Google Cloud 在构建企业级 AI agent 的过程中发现，多智能体系统要真正处理复杂任务，关键在于让 agent 学会「委派」。为此，他们引用了 Google DeepMind 的论文 Intelligent AI Delegation，并提出四条实践原则。

原则一：验证委派的工作。Agent 不能随便把任务甩给下游，而应该采用「contract-first decomposition」，把目标拆解成足够简单、可监控、可验证的子任务。现实里并非所有任务都能自动验证，这时需要引入人的主观判断。识别出哪些环节必须靠人来评估，反而能帮我们决定人类专家在 agentic 系统里的介入点。

原则二：对成本保持敏感。企业客户经常问：这个任务能不能交给更小、更便宜的模型？论文指出，真正聪明的 agent 会学会识别不同场景，把简单任务（比如格式化表格）路由到轻量模型，把复杂任务（比如工资核算）留给强推理模型。API gateway 里的 model routing 功能，或 LiteLLM 这类客户端代理，正在成为客户常用的做法。

原则三：尊重敏感数据。Agent 在委派时绝不能把完整数据集传给子 agent，这既带来安全隐患，也会撑爆上下文窗口、降低性能。应该只授予完成当前任务所需的最小权限。难点在于：如何在不泄露隐私的前提下证明工作确实完成了？论文提出可以用零知识证明，让一个 agent 向另一个 agent 证明计算过程正确，而无需暴露数据本身。

原则四：警惕「冷漠区」（zone of indifference）。这是 Chester Barnard 在 1938 年提出的概念，指员工不加质疑就接受任务的范围。论文警告，当前 AI 系统只要不触发安全过滤器就会照单全收。一旦委派链变长，这种无脑服从会让细微的意图偏差或情境危害快速向下游传播，每个 agent 都变成不思考的转发器。因此，智能委派需要「动态认知摩擦」——agent 要主动验证信息是否准确、相关、可控，遇到模糊请求时敢于挑战委派者，或请求人工介入。当然，人类时间宝贵，认知摩擦必须谨慎管理，只在必要时触发。

Google Cloud 的长期目标，是把 agent 自然高效地嵌入组织，让 agent 与人类专家互相委派、互相制衡。完整论文可在 arXiv 上查阅。