执行摘要
企业AI市场充斥着智能体构建工具包、多智能体框架和模型市场。明显缺失的是一套结构化、可重复的方法论，用于判断一个智能体是否应该构建，如何在其业务流程上下文中进行设计，以及何种架构能使其可靠、合规且盈利。
智能体流程架构（APA）方法论填补了这一空白。它是一个连接业务分析与技术架构的五阶段框架，由唯一一个统领原则锚定：盈利门（Profitability Gate）。任何阶段都不会在没有可衡量证据表明该智能体将产生商业价值的情况下被通过。
APA 是生态系统无关的、交付物驱动的，专为那些位于高管层与工程团队之间的架构师而设计——这些人在任何人问「用哪个 LLM」之前，必须先回答「为什么是这个智能体」。
APA 哲学
创建智能体是一回事。让它们保持相关性、高效且盈利则是另一回事。
大多数智能体计划失败的原因并非技术不足，而是它们回答了错误的问题。它们从「我们能构建什么」开始，而非「哪个流程，如果由智能体转变，将产生不成比例的经济价值」。
APA 颠覆了这一点。每个阶段都以一个业务问题开始，以一个要求证据的门结束。技术选择——模型选择、框架偏好、部署架构——被推迟到业务和流程架构稳固之后。这不是反技术的立场；这是一种亲价值的纪律。
五个阶段在逻辑上是顺序的，但在实践中是迭代的。第四阶段（治理）的发现可能迫使回到第二阶段（流程建模）。第一阶段盈利门的失败不是方法论的失败——而是方法论发挥作用，阻止了对一个本不该构建的智能体的投资。
第一阶段 — 战略机会映射
核心问题
智能体在哪里创造可衡量的经济优势？
太多组织从一份通用清单中选择用例来开启其智能体之旅——客服聊天机器人、文档摘要、代码生成。APA 则从组织自身的流程全景开始，应用结构化过滤器来识别智能体化的经济性在何处是可防御的。
五维可行性模型
每个候选流程在五个轴上以 1-5 分进行评分。在任何单个轴上得分低于阈值的流程，无论其他得分如何，通常都是糟糕的候选——这就是智能体可行性的「最弱环节原则」。
| 轴 | 问题 | 低分 (1–2) | 高分 (4–5) |
|---|---|---|---|
| 决策复杂度 | 流程是否需要细致判断、模式识别或上下文推理？ | 完全确定性的、基于规则的 | 需要跨多个模糊输入进行综合 |
| 输入变异性 | 输入在结构、格式和内容上的变化程度如何？ | 高度标准化、固定模板 | 非结构化、多格式、特定领域 |
| 事务量 | 流程实例的年处理量是多少？ | <1,000/年 | >100,000/年 |
| 错误成本 | 不正确输出或决策的业务影响是什么？ | 表面的、下游可轻易捕获的 | 监管处罚、财务损失、声誉损害 |
| 延迟容忍度 | 流程实例的可接受响应时间是多少？ | 数天可接受 | 需要亚秒级响应 |
评分启发法： 决策复杂度得分在 3 分或以下表明该流程更适合传统的自动化（RPA、规则引擎）。错误成本得分在 3 分或以下，加上决策复杂度得分 4+ 表明这是一个高风险候选，需要积极的护栏。先发制人智能体化的最佳区间：决策复杂度 ≥4，输入变异性 ≥3，事务量 ≥4，错误成本 ≤3，延迟容忍度 ≥2。
智能体候选矩阵
将每个候选绘制在 2×2 矩阵上：
第一象限候选进入第二阶段。第二象限候选记录在案，留待未来架构投资。第三和第四象限记录并附理由归档——这就是方法论在防止浪费。
交付物
- 机会热力图： 15-30 个候选流程在五个轴上的可视化评分映射
- 初步盈利分析： 每个第一象限候选一页纸，估算当前流程的年成本与预测的智能体化成本（含构建、运行和治理开销）
- 优先级建议： 第二阶段候选的排序列表，附明确理由
盈利门 #1
将此流程智能体化的三年预测净现值是否超过组织的门槛回报率，且该预测的置信区间是否足够窄以证明应继续推进？
如果答案是「否」——或「我们没有足够的数据来确定」——流程不予推进。这门不是对流程的通过/不通过；而是对分析的通过/不通过。数据不足触发数据收集冲刺，而非豁免。
第二阶段 — 流程分解与智能体建模
核心问题
工作如何在人与智能体之间分解？
这是业务架构与智能体设计交汇的阶段。产出不是代码——而是转换后流程的严格模型，明确阐述每个参与者（人、智能体、系统）做什么、决定什么和移交什么。
步骤 1：AS-IS 流程映射
以 BPMN 建模当前状态。这有三个目的：建立衡量转型影响的基线；暴露流程所有者常常看不见的隐藏复杂性；识别智能体需要交互的集成点（系统、数据库、API）。
规则： 永远不要跳过 AS-IS 建模。直接跳入 TO-BE 的诱惑是流程转型项目中最常见的失败模式。没有 AS-IS，你无法衡量发生了什么变化，也无法向 CFO 为投资辩护。
步骤 2：智能体分解框架 (A-H-S)
对于 AS-IS 模型中的每个流程步骤，使用 A-H-S 三分法进行分类：
| 分类 | 定义 | 示例 |
|---|---|---|
| A — 可智能体化 | 该步骤可由 AI 智能体以可接受的质量和风险完全执行 | 文档分类、数据提取、初步建议生成 |
| H — 人类必需 | 该步骤需要人类判断、问责或监管授权 | 高价值交易的最终批准、临床诊断、伦理审查 |
| S — 共享/协作 | 该步骤受益于人机协作；智能体提议，人类裁决 | 智能体起草合同，人类审核并签署；智能体标记异常，人类调查 |
此分类不是猜测——它根据第一阶段五维可行性得分进行验证，并与理解每个步骤中嵌入的隐性知识的领域专家共同细化。
步骤 3：智能体拓扑设计
基于 A-H-S 分解，选择智能体拓扑：
| 拓扑 | 描述 | 何时使用 |
|---|---|---|
| 单一智能体 | 一个智能体处理流程中全部可智能体化的部分 | 同质任务、单一领域、低协调复杂度 |
| 编排式多智能体 | 一个协调智能体向各专业智能体分派任务，每个承担有限职责 | 跨领域的异质子任务（如：贷款处理：文档智能体 + 信用智能体 + 合规智能体） |
| 群体 | 对等智能体在没有中央协调的情况下协作，行为从本地规则中涌现 | 高度动态环境、探索任务、模拟 |
| 层级式 | 智能体嵌套在指挥结构中；较高级别智能体委派并汇总 | 有治理要求的企业级流程、跨部门工作流 |
默认建议： 对于企业流程，从编排式多智能体开始。它在模块化、可观测性和治理之间提供了最佳平衡。群体架构在学术上优雅但在操作上不透明——避免用于受监管流程。
步骤 4：TO-BE BPMN 建模
用明确的泳道建模转换后的流程：
- 每个智能体一个泳道（含智能体名称/角色）
- 每个人类角色一个泳道
- 每个外部系统一个泳道
每个移交点（智能体→人、人→智能体、智能体→系统）标注：
- 传递的数据
- 预期延迟
- 移交失败时的升级路径
步骤 5：序列图
对每个关键交互模式，生成序列图展示：
- 智能体、人和系统之间的消息流
- 工具调用及其预期响应
- 错误处理路径
- 超时和重试逻辑
交付物
- AS-IS BPMN 图 附流程指标基线
- 智能体分解图： 每个流程步骤的 A-H-S 分类
- 拓扑决策文档： 选定的拓扑及理由，被拒绝的替代方案
- TO-BE BPMN 图 含智能体泳道和移交标注
- 序列图 涵盖所有关键交互模式
- 智能体 RACI 矩阵： 标准 RACI 框架的智能体专属扩展，其中「Accountable」在受监管决策中必须为人类
盈利门 #2
TO-BE 流程模型是否在时间、成本、质量三个维度中的至少两个维度上展示了相对于 AS-IS 的可衡量改进，且第三维度无退化？
如果建模的改进幅度不大（所有维度均 <15%），则投资理由薄弱。返回第一阶段寻找更高影响的候选，或附理由归档。
第三阶段 — 智能体架构与规格说明
核心问题
每个智能体需要什么才能可靠地运行？
此阶段将流程模型转化为技术规格，足够严格，使任何称职的工程团队——无论其偏好的 AI 生态系统如何——都能无歧义地实现。
智能体规格说明表 (ASS)
系统中的每个智能体都获得一份标准化规格文档，包含以下部分：
1. 智能体身份
- 名称、角色和范围声明（一句话描述智能体做什么和不做什么）
- 所有者（对智能体行为负责的人类）
- 版本和生命周期阶段
2. 目标与成功标准
- 主要目标（智能体优化什么）
- 次要目标及明确的权衡规则（如：「当置信度 < 85% 时，准确性优先于速度」）
- 可衡量的 KPI 及可接受性能的阈值
3. 知识领域
- 所需知识领域（领域专业知识、监管框架、组织政策）
- 知识来源（文档、数据库、API）及新鲜度要求
- 明确的负面知识——智能体不应知道或处理的内容（如：「无权访问员工健康记录」）
4. 决策权限
- 智能体可自主做出的决策
- 需要人工批准的决策（含升级路径）
- 明确禁止智能体做出的决策
5. 工具架构
- 智能体可调用的每个工具，含：
- 目的和触发条件
- 输入/输出模式
- 预期延迟
- 失败模式和回退行为
- 认证/授权模型
- 与生态系统术语的映射（Anthropic 的 MCP 服务器，OpenAI 的 function calling，Google 的 tool use）
6. 记忆架构
- 短期记忆（对话上下文、当前流程实例状态）
- 长期记忆（过往决策、习得的模式、用户偏好）
- 记忆保留和清除策略（与数据保留法规对齐）
- 智能体在会话之间必须遗忘的内容
7. 护栏
- 输入护栏：智能体必须拒绝哪些提示或数据
- 输出护栏：智能体绝不能产生或推荐什么
- 行为护栏：智能体绝不能采取的行动，即使被指示
- 速率限制和资源约束
8. 模型与生态系统选择
- 推荐的模型层级（轻量、均衡、最大能力）及理由
- 生态系统偏好（Anthropic、OpenAI、Google、Meta 等）基于：
- 所需能力（工具使用质量、推理深度、延迟特性）
- 合规要求（数据驻留、模型托管）
- 在预测事务量下的成本特性
- 主模型不可用时的回退模型
9. 集成规格
- 消费的 API（端点、认证、速率限制、预期响应格式）
- 暴露的 API（如果智能体为其他智能体或系统服务）
- 事件订阅和发布
10. 错误与边缘案例处理
- 已知失败模式及设计的响应
- 歧义处理：当置信度低于阈值时智能体做什么
- 升级模式：通知谁，以什么信息，在什么 SLA 下
模型选择框架
APA 不背书特定的模型或生态系统。相反，它提供一个决策框架：
| 标准 | 权重 | 评估方法 |
|---|---|---|
| 任务适配性（工具使用、推理、指令遵循） | 30% | 针对代表性任务集进行基准测试 |
| 在预测量下的延迟 | 20% | 在 3× 预测峰值下的负载测试 |
| 每千次交易成本 | 25% | 全负载成本，含编排开销 |
| 合规适配性（数据驻留、审计追踪、模型托管） | 15% | 法律和信息安全审查 |
| 生态系统成熟度（文档、支持、稳定性） | 10% | 对供应商 SLA 和路线图的尽职调查 |
模型建议包括一个主模型和一个回退模型，以及明确的回退激活条件。
交付物
- 智能体规格说明表： 每个智能体一份，全部 10 个部分完成
- 系统架构图： 含所有连接的智能体拓扑
- 模型选择理由： 主模型 + 回退模型，附框架评分
- 集成规格： 每个 API、端点和数据流均已记录
- 工具-智能体映射矩阵： 哪个智能体使用哪个工具，用于什么目的
盈利门 #3
指定的架构是否在组织的技术约束、预算包和时间表内可实施，且构建成本是否保留了第一阶段 ROI 案例的前提？
此门需要技术架构和财务利益相关者的签字。一个「否」触发架构简化（减少智能体、减少工具），或回到第一阶段重新基准化 ROI 预期。
第四阶段 — 治理与验证设计
核心问题
如何在智能体接触真实工作之前证明它是安全、合规且有效的？
APA 将治理视为一项设计时活动，而非部署后的审计职能。治理架构在编写第一行智能体代码之前就已指定。
智能体测试金字塔
传统软件测试金字塔（单元 → 集成 → 端到端）无法完全捕捉智能体行为，因为它是概率性的、上下文依赖的，且可能是非确定性的。APA 定义一个四层测试模型：
| 层级 | 测试什么 | 方法 | 频率 |
|---|---|---|---|
| 行为单元测试 | 智能体是否对给定输入产生正确输出，在可接受的变化范围内？ | 精选的测试用例，含预期输出和可接受变化的容差范围 | 每次构建 |
| 场景测试 | 智能体能否正确导航多步骤流程，含工具调用和移交？ | 脚本化的流程遍历，注入边缘案例 | 每个候选发布版本 |
| 对抗测试 | 智能体能否抵抗提示注入、越狱和恶意工具调用？ | 红队提示、边界推挤输入、工具滥用尝试 | 每个主要版本 + 每季度 |
| 生产影子测试 | 智能体的输出是否匹配或超过真人在真实、实时数据上的表现？ | 并行运行：智能体静默处理真实数据，输出与人类决策进行比较 | 在影子部署阶段持续进行 |
人机协同 (HITL) 架构
HITL 不是二元的设置——它是一个随决策关键性变化而变化的干预模式谱系：
| 干预级别 | 触发条件 | 人类行为 | 示例 |
|---|---|---|---|
| 零接触（自主） | 智能体置信度 ≥ 阈值且决策风险 = 低 | 人类仅看到汇总指标 | 支持工单分类 |
| 抽样审查 | 智能体置信度 ≥ 阈值且决策风险 = 中 | 随机样本 (5–20%) 事后审核 | 起草标准合同条款 |
| 始终审查（咨询） | 所有决策，无论置信度如何，排队等待人类审查 | 人类审查智能体推荐，批准或否决 | 贷款申请评估 |
| 人类优先（辅助） | 人类发起，智能体按需提供分析 | 智能体是人类咨询的工具，从不决策 | 复杂医疗诊断 |
| 仅人类 | 禁止智能体参与 | 智能体完全被排除在此决策之外 | 伦理委员会决策、举报人报告 |
HITL 级别在智能体规格说明表（第三阶段，第 4 节）中按决策类型指定。可以根据生产性能数据进行收紧或放宽，但只能通过正式的治理变更流程——绝不能临时调整。
合规架构
每个智能体都根据适用的监管框架进行映射。APA 提供标准化合规矩阵：
| 监管领域 | 要求 | 对智能体的影响 | 缓解措施 |
|---|---|---|---|
| GDPR（欧盟） | 对自动化决策的知情权 | 智能体必须以人类可读形式记录决策理由 | 决策轨迹随每个流程实例存储 |
| SOC2 | 所有系统操作的审计追踪 | 每次工具调用、决策和移交必须不可变地记录 | 结构化日志记录到仅追加存储 |
| PIPL（中国） | 数据本地化和同意 | 智能体不得在批准的司法管辖区之外处理数据 | 模型托管的部署架构约束 |
| 行业特定（如 HIPAA、PCI-DSS、SOX） | 各不相同 | 在第一阶段发现期间识别 | 在规格说明表中按智能体记录 |
风险矩阵
| 风险类别 | 示例 | 可能性 | 影响 | 缓解措施 |
|---|---|---|---|---|
| 幻觉 | 智能体在监管申报中捏造数据 | 中 | 严重 | 输出护栏 + 始终审查 HITL 用于受监管输出 |
| 提示注入 | 用户操控智能体绕过授权 | 中 | 高 | 输入消毒、工具授权检查、行为护栏 |
| 行为漂移 | 智能体性能随模型或数据变化而随时间下降 | 高 | 中 | 持续影子测试、漂移检测告警 |
| 工具滥用 | 智能体以恶意或错误参数调用工具 | 低 | 严重 | 工具参数验证、最小权限工具访问、速率限制 |
| 偏见放大 | 智能体在决策中延续或放大训练数据中的偏见 | 中 | 高 | 场景套件中的偏见测试、多样化的测试用例设计 |
交付物
- 智能体测试计划： 金字塔所有四层的测试用例，附通过标准
- HITL 架构文档： 按决策类型的干预级别、升级路径、SLA
- 合规矩阵： 按智能体的监管映射，附缓解证据
- 风险登记册： 所有已识别风险，含可能性、影响、缓解措施和残留风险评级
- 治理操作手册： 智能体监督、事件响应和模型更新的操作程序
盈利门 #4
治理架构是否将每个已识别风险类别的残留风险降低到组织的风险偏好以下，且这能否向监管机构或审计师举证？
如果任何风险在不可行的缓解措施下仍高于偏好，则必须缩减智能体范围（移除高风险决策），或项目回到第三阶段进行架构重新设计。
第五阶段 — 部署与持续演进
核心问题
如何从原型走向生产——并保持相关性？
智能体不是一劳永逸的部署。它们在不断变化的业务环境中运行，受到未请求的模型更新的影响，面对设计者从未预料到的新型输入。APA 的部署阶段设计用于可控的、可观测的、可逆的推进。
四阶段部署模型
| 阶段 | 智能体角色 | 人类角色 | 时长 | 退出标准 |
|---|---|---|---|---|
| 阶段 1：影子 | 静默处理真实数据；输出被记录，从未执行 | 继续正常操作；审查智能体输出样本 | 2–4 周 | 智能体输出质量在真实数据上达到第四阶段阈值 |
| 阶段 2：辅助 | 智能体处理并建议行动；人类在执行前审查 | 审查并批准/拒绝智能体的每项行动 | 4–8 周 | 人类批准率 ≥ 80%；否决理由被记录和分析 |
| 阶段 3：监督自主 | 智能体对低风险决策自主行动；对高风险进行升级 | 审查抽样输出 (10–30%)；处理升级 | 8–12 周 | 升级率 < 5%；抽样审查一致性 > 90% |
| 阶段 4：自主 | 智能体在定义范围内独立运行 | 监控仪表板；仅在告警时干预 | 持续 | 所有 KPI 连续 4+ 周在可接受范围内 |
关键规则： 不跳过任何阶段。没有证据不压缩任何时间表。升级率飙升的阶段 3 智能体必须退回阶段 2——这是一个设计的安全机制，而非失败。
可观测性架构
标准应用监控（可用性、延迟、错误率）是必要的，但对智能体来说不够。APA 定义了四个额外的智能体专属可观测性维度：
| 维度 | 测量什么 | 指标示例 | 告警阈值 |
|---|---|---|---|
| 决策质量 | 智能体的决策是否正确和恰当？ | 人类否决率、决策置信度分布、结果审计 | 否决率 > 20% 触发调查 |
| 行为一致性 | 智能体在相似输入下的行为是否可预测？ | 等效输入的输出相似度得分、漂移检测 | 漂移 > 2 个标准差触发审查 |
| 工具可靠性 | 智能体依赖的工具是否正常运行？ | 工具调用成功率、工具延迟、工具错误分布 | 成功率 < 99% 触发工程升级 |
| 经济效率 | 智能体是否实现了预测的 ROI？ | 每笔交易成本（实际 vs. 预测）、流程时间缩减、错误减少 | 成本 > 预测的 120% 触发财务审查 |
持续演进循环
智能体如果不演进就会退化。APA 定义一个季度演进周期：
- 收集： 汇总上一季度所有人类否决、升级和边缘案例
- 分类： 将每个事件分类：模型限制、知识缺失、工具故障、流程变更、对抗输入
- 优先级排序： 按业务影响排序（频率 × 严重性）
- 修复： 根据需要更新规格、护栏、知识来源或模型选择
- 验证： 对更新后的智能体运行完整的第四阶段测试套件
- 部署： 以与初始部署相同的治理严格性对待智能体更新（在适当的部署阶段重新进入）
交付物
- 部署路线图： 含阶段进入/退出标准的时间表、回滚触发器
- 可观测性仪表板规格： 所有指标、来源、阈值和告警规则
- 运营手册： 日常程序、升级联系人、事件响应操作手册
- 演进计划： 季度审查节奏、负责角色、变更管理流程
- 能力转移计划： 内部团队如何接管智能体运营
盈利门 #5（持续）
实际生产指标是否确认了第一阶段 ROI 预测？如果没有，调整是什么——范围缩减、架构变更还是计划报废？
此门永不关闭。它在智能体的整个生命周期中每季度审查一次。未能提供预测价值的智能体并非组织的永久疤痕——它是范围缩减、架构重新设计或计划报废的候选。愿意报废一个表现不佳的智能体，正是成熟的智能体组织区别于那些在不需要的数字工作者身上积累技术债务的组织的标志。
APA 实践：角色与交付物
APA 团队
APA 定义四个角色——不是职位头衔，而是必须被填补的功能：
| 角色 | 职责 | 主要阶段 |
|---|---|---|
| 流程架构师 | 拥有业务流程模型、A-H-S 分解和盈利案例 | I、II、V |
| 智能体架构师 | 拥有智能体规格、工具架构、模型选择和护栏 | III、IV |
| 治理负责人 | 拥有测试策略、合规映射、HITL 设计和风险登记册 | IV、V |
| 执行发起人 | 拥有每个阶段的盈利门签字；对 ROI 实现负责 | 所有门 |
在较小项目中，一个人可能承担多个角色。在企业级转型中，每个角色可能是一个团队。关键原则：流程架构师和智能体架构师必须是不同的视角，即使他们共享一张办公桌。设计流程的人不能是唯一验证将其自动化的智能体的人——这是一个产生脆弱架构的利益冲突。
APA 交付物地图
| 阶段 | 交付物 | 受众 |
|---|---|---|
| I | 机会热力图 | 高管层、执行发起人 |
| I | 初步盈利分析 | CFO、执行发起人 |
| II | AS-IS 与 TO-BE BPMN 图 | 流程所有者、工程 |
| II | 智能体分解图 (A-H-S) | 流程架构师、智能体架构师 |
| II | 智能体 RACI 矩阵 | 治理负责人、合规 |
| II | 序列图 | 工程、集成团队 |
| III | 智能体规格说明表 (× N 智能体) | 工程、QA、运营 |
| III | 系统架构图 | CTO、工程、信息安全 |
| III | 模型选择理由 | CTO、采购 |
| III | 集成规格 | 工程、第三方供应商 |
| IV | 智能体测试计划 | QA、工程 |
| IV | HITL 架构文档 | 运营、流程所有者 |
| IV | 合规矩阵 | 法务、合规、监管机构 |
| IV | 风险登记册 | CRO、执行发起人 |
| V | 部署路线图 | 工程、运营、执行发起人 |
| V | 可观测性仪表板规格 | 运营、SRE |
| V | 运营手册 | 运营、内部团队 |
| V | 演进计划 | 执行发起人、流程所有者 |
| V | 能力转移计划 | 内部团队、HR/L&D |
APA 与现有方法的比较
APA 不与现有的咨询框架或智能体构建平台竞争。它占据它们之前的空间——决定应该构建什么以及如何治理的分析、设计和架构层，与技术栈无关。
| 现有产品 | 它提供什么 | APA 增加什么 |
|---|---|---|
| Deloitte Trustworthy AI™ | 治理框架（7 个维度） | 从第一阶段就集成的智能体专属治理，而非事后追加 |
| Accenture AI Refinery™ Distiller | 构建智能体的技术 SDK | 决定是否应使用该 SDK 的业务案例和流程架构 |
| Cognizant Agent Foundry | 4 阶段部署方法论（Discover-Design-Build-Scale） | 每阶段的结构化交付物、明确的盈利门、智能体专属的测试和可观测性框架 |
| McKinsey Rewired | 6 能力转型方法论 | 智能体专属的分解、拓扑设计和 A-H-S 分类框架 |
| LangChain、CrewAI、AutoGen | 智能体构建框架 | 生态系统无关的规格，任何框架选择都无法超越 |
在意图上最接近 APA 的方法论是 Cognizant 的 Agent Foundry，它正确识别了从发现到规模化需要分阶段的方法。APA 在此基础上扩展了：每阶段的交付物规格、盈利门机制、A-H-S 分解框架、智能体测试金字塔和明确的 HITL 架构设计。
结论
智能体 AI 市场不会仅靠更好的模型走向成熟。它将在组织能够可靠回答每个技术决策之前的那个问题时走向成熟：我们应该构建这个智能体吗？我们如何知道它是否奏效？
APA 提供了这个答案。这是一套面向那些位于雄心与执行之间的架构师的方法论——那些必须告诉 CFO 为什么一个智能体将自偿其成本，告诉合规官它将如何保持在监管边界内，并告诉工程团队到底要构建什么的人。
五个阶段在逻辑上是线性的，但在实践中是迭代的。盈利门是不可协商的。交付物足够具体，可以被签约、审核和审计。
最重要的是，APA 为这样一个世界而设计：创建智能体已不再是难事。真正难的是让它们保持相关性、高效且盈利。这正是本方法论所交付的。
APA — 智能体流程架构。版本 1.0。2026 年 7 月。