的人员审核。这为将自动化准备与人工判断相结合提供了先例。

因此,Databricks 进入的是一场围绕责任归属的既有竞争,而非在发明企业代理。它对共享业务上下文的强调,揭示了其希望买家看到的差异化所在。Microsoft 的先例也说明,仅凭自主性主张不足以构成完整的比较依据。

买家应比较成功结果周围所需的工作。要通过多少配置才能建立一项有用的任务?需要多频繁地由人修复缺失的上下文?审核者要花多少精力重建证据?这些问题将产品设计与其声称能够消除的人工工作联系起来。

最有力的比较,并不要求每个参与者都以相同方式完成工作。提供广泛灵活性的系统可能需要更多监督。范围更窄的流程或许更容易验证,但在输入发生变化时适应性较差。合适的选择取决于责任事项的可变性。

Anthropic 的代理设计指南提供了一个有用的架构区分。工作流遵循预先定义的路径,而代理会动态选择流程和工具。该指南还指出了成本、响应时间和灵活性之间的权衡,并建议在足够满足需求时采用更简单的方法。

这种区分使“更高自主性必然创造更高价值”的假设变得复杂。输入稳定的定期报告可能适合预定义流程。涉及相互冲突证据的调查,则可能受益于能够自行选择下一步的系统。两者都可以服务于同一个业务团队,而无需拥有相同的权限。

对于持续运行的企业任务,分界线往往在于如何处理例外情况。如果每个例外都遵循已知规则,传统自动化仍是严肃的替代方案。如果下一项有用行动取决于对陌生信息的解读,灵活的代理行为就变得更具相关性。

这种权衡会在审核时变得具体。预定义流程可以说明自己遵循了经批准的步骤。代理则需要解释,为什么在这个案例中选择了特定步骤。后者可能很有价值,但其解释必须支持有意义的监督。

因此,开发者面临一项关于裁量权应置于何处的设计决策。他们可以在具有重大后果的行动周围保留固定边界,同时允许研究和准备工作保持灵活。这种安排为审核者提供稳定的决策点,而不要求每一步调查都被预先确定。

对 Databricks 而言,竞争上的成功意味着让这种平衡更易于运行。该公司不必取代每一种助手界面才能变得重要。它需要证明,其上下文和控制机制能帮助员工以低于现有安排的协调成本完成职责。

预览状态和人工审核界定了边界

该公告确立了一个方向;可用性细节和运营证据决定买家能够从中负责任地推断什么。

Databricks 在其始终在线的 Genie 发布公告中表示,现有的 Genie 和 Genie Ontology 已全面上市。Genie Search、Ontology Manager 以及新的始终在线 Genie 将进入预览和 Beta 计划。该公告还介绍了用于决策的优先收件箱和线程式电子邮件提醒。

这种可用性表述排除了将该公告视为不受限制的生产环境发布的可能性。它也避免了一个更广泛的误区:假设基础功能全面上市,就自动适用于围绕其构建的每一种体验。买家需要评估自己打算部署的具体能力。

11 月 12 日的 Genie 发布说明提供了进一步示例。说明将 artifacts,即生成的演示文稿和可视化页面,标注为 Beta。说明还警告,即使查看者无权访问源表,artifact 也会存储对其可见的数据快照。

这一警告带来了直接的实践含义。获取信息的权限与分发生成输出的权限,需要被分别考虑。源数据可以继续受到保护,而从中复制的信息可能通过演示文稿变得可用。审核必须涵盖成品工作面向的预期受众。

说明还将 Genie 回合的统一追踪标为 Beta,且需要管理员启用。追踪意味着记录响应背后的步骤和工具活动。其状态之所以重要,是因为关于可审计性的宽泛表述,并不能证明每个工作区都已启用了所有监控功能。

核心不确定性仍是长期任务需要多少监督。某项工作可能产出有用建议,却过于频繁地打断负责人。它也可能保持安静,却错过本应升级处理的发展变化。这两种结果都会影响委派是否真正节省注意力。

审批本身无法解决这种张力。如果审核者收到的是缺乏支撑的建议,审批几乎没有转移真正有意义的判断。如果每项小行动都需要审核,员工仍然要负责协调整个流程。有用的边界取决于行动的后果及其可逆性。

成本控制同样值得仔细审视。Databricks 将 Unity Gateway 描述为管理工具、审批、使用量和支出的层。其配套的 Genie One 材料称,更细致的成本控制将于稍后推出。买家应确认哪些控制适用于其目标配置,而非推断所有配置均可使用。

运营经济性还应包括员工的时间。即使计算资源消耗适中,如果一项任务需要反复纠正,成本仍可能很高。如果一项资源密集型调查能够产出完整且证据充分的决策包,则可能物有所值。支出和监督应纳入同一项评估。

这些限制没有使产品方向失效。它们界定了评估所需的证据。公司场景解释了预期行为;生产环境报告则需要证明,当输入不完整、权限发生变化且负责人不可用时,这种行为能在多大程度上保持一致。

关注发布访问、完成的工作和例外处理

接下来有价值的证据将显示谁能使用该系统、它完成了哪些职责,以及当工作变得不确定时它如何表现。

未来数月的第一个信号,是对新始终在线体验的访问条件是否有文档说明。买家应关注预览或 Beta 的准入要求、支持的配置以及明确边界。清晰的文档将通过把广泛的产品方向转化为团队可直接评估的内容,增强该公告的说服力。

可用性应在能力层面进行评估。一个已发布的界面并不能证明后台任务、搜索、生成输出和监控具有相同状态。更精确的文档将使买家能够区分可依赖的组件与仍在测试的组件。

第二个信号是关于已完成职责的证据。有价值的客户报告会明确助手承担了什么,以及还保留了多少人工参与。它应说明工作是否达到了被接受的结果、是否需要纠正,或是否因未解决的阻碍而结束。

如果此类证据同时包含普通任务和精选成功案例,其说服力会更强。买家需要了解系统在他们预计委派的各类工作中的表现。精心打磨的示例证明可能性;反复出现的已接受结果,才构成更有用的部署依据。

第三个信号是可见的例外处理。评估应审视缺失输入、相互冲突的定义、变更后的权限以及被拒绝的建议。这些情况能够揭示系统是否认识到自身权限的边界,并在将控制权交还时提供足够信息,让人能够继续推进。

良好的例外处理将增强扩大委派范围的理由。反复出现的静默停滞、无法解释的重试,或对非必要访问权限的请求,则会削弱这一理由。关键在于,人员能否理解情况并恢复工作,而无需从头重建调查。

与自主性主张的广度相比,这些信号也为竞争比较提供了更好的依据。企业需要证据证明,软件能够推进工作,同时让其边界保持可理解。最终胜出的安排将取决于具体责任、可获得的上下文,以及组织对不确定性的容忍度。

对于即将开展的评估,选择一项有明确负责人且具有可观察完成状态的重复性职责。在将其委派出去之前,记录当前的协调工作量。随后比较被接受的输出、纠正、打断和未解决的例外情况。询问审核者:这些证据是否足以支持决策,而无需再进行一轮调查。将研究权限与作出重大变更的权限分开,并且仅在结果证明合理时扩大各自范围。Databricks Genie autonomous AI 提出了一种承担该协调工作的具体方案。下一步有价值的做法,是审视一项完整任务,包括软件需要帮助的时刻,并决定它是否已赢得承担下一项任务的责任。

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page