摘要： 当企业决定投身AI Agent浪潮时，第一个、也是最关键的技术决策便摆在面前：是应该构建一个像Block“Goose”那样赋能全员的通用平台，还是应该像GSK那样，为核心问题打造专有的垂直模型？本文将深入这两大顶尖实践的内核，从架构目标、核心组件、技术选型和适用场景四个维度，对“水平扩展”与“垂直深耕”两种路线进行深度对比分析，为技术决策者提供一份清晰的参考蓝图。
(图片说明：企业在AI Agent之路上，面临着平台化与垂直化的架构抉择)
引言：超越“是什么”，探讨“怎么建”
关于AI Agent是什么、能做什么的讨论已经汗牛充栋。但对于一线的架构师和开发者而言，更重要的问题是“怎么建”（How）。在资源有限、业务需求紧迫的现实下，一个错误的架构起点，可能导致项目最终“食之无味，弃之可惜”。
金融科技公司Block和制药巨头GSK，无意中为我们呈现了智能体架构的两个典型范式。它们分别代表了“平台化、通用化”的水平扩展思路，和“定制化、专用化”的垂直深耕思路。这两种思路并无绝对优劣，却对应着截然不同的业务目标和技术路径。
一、 Block的“水平扩展”之路：构建赋能全员的通用Agent平台
1. 架构目标： 广度与民主化。服务于全公司上万名员工，覆盖软件工程、信息处理、销售、营销等多个截然不同的领域。核心是降低AI使用门槛，实现大范围的效率提升。
2. 核心组件与技术理念：
平台化（Platformization）： Goose被明确地定位为“应用层”。它本身不绑定任何特定的LLM，提供的是一套标准化的框架，内置桌面应用和CLI，并允许开发者构建自定义UI。这是一个典型的“授人以渔”的平台思路。
标准化（Standardization）： 整个框架构建于Anthropic的**模型上下文协议（Model Context Protocol, MCP）**之上。这是一个关键的架构决策，意味着Block从一开始就拥抱开放标准，追求互操作性，而非建立技术孤岛。其技术主管Brad Axen甚至呼吁谷歌也为Gmail提供MCP，足见其对标准化的重视。
开源化（Open Source）： Goose基于Apache License 2.0发布。这不仅仅是技术共享，更是一种生态战略。在技术日新月异的AI领域，借助社区力量来维持框架的先进性，远比闭门造车更明智。
3. 适用场景： 这种架构非常适合大型企业，其目标是：
AI能力民主化： 让非技术员工（如销售）也能通过自然语言利用公司数据（如查询Databricks）。
通用任务自动化： 处理跨部门的、重复性高的工作，如会议纪要、信息流总结、生成各类报告的初稿等。
提升开发者效率： 通过代码生成、调试、依赖安装等功能，将开发者从繁琐的事务中解放出来。
二、 GSK的“垂直深耕”之道：打造解决核心问题的专用Agent模型
1. 架构目标： 深度与精准度。专注于药物研发这一特定领域，解决通用模型无法企及的、高度复杂的科学推理问题。核心是攻克“单点高价值”的业务难题。
2. 核心组件与技术理念：
专用模型（Specialized Models）： GSK明确表示通用LLM无法满足需求，他们选择了一条更艰难但更有效的路——从零开始，基于Cerebras硬件构建自己的表观基因组语言模型。这体现了“用最锋利的刀，解决最难的问题”的垂直思路。
知识增强（Knowledge Enhancement）： 他们的智能体系统并非仅有LLM，而是**“LLM + 本体（Ontology）”**的组合。LLM提供强大的自然语言理解和生成能力，而本体则作为结构化的知识库，为Agent的推理提供了事实依据和逻辑框架，使其能够进行“如果...那么...”的科学假设。
数据精炼（Data Refinement）： GSK的AI负责人Kim Branson对“大上下文窗口”的滥用提出了警告：“不能把所有数据丢进去就指望LLM自己搞定。”他们的实践强调，在将数据喂给模型之前，必须经过专家的筛选和过滤。高质量的输入远比海量的输入更重要。
3. 适用场景： 这种架构是以下场景的不二之选：
高风险、高价值领域： 如药物研发、金融风控、法律合同分析、高端制造等，这些领域对准确性和可靠性的要求极高。
存在深厚领域知识壁垒： 通用知识无法覆盖，需要大量专业术语、复杂逻辑和因果关系的场景。
数据高度专业化和非结构化： 需要将基因组学、蛋白质组学等多源异构数据进行整合推理。
三、 架构对比与抉择
维度 |
Block “水平扩展”平台 |
GSK “垂直深耕”模型 |
核心目标 |
赋能多数人，提升广度效率 |
赋能少数专家，突破深度瓶颈 |
技术基础 |
开源标准（MCP）、通用LLM |
自研专用模型、领域本体 |
数据策略 |
连接多源数据，提供统一访问 |
精炼、过滤专业数据集 |
构建成本 |
初期较低，依赖生态发展 |
初期极高，需跨学科团队 |
主要风险 |
应用深度不足，同质化 |
研发周期长，技术栈封闭 |
典型任务 |
代码生成、信息摘要、SQL查询 |
假设生成、证据整合、科学推理 |
结论：如何选择你的智能体架构？
Block和GSK的实践告诉我们，智能体的架构设计没有银弹，唯一的标准就是“是否解决了正确的问题”。
如果你的目标是“降本增效”，希望在全公司范围内提升生产力，那么Block的平台化、标准化的思路更值得借鉴。你可以从一个开源框架开始，优先整合内部工具和数据，快速赋能。
如果你的目标是“业务突破”，希望在公司的核心竞争力上建立AI壁垒，那么GSK的垂直化、专用化的道路或许是必经之路。你需要集结最顶尖的领域专家和AI专家，从数据和模型层面构建护城河。
更有远见的是，一个成熟的企业AI生态，未来必然是两种架构的结合体：一个通用的Agent平台作为员工的“数字队友”，处理日常事务；同时，在这个平台上，可以调用多个高度专业的垂直Agent，以解决特定的、高难度的问题。
对于今天的构建者而言，看清这两种架构的本质区别，并结合自身业务的战略重心做出明智选择，是迈向成功的第一步。