会懂网AI资讯，9月17日，ServiceNow在九月对自家AI Agent Studio进行了一轮深度重构，把”造智能体”这件事从零散的脚本拼接彻底工程化、产品化。这次更新的核心是把企业里原本散落在各处、依赖人工编排的自动化能力，重新收拢到一张统一的智能体构建平台上，让业务团队不必深谙代码也能搭出可用的企业级智能体，真正把智能体交付的门槛从开发者下沉到业务人员。
重构后的Agent Advisor扮演了”智能体参谋”的角色，它会主动读取企业实例里的流程、工单、知识库与历史运行数据，自动梳理出哪些业务场景最适合上智能体，并为每个候选机会给出可量化的回报预期，例如能节省多少人力工时、缩短多少处理时长、预计带来多少成本下降。这种从数据出发的机会清单，让企业在投入智能体建设前就拿到一份可论证的投资回报蓝图，而不是凭直觉拍脑袋决策。
可视化节点画布Visual Node Canvas是这次工程的另一大看点，它把Agent、工具调用与业务流程摊开在同一张可交互的图上，节点之间以连线表达调用与数据流向，构建者可以像搭积木一样拖拽、连接、配置。过去要在代码里写死的编排逻辑，现在变成一目了然的图形结构，既方便团队内协作评审，也便于后续维护与迭代，降低了智能体方案的理解与交接成本。
边建边测面板把构建与测试放在同一屏内，开发者在画布上每改一处节点或工具，就能立刻在同一界面跑通测试用例、观察智能体实际的回复与工具调用路径，不必在编辑器与测试环境之间反复横跳。这种”构建即测试”的闭环显著缩短了从原型到可用的距离，也让质量门禁前置，减少后期集成时才暴露的链路错误与行为偏差。
在智能体形态上，ServiceNow把Chat与Voice明确定义为两类原生智能体，分别对应文字对话与语音交互场景，使得同一套后端能力可以平滑延伸到客服、坐席辅助、内部问答与电话自助等不同触点。配套的AI Control Tower则把第三方与自研智能体纳入统一治理，提供权限、审计、成本配额与一键Kill-switch等控制手段，确保大规模部署时风险可控、支出可追踪。
业务侧的增长曲线印证了这次重构的时机。ServiceNow披露其二季度AI使用量环比增长了九倍，反映出企业对智能体式自动化的真实需求正在快速释放；基于这一势头，公司把AI相关年度合同价值（ACV）目标上调至十五亿美元。在把智能体工程化的同时，ServiceNow显然也在把AI变成一条清晰可增长的主营收入线，而非仅停留在功能噱头层面。
暂无评论内容