本文整理自 Make 官方于 2026 年 2 月 11 日由 Vitek Linhart（Make AI 产品经理）发布的 Make AI Agents: Trust through transparency。文中第一人称（“我们”）是原文作者的视角，文中对能力的描述也是 Vitek 与 Make 官方的介绍和示例，不是本站的独立验证。
关于当前可用性：Make 的 AI 智能体帮助文档显示，这一新应用于 2026 年 2 月 2 日发布并处于公开测试（open beta），功能和价格可能变化；Make AI provider 适用于所有套餐，自定义 provider 连接仅限付费套餐。AI 结果本身具有不确定性；官方建议选择你愿意交给实习生的任务，并避免把敏感数据、高风险财务或战略决策、以及严格法律要求的任务交给智能体。下面介绍的是官方描述的五种模式、混合控制、可见性和分阶段采用方式，不构成可靠性或安全性的保证。
Make 为什么要在场景构建器（Scenario Builder）里原生重建 Make AI 智能体，以及你应该如何审慎地使用它们。
原文说，Make 在去年发布 AI 智能体之后意识到：构建者并不想要再多一个要加进技术栈的 AI 工具，他们想要的是能和自己的自动化共存的 AI。
于是，原文说 Make 把智能体能力带到了大家熟悉并喜爱的画布上。
全新的 Make AI 智能体不再是孤立的。它们和你构建场景的地方是同一个画布，构建、运行和调试都在其中完成。这套架构用一个统一的执行模型取代了来回切换上下文的做法。AI 推理成为系统的一部分，而不是外挂。
这意味着配置智能体及其使用的工具和知识更容易，也更容易看清智能体做了什么。此外，新的“推理（Reasoning）”面板让你看到智能体是如何决定采取哪些步骤的。除了对可视化的重视，原文还介绍了另一个进展：可以分享预构建的 AI 智能体，让用户互相分享用例以获取灵感。原文说，这是用户给出的重要反馈，也是新一代智能体迈出的重要一步。为了让事情更简单，Make 还推出了智能体库（Library of Agents）。原文认为，构建 AI 智能体不应该意味着从零开始，或者靠猜“好”是什么样子；智能体库是面向真实工作流、可直接改编的 AI 智能体示例集合。智能体库的定位是帮助那些清楚自己想自动化什么、却苦于设计不出稳定可用智能体的团队。
下面说说这些变化为什么重要，以及如何充分利用它们。
新一代
原文说，用户反馈中的一个关键点是，他们希望 AI 智能体存在于自动化画布之内。Make 采纳了这个意见，并扩展了智能体的可视化优势，让从构建到调试的核心过程更容易。
从“智能体工具”到“智能体构建器”
原文把最大的变化描述为架构性的。智能体不再与自动化逻辑分开管理，而是在你构建场景的同一个画布中构建、运行和调试。
你可以在一个工作流中把确定性步骤与智能体推理结合起来。HTTP 模块拉取数据，路由器处理简单情形，智能体处理那些否则需要几十个条件才能覆盖的细微情形。
可视化推理让 AI 决策可观测
AI 进入生产工作流后最大的抱怨之一是什么？缺乏透明度。出问题时，你只能猜测模型决定了什么、为什么这样决定。
原文说，新的智能体架构会把每一个决策暴露出来。智能体运行时，你能看到它决定了什么、为什么这样决定、用了哪些工具。可视化轨迹取代了翻日志和靠推断。
这会改变调试方式。你不必再从输出反推发生了什么，而是能直观地看到智能体的推理过程。你可以发现逻辑在哪一步走偏，调整提示词或工具集，然后重新运行。透明度让问题更易定位，但它本身不等于安全或正确性的保证。
确定性还是智能体：何时用哪种
不是所有事情都需要 AI。事实上，很多事情并不需要。
原文建议：当规则固定、可预测，数据结构化，且速度最重要时，使用标准模块；当输入是非结构化的（文本、文档、消息）、逻辑经常变化，或者路由决策复杂到无法手工编码时，使用智能体。
把两者结合起来用。让确定性步骤负责控制流，让智能体负责判断和选择。
原文举的例子是：一个客服场景可以用 webhook 接收消息，用路由器配合预设回复处理常见问题，再用一个智能体分析复杂问题并决定把它路由给哪个团队。智能体不把时间浪费在简单事情上，而是专注于自己更擅长的地方。
五种可复用的智能体模式
原文认为，随意构建智能体只会得到随意的结果，模式才能带来可复用、可扩展的系统。以下是原文列出的五种模式：
- 对话式智能体：处理提问、检索知识并组织回复。原文建议用于客户支持、内部服务台和知识库查询。
- 合成式智能体：从多个来源提取信息并生成结构化摘要。原文建议用于研究任务、竞争分析和报告生成。
- 路由型智能体：分析输入并动态选择正确的工作流。原文建议在你的条件逻辑树变得难以管理时使用它。
- 评估型智能体：按标准评估输入并做出判断。原文建议用于线索打分、申请筛选和内容审核。
- 编排型智能体：协调多个工具或智能体来完成更大的任务。原文把它作为多步流程在每个阶段都需要判断时的框架。
原文建议先从一种模式开始，把它掌握好，再扩展。你也可以使用智能体库中的现成示例。
分享而非重复：扩展智能体系统
原文说，旧模式鼓励重复：由于分享困难，每个团队都在构建自己版本的相似智能体。新架构把智能体当作可共享的组件。
成本透明与控制
如果你不知道什么时候在运行什么，AI 成本可能会失控。原文说，新的智能体架构让每一次调用都可见。
智能体执行历史会显示调用了什么、调用了多少次、成本发生在哪里。你可以调整提示词以减少令牌用量，用确定性逻辑锚定 AI 决策以避免不必要的调用，并在对成本敏感时使用自己的模型密钥。需要注意：自定义 provider 连接仅限付费套餐，而 AI 调用本身可能产生费用；成本和用量最终以你的套餐与账单为准。
你应该知道自己在为什么付费，以及为什么。
文件支持：不止于文本
只能处理文本的智能体是有用的；能读取文档、处理图像并生成输出的智能体，则能解锁新的工作流。
原文说，新的智能体支持文件输入和输出。你可以构建读取发票、提取数据、按标准校验并生成 PDF 或 CSV 摘要报告的场景。
原文称，以前这类工作流需要把第三方工具、数据转换模块和手工校验步骤脆弱地拼在一起；现在一个智能体可以处理整条流水线。这是官方的描述；实际能否稳定运行取决于你的配置、数据与任务风险。
上手：如何审慎地采用和构建 AI 智能体
不要试图一次替换所有东西。先从一种模式开始，把智能体步骤和确定性步骤结合起来，并保留人工介入。
原文推荐的一个第一个项目是：找一个带有复杂决策树的工作流，用评估型智能体替换其中脆弱的条件逻辑。让两者并行运行一周，比较结果，调整智能体，等你有了把握再切换过去。并行对比可以帮助你观察差异，但不能替代风险评估，也不能保证安全或正确；涉及敏感数据和高风险决策的任务仍应避免交给智能体。
先复用，再重建。如果团队里已经有人构建了能满足你大部分需求的智能体，就修改现有的基础，而不是从零开始。
还要记住：智能体不是魔法。原文把它们描述为强大的决策模块，与清晰的提示词、结构良好的数据和确定性控制流配合时效果更好。
你可以构建的智能体
原文说，全新的 Make AI 智能体帮助你在场景画布中直接构建清晰、可检查、可复用的决策系统。
一切都发生在同一个地方。你能看到正在发生什么，理解决策为什么做出，并且无需在不同的工具或界面之间跳来跳去即可进行调整。当智能体成为画布的一部分，而不是独立于画布之外时，它们就不再像一个需要绕开的特例，而更像你构建方式中自然的一部分。
如果你已经在使用 Make，可以了解官方文档中当前公开测试的功能与边界；如果你是新用户，也可以先阅读帮助文档中的入门说明。