大多数 AI 助手在您提问前闲置。您输入问题，它们回答，然后等待。在贸易合规中，这一模式存在根本问题：风险不会等人来问。
Atlas Verified 构建了自主云智能体系统，持续监控供应链、扫描政府数据库，并按计划呈现合规风险 — 无需任何人输入提示。它们在平台所有组织中后台运行，直接向仪表板提供结构化情报。
本篇介绍持续运行的 AI 智能体背后的工程：它们与对话式 AI 有何不同、结构化输出为何重要，以及大规模运行自主智能体的编排挑战。
从被动响应到主动行动
对话式 AI 本质上是被动的。用户提问，模型推理、调用一些工具，再返回答案。这适合临时研究和文件分析，但合规监控需要主动情报。
考虑这样的场景：供应商的有机认证被 USDA 在夜间暂停，其货物已在运输中。新的 OFAC 指定将货运代理加入制裁名单。您正在进口的商品收到 FDA 进口警报。
这些事件不会等待合规专员登录并提出正确问题。等人想到检查时，主动行动窗口可能已关闭。货物在港口，文件已提交，风险真实存在。
云智能体通过反转关系解决问题。不是用户驱动 AI，而是 AI 按计划自主运行，检查所有重要事项，并将发现推送用户。
每象限一个智能体的架构
最初设计云智能体原型时，我们尝试用单个智能体覆盖一切：监管变化、供应商状态、货运跟踪和文件处理。结果输出散漫、缺乏重点。智能体会追踪一个有趣线索，却忽略整类情报。
解决办法是将问题空间划分为聚焦领域，我们称之为象限：
情报。 监管提醒、市场趋势和跨领域风险。此智能体监控政府数据库，查找影响组织的变化 — 新 FDA 进口警报、OFAC 名单更新、关税变化、有机认证状态变化。
供应商。 供应商网络健康。此智能体审核供应商核验状态、合规缺口、认证到期和网络集中风险。如果 80% 的有机供应来自同一家认证机构，它会标记。
货运。 在途货运监控。此智能体跟踪船舶位置、监控航线偏离、检查延误，并核实货运文件是否完整。它呈现集装箱在港停留超过预期、船舶偏离申报航线等问题。
工作空间。 运营健康。此智能体审核文件处理状态、待办核验、团队活动和平台使用模式。它呈现文件处理失败需要关注，或核验待办过久等情况。
每个智能体采用聚焦的系统提示和与领域相关的限定工具集。这比单个全知智能体产生更好的输出，正如专家团队优于单个通才：专注带来深度。
与聊天智能体共享工具层
最重要的架构决策之一，是让云智能体与对话式聊天智能体使用完全相同的工具层。相同的 OFAC 筛查、USDA 查询、船舶跟踪、贸易数据查询和文件分析工具支持两个系统。
这带来显著工程优势：
没有工具重复。 新增数据来源或改进现有适配器时，聊天智能体和云智能体立即同时受益。只有一套实现、一组测试和一个维护面。
结果一致。 云智能体运行的制裁检查与用户在聊天中运行的检查，调用同一函数、采用同一逻辑。结果可直接比较和交叉核查。
挑战在于，为交互设计的工具在批量上下文中并不总以相同方式工作。查询含糊时，聊天智能体可向用户澄清，云智能体却不行。我们给云智能体更具体的提示和更高的递归限制 — 因为无人实时等候回复，它们有更多时间自我修正。
结构化输出：从自由文本到仪表板卡片
这是云智能体与聊天智能体差异最大的地方。聊天智能体生成叙述文字，有时嵌入结构化卡片。云智能体必须仅生成可直接在仪表板呈现的结构化输出。
每次智能体运行生成一组情报卡片。每张卡片都有定义好的类型和模式：
计数器 展示关键指标和趋势指示 — 在途货物总量、认证即将到期的供应商、待办核验。
风险标记 突出需要关注的具体合规问题 — 认证被暂停的供应商、制裁匹配、FDA 进口警报。
提醒 传达有时效的信息 — 监管变化、新 OFAC 指定、影响在途货物的关税更新。
图表与表格 呈现分析数据 — 货运量趋势、贸易通道分布、核验完成率。
地图 展示地理情报 — 船舶位置、港口活动、供应商分布。
工程挑战是约束 LLM 持续生成有效结构化输出。语言模型倾向叙述、解释和加以限定。让它们生成类型、字段和数据均正确的整洁 JSON 卡片数组，需要精心设计提示和核实输出。
智能体输出不符合预期卡片模式时，我们解析可用部分、丢弃格式错误卡片，而非让整次运行失败。部分情报优于没有情报。
自定义智能体：用户定义的自主监控器
除了四个系统智能体，用户也可创建自己的云智能体。自定义智能体有名称、用户编写的系统提示和计划。它使用同一工具层、生成相同卡片类型，但重点完全由用户定义。
用户可创建监控特定贸易通道中断的智能体，也可创建每天对照制裁名单检查某组供应商，或通过贸易数据来源跟踪特定大宗商品价格变化的智能体。可能性仅受工具层可访问内容限制。
让它安全且有用，需要几项工程决策：
组织范围限定。 每个自定义智能体属于一个组织，仅可访问该组织数据。即使用户提示试图让它跨越组织边界，也无法做到。
工具能力过滤。 自定义智能体可访问与系统智能体相同的核验和研究工具，但继承组织权限边界。它无法访问用户自身在聊天界面无法访问的工具或数据。
计划管理。 自定义智能体按用户定义的计划运行，但受平台限制。这防止单个组织通过安排数十个智能体每小时运行，而消耗不成比例的计算资源。
大规模编排
跨多个组织按日运行自主智能体，会带来聊天系统中不存在的编排挑战。
去重。 调度器触发时，若组织 A 的智能体已在去重窗口内运行，就跳过。这防止重试、重叠计划或调度器异常导致重复运行。每个智能体与组织组合视为独立调度单元。
故障隔离。 某个组织的智能体失败 — 因工具返回错误、LLM 生成无法解析的输出，或依赖服务停机 — 不得影响其他组织的运行。每次运行都是独立任务。记录故障、标记运行失败，调度器继续处理下一项。
卡片生命周期。 情报卡片有有效期限。旧卡片到期，在智能体再次运行时被替换。这确保仪表板始终显示最新情报，而非累积过时发现。智能体生成新卡片时，该象限之前的卡片以原子操作替换。
资源预算。 智能体运行消耗 LLM 词元、外部 API 调用和数据库连接。我们按运行和组织跟踪词元使用量，管理成本并识别消耗不成比例资源的智能体。只需 10 次工具调用却进行 50 次的失控智能体会被标记。
连接 Cloud Agents 与聊天
云智能体与聊天智能体并非孤立系统，而是形成反馈循环。
聊天智能体可查询云智能体输出。用户问“我的智能体发现了什么？”或“有没有我应该知道的合规风险？”时，聊天智能体检索最新情报卡片，并以对话方式呈现。它可以解释风险标记、提供更多背景，或帮助用户针对发现采取行动。
这形成自然流程：云智能体夜间呈现问题，用户早晨审核仪表板，想深入了解某项发现时开启聊天。聊天智能体已知道云智能体的发现，可接续工作。
反向路径同样有效：用户聊天互动中出现的模式帮助我们调整云智能体提示。如果用户经常询问某类云智能体未呈现的风险，就是调整其重点的信号。
我们的经验
构建自主 AI 智能体，让我们学到构建对话式智能体时不明显的经验：
结构化输出比自由文本更难。 让 LLM 持续生成有效、符合模式的 JSON，与让它写好一个段落是明显不同的挑战。模型倾向解释，您需要将分析能力引导至结构化字段。
范围至关重要。 领域清晰、重点集中的智能体，比可访问一切的广泛智能体提供更好的情报。每象限一个智能体的架构，是我们最大的单项质量改进。
部分结果优于运行失败。 批量系统出错时，无法问用户如何处理。平稳降级 — 生成能生成的卡片并注明缺口 — 必不可少。
用户希望掌控。 自定义智能体成为最受请求的功能之一。合规专业人员比任何通用系统更了解自身风险。让他们以自然语言编写自主监控器，释放了显著价值。
反馈循环很重要。 云智能体与聊天智能体结合的价值，超过各自独立使用。主动情报确定重点，对话式 AI 提供深度。从一开始就设计这种双向流动，让两个系统都更好。
展望未来
云智能体代表我们思考合规 AI 方式的根本转变。问题不再是“被问及时 AI 能回答什么”，而是“无需提问时 AI 应检查什么”。
随着工具层扩展更多数据来源、监管环境更加复杂，自主监控的价值不断增长。合规专业人员的一天不应始于人工查看六个政府数据库和三项跟踪服务，而应始于仪表板，准确告诉他们夜间发生哪些变化、哪些需要关注。
这就是云智能体交付的价值。让它可靠、可扩展且有用的工程挑战，是我们最有成就感的工作之一。
Atlas Verified 的云智能体自主监控供应链、扫描政府数据库，并呈现合规风险 — 让合规专业人员专注决策，而非数据收集。