1. 企業(yè)智能體平臺為什么這么難落地1.1 難在業(yè)務側(cè)場景散、標準亂、預期錯位先直接說結(jié)論企業(yè)智能體平臺難落地大概率不是模型能力不夠而是業(yè)務側(cè)從一開始就埋了雷。我做過的智能體平臺項目里最常見的開局是——業(yè)務部門拿著一個大而全的需求清單過來說我們要做一個能覆蓋客服、營銷、人事、財務的智能助理每個場景都想做每個場景都只給兩周時間。但真正拆解下來這些場景的業(yè)務規(guī)則、數(shù)據(jù)口徑、審批鏈路完全不同有的需要實時調(diào)用內(nèi)部系統(tǒng)有的只需要查靜態(tài)文檔有的涉及敏感數(shù)據(jù)連看都不能看。你不可能用一套邏輯通吃更不可能靠一個萬能大模型解決所有問題。這里有個被反復驗證的規(guī)律智能體平臺的落地難度和場景的確定性成反比?？头柎疬@種輸入輸出相對固定的場景落地最容易而像自動處理合同審批這種涉及多系統(tǒng)、多角色、多分支判斷的場景難度指數(shù)級上升。很多平臺卡死就是因為一開始選了最難啃的場景卻用最簡單的工作流去套。預期錯位更是常態(tài)。業(yè)務方理解的AI替人干活是我把需求說清楚它就能跑通而實際交付的是規(guī)則清晰、邊界明確、異常有人兜底的自動化流程。這兩者之間的落差不是靠換一個更強的模型能填平的必須靠工作流設計、知識庫質(zhì)量和權(quán)限邊界規(guī)劃來彌合。1.2 難在技術側(cè)工作流、RAG、權(quán)限三座大山從技術視角看企業(yè)智能體平臺要落地必須同時趟過三座山。第一座是工作流。企業(yè)場景講究確定性財務審批不能隨機、生產(chǎn)指令不能發(fā)散、客戶報價不能每次說法都不一樣。純靠模型自由發(fā)揮輸出永遠有概率性這在核心業(yè)務里是不可接受的。工作流的作用就是把模型能做什么和業(yè)務要求它必須做什么之間拉起一條軌道——節(jié)點怎么編排、分支怎么判斷、異常怎么兜底全都要在設計階段定清楚。第二座是RAG檢索增強生成。企業(yè)知識庫動輒幾十萬份文檔型號參數(shù)、合同條款、售后記錄混在一起模型不可能全塞進上下文也不應該直接拿通用知識來回答。RAG解決的是讓模型基于企業(yè)內(nèi)部知識說話的問題但它有自己的瓶頸文檔拆得好不好、向量檢索準不準、重排策略對不對任何一個環(huán)節(jié)掉鏈子回答質(zhì)量立刻滑坡。第三座是權(quán)限治理。這是最容易被忽視、但出事就是大事的一環(huán)。企業(yè)內(nèi)部文檔分密級客戶數(shù)據(jù)有合規(guī)要求同一個知識庫里可能有所有人可見的公開資料也可能有僅高管可見的敏感材料。如果智能體平臺沒有一套和現(xiàn)有身份體系打通的權(quán)限管控機制要么不敢放開用要么放開了遲早闖禍。這三座山不是獨立的而是互相嵌套工作流里要調(diào)用知識庫知識庫里要控制訪問權(quán)限權(quán)限模型又要兼容已有的組織架構(gòu)和審批流程。很多項目死在半路不是某一個技術點沒攻克而是這三者的組合設計沒有提前規(guī)劃。2. 路徑一以工作流編排為核心的可控落地2.1 工作流是什么為什么它是低風險起點我見過太多團隊一上來就做自主Agent覺得那樣才夠智能。但說實話在企業(yè)環(huán)境里起步階段最穩(wěn)的一定是工作流。工作流本質(zhì)上是把業(yè)務流程固化成一張可執(zhí)行的流程圖觸發(fā)節(jié)點接收輸入處理節(jié)點調(diào)用模型或工具判斷節(jié)點做分支選擇最后輸出結(jié)果并歸檔。它的核心價值在于可控——每一步做什么、由誰做、什么條件下做都是預定義的。哪怕模型偶爾抽風工作流的邊界也會把損失限制在單個節(jié)點內(nèi)部。拿簡歷篩選工作流舉例。很多企業(yè)想用智能體做簡歷初篩但如果讓模型自由讀簡歷、自由打分你根本沒法向用人部門解釋為什么這個人評分85分。改成工作流就不一樣了先按硬性條件學歷、年限、技能關鍵詞做規(guī)則過濾再讓模型提取結(jié)構(gòu)化字段接著按預設權(quán)重計算匹配度最后把打分依據(jù)和原文片段一起輸出。每一步都可回溯每一分都有出處。我自己搭這類工作流時習慣遵循一個原則能寫規(guī)則的不調(diào)模型調(diào)模型的地方必須有兜底。比如判斷簡歷里有沒有出現(xiàn)Python用正則匹配就夠了沒必要浪費一次模型調(diào)用而像評估候選人項目經(jīng)歷與崗位的匹配度這種開放判斷才適合交給模型但輸出格式必須用JSON Schema約束方便后面的節(jié)點解析。2.2 工作流落地的關鍵參數(shù)與常見配置工作流設計里有幾個關鍵參數(shù)直接影響穩(wěn)定性和成本值得單獨拿出來說。第一個是最大重試次數(shù)。模型調(diào)用不是百分百成功也會遇到超時、返回格式錯誤、內(nèi)容被安全策略攔截。我一般把重試次數(shù)設為2到3次超過就走人工兜底分支而不是無限重試——無限重試在線上環(huán)境里等于給自己埋雷一次上游接口抖動就能拖垮整條流程。第二個是并發(fā)上限。有些場景天然適合并發(fā)比如批量處理100份簡歷每份之間互不影響可以并行調(diào)用模型。但要注意上游服務的限流策略我去年的一個項目里就因為沒控制并發(fā)把內(nèi)部的一個低配模型服務打掛了最后在網(wǎng)關層加了令牌桶限流才穩(wěn)住。第三個是節(jié)點超時時間。工作流里如果有一個節(jié)點依賴外部API而外部服務偶爾要卡十幾秒整條鏈路都會被拖住。我的做法是給每個外部調(diào)用節(jié)點設置獨立的超時時間比如HTTP調(diào)用默認5秒、模型流式輸出放寬到60秒超時后走降級分支。下面這張表是我做工作流配置時常用的參數(shù)基準不同團隊可以按自己的場景微調(diào)參數(shù)推薦初始值說明模型重試次數(shù)2不包含首次超過后進入人工兜底節(jié)點節(jié)點超時時間HTTP調(diào)用5秒模型流式輸出60秒根據(jù)外部服務SLA調(diào)整并發(fā)上限同一流程實例內(nèi)5-10受上游模型服務限流約束分支判斷閾值置信度低于0.7走人工避免模型低質(zhì)量情況下直接自動決策日志保留周期至少30天用于事后回溯和投訴審計工作流的另一個常見坑是編排過深——一個流程串了十幾個節(jié)點中間任何一個環(huán)節(jié)改字段名下游全部報錯。我的經(jīng)驗是優(yōu)先保持每個工作流小而短復雜業(yè)務拆成多個子工作流組合調(diào)用這樣單個流程的可維護性會好很多。3. 路徑二以RAG知識庫為核心的能力增強3.1 RAG的瓶頸在哪召回、重排、上下文RAG檢索增強生成這幾年火得不行但真正在生產(chǎn)環(huán)境里跑過的人都清楚它的瓶頸不在用不用RAG而在RAG的每個環(huán)節(jié)做得夠不夠細。先說召回?，F(xiàn)在主流做法是向量檢索加關鍵詞檢索雙路召回然后合并結(jié)果。但向量檢索的準確率受兩大因素制約一是Embedding模型和領域文本的匹配度通用Embedding模型處理專業(yè)術語多的企業(yè)文檔時效果往往不盡如人意二是文檔切片策略切得太碎語義不完整切得太大噪聲太多還浪費上下文。前期一定要做評測集。我每接手一個RAG項目第一件事不是調(diào)代碼而是找業(yè)務方要50到100個真實問答對覆蓋高頻問題、邊緣問題、易混淆問題然后手工標注每個問題對應的標準答案和依據(jù)文檔。這個評測集是后續(xù)調(diào)參的地基沒有它所有優(yōu)化都是在裸奔。再說重排。向量檢索召回Top 20但最終只能把Top 3到5放進Prompt里中間這一步就是重排。重排模型的輸入是問題候選文檔輸出是相關性分數(shù)。實際經(jīng)驗是用專門的Cross-Encoder重排模型比單純依賴向量相似度排序能穩(wěn)定提升5到10個百分點的回答準確率代價是增加幾十到幾百毫秒的延遲這個成本是值得的。最后說上下文。就算重排做得再好模型能接收的上下文也是有限的——命令式的長文檔比如幾百頁的SOP、同時涉及多份文檔的復合問題都會讓上下文窗口吃緊。之前有人問我RAG知識庫能不能存圖片答案是可以存但要看用途。如果只是把圖片當作附件原樣返回那存的是文件路徑如果你要讓模型看圖說話就得用多模態(tài)模型處理圖片內(nèi)容再向量化。這兩種方案的成本和效果差別很大別混為一談。3.2 RAG落地的實操要點與常見坑RAG落地有四個環(huán)節(jié)每個環(huán)節(jié)都有對應的坑逐個說。文檔解析PDF轉(zhuǎn)文本很容易丟格式表格提取更是重災區(qū)。我之前處理過一批質(zhì)檢報告里面大量數(shù)據(jù)在表格里通用解析器提取出來全是亂的。后來用了按版面分析表格結(jié)構(gòu)識別的方式才算把結(jié)構(gòu)化數(shù)據(jù)搶救回來。凡是涉及掃描件、圖片型PDF的必須加OCR光學字符識別環(huán)節(jié)且OCR結(jié)果要校對。切片策略不要迷信固定字數(shù)切片——512字、1024字那種一刀切在真實業(yè)務文檔上經(jīng)常把段落攔腰截斷。我的做法是先按文檔結(jié)構(gòu)標題、段落、表格做語義切分再對超長段落做二次切分切分時保留上下文關聯(lián)信息比如來源文檔ID、章節(jié)路徑方便后續(xù)溯源。召回與重排的召回率指標光看回答是否正確不足以反映RAG質(zhì)量要拆分看hit rate正確答案是否在召回結(jié)果里和MRR正確答案排在第幾位。如果hit rate本身就低調(diào)重排沒有意義先回去優(yōu)化切片和Embedding。知識庫更新很多團隊上線RAG之后就當甩手掌柜文檔更新了也不重新向量化結(jié)果模型拿著三個月前的舊版本回答客戶問題。RAG知識庫必須建立文檔變更監(jiān)聽機制文檔一更新對應的切片和向量馬上同步刷新并保留版本記錄。還有幾個容易踩的坑一是Embedding模型的向量維度過高比如1024維大規(guī)模文檔下檢索延遲和存儲成本都會上去二是知識庫權(quán)限沒做隔離這在后面權(quán)限治理部分會細說三是沒有給每個回答附上參考來源導致業(yè)務方質(zhì)疑時無法追溯——這幾乎是所有RAG項目上線后被挑戰(zhàn)的第一件事。4. 路徑三以Agent自主決策為核心的進階路線4.1 工作流與Agent的本質(zhì)區(qū)別工作流和Agent的根本區(qū)別用一句話概括工作流是畫好軌道讓模型跑Agent是給定目標讓模型自己找路。工作流適合確定性強的場景——你很清楚流程分幾步、每步做什么、異常怎么處理。而Agent適合那些連你自己都說不清步驟的場景比如幫我梳理一下當前所有項目的風險點這需要模型自己決定先查哪個系統(tǒng)、調(diào)用哪個工具、中間怎么調(diào)整策略。但話說回來在企業(yè)環(huán)境里Agent的自主性和可控性天然沖突。一個真正自由發(fā)揮的Agent可能在一次任務里調(diào)用十幾個工具、訪問十幾份文檔中間任何一步出錯或者跑偏你很難定位是哪一步導致了最終結(jié)果錯誤。所以我在實際項目中部署Agent時一定會做三層約束第一層目標約束給Agent設定明確的輸入輸出規(guī)范比如只允許調(diào)用以下三個工具最終必須輸出JSON格式的結(jié)論。第二層過程約束對Agent每一步的動作做白名單控制它只能調(diào)白名單內(nèi)的工具只能訪問權(quán)限范圍內(nèi)的知識庫目錄。第三層結(jié)果約束Agent的最終輸出必須經(jīng)過規(guī)則校驗比如查出來的合同金額必須和臺賬系統(tǒng)里的一致否則標記為待人工復核。這三層約束加上去之后Agent的自由度確實降低了但換來的是生產(chǎn)環(huán)境可用的穩(wěn)定性。我的觀點一直是企業(yè)里的Agent追求的是可控的智能而不是純粹的智能。4.2 Agent落地的關鍵控制點Agent落地比工作流復雜得多這里說幾個關鍵控制點。第一是工具設計。Agent的能力上限約等于你給它配的工具上限。工具的描述要寫清楚這個工具是干什么的、什么場景下用、輸入輸出是什么——你偷懶少寫兩句Agent就會在關鍵時刻掉鏈子把查詢訂單狀態(tài)的工具當成查詢物流軌跡來用。工具數(shù)量也要控制一個Agent掛上幾十個工具模型的選擇準確率會明顯下降。我一般建議單Agent不超過10個工具多了就拆子Agent。第二是記憶與上下文管理。Agent在執(zhí)行多步任務時中間的每步輸出都會占用上下文任務一長就會把模型撐爆。常用的方案是引入摘要機制——每執(zhí)行幾步就把歷史記錄壓縮成摘要只保留關鍵信息。這個壓縮過程本身也是模型調(diào)用要注意摘要質(zhì)量和原始信息的平衡別把重要細節(jié)給壓沒了。第三是回退機制。Agent跑偏不是概率問題是必然問題。關鍵是跑偏了之后怎么辦。我的做法是給Agent設定自主決策次數(shù)上限比如最多只能調(diào)用5次工具超過上限還沒得出結(jié)論自動切換到人工交接流程。很多平臺把Agent做成只能一路黑到底這是生產(chǎn)環(huán)境不可接受的。關于利用平臺構(gòu)建的智能體與用Python構(gòu)建的智能體有什么不一樣我也順便說一句。平臺型智能體比如Coze、Dify這類勝在開發(fā)效率高圖形化編排、內(nèi)置RAG組件、一鍵發(fā)布適合快速驗證業(yè)務場景而用Python直接構(gòu)建勝在自由度——你可以自定義復雜的工具調(diào)用鏈、精細控制提示詞、對接內(nèi)部系統(tǒng)的私有協(xié)議。兩者不是替代關系我通常的做法是先用平臺快速跑通業(yè)務驗證確認有生產(chǎn)價值之后再把核心鏈路用代碼重寫交給工程團隊維護。5. 路徑四混合架構(gòu)——工作流RAGAgent的實戰(zhàn)組合5.1 什么時候必須上混合架構(gòu)我做過的項目里真正跑得穩(wěn)的智能體平臺幾乎沒有純工作流或者純Agent的大多數(shù)是混合架構(gòu)。判斷標準很簡單場景里既有確定性流程又有開放性判斷還要查大量內(nèi)部資料的時候混合架構(gòu)就是必選項。舉個真實例子。某個售后服務場景用戶提交一筆退貨申請。其中校驗訂單是否存在、是否在退貨期內(nèi)、是否符合退貨條件是完全確定性的規(guī)則適合用工作流節(jié)點處理識別用戶描述的問題屬于什么類型、是否需要升級處理是開放性語義理解適合用Agent或大模型直接判斷查詢歷史同類問題的處理方案需要查知識庫適合用RAG。這三件事用單一模式做都不順混合架構(gòu)把它們各歸各位。混合架構(gòu)的組合方式有兩種常見模式。一種是流水線模式先工作流做前置規(guī)則過濾再RAG查資料再Agent做綜合判斷最后工作流做結(jié)果歸檔和通知。另一種是主從模式Agent作為總調(diào)度它自己決定什么時候調(diào)用RAG、什么時候調(diào)用某個工具函數(shù)而工作流退化為Agent手里的一個工具。前者適合流程相對固定、中間需要智能判斷的場景后者適合任務開放、需要高度自主的場景。我實際用下來流水線模式在多數(shù)企業(yè)場景里更可控主從模式更適合探索性強的內(nèi)部效率工具。5.2 混合架構(gòu)的編排原則與實戰(zhàn)案例混合架構(gòu)最怕的是什么都想智能結(jié)果整個鏈路變得無法預測。我總結(jié)了幾條編排原則供參考。第一確定性環(huán)節(jié)永遠前置。能用規(guī)則判斷的先做規(guī)則判斷把一定不通過的請求提前攔截掉避免讓模型處理無效請求。比如退貨場景里訂單號不存在的直接返回錯誤沒必要進后面的RAG和Agent環(huán)節(jié)。第二RAG負責供給知識Agent負責調(diào)動知識。不要把RAG查回來的文檔一股腦全塞給模型而是先讓Agent理解用戶意圖再決定查什么、查完怎么用。這里的順序很關鍵反過來的話RAG召回的是無關內(nèi)容Agent還要費力分辨效果反而更差。第三每一步都要有觀測點。混合架構(gòu)的排錯難度比單一模式高一個數(shù)量級所以從設計第一天就要埋日志和追蹤。我習慣給每個工作流節(jié)點、每次RAG檢索、每個Agent工具調(diào)用都打上唯一追蹤ID全鏈路串起來。線上出問題的時候靠這個ID能快速定位是規(guī)則誤殺還是檢索沒召回還是Agent決策錯了。第四變更隔離?；旌霞軜?gòu)里RAG知識庫是高頻變更的工作流是低頻變更的Agent的提示詞和工具配置是中頻變更的。這三者的發(fā)布節(jié)奏不一樣如果全部耦合在一起發(fā)布一次知識庫更新就可能把整個流程搞掛。我推薦的做法是工作流編排獨立部署、RAG知識庫獨立服務、Agent提示詞支持動態(tài)拉取三者通過接口對接各自迭代互不阻塞。這里也回應一個技術選型問題Dify、Coze這類平臺做混合架構(gòu)搭原型非常快但到生產(chǎn)階段我更傾向于把工作流引擎和RAG鏈路都組件化嵌入到企業(yè)自己的后端服務里。原因是生產(chǎn)環(huán)境對權(quán)限、審計、監(jiān)控的要求很高平臺默認提供的能力經(jīng)常不夠用。當然如果你的業(yè)務形態(tài)和平臺內(nèi)置能力高度匹配直接用平臺也是一種務實選擇關鍵在于評估清楚平臺能力邊界和企業(yè)定制需求之間的距離。6. 路徑五權(quán)限治理與安全管控的兜底工程6.1 權(quán)限治理為什么是最后那道閘門前面四條路徑解決的都是能不能做好一件事權(quán)限治理解決的是這件事該不該你做、你做到什么程度。很多智能體平臺在Demo階段跑得飛快一到生產(chǎn)環(huán)境就卡住原因往往不是模型不行、不是檢索不準而是安全合規(guī)那一關過不了——企業(yè)不敢把核心業(yè)務數(shù)據(jù)和流程交給一個說不清誰能看、誰能改的系統(tǒng)。權(quán)限治理要處理的核心矛盾是智能體平臺越智能它觸達的數(shù)據(jù)和系統(tǒng)就越多失控的風險就越大。一個能自由調(diào)用查詢工具的員工助手如果沒有權(quán)限控制理論上可以查全公司所有人的薪資信息一個能自主決策的客服機器人如果知識庫里混入了內(nèi)部未公開資料可能在對話中泄露出去。這些風險不是技術炫技是真實的合規(guī)問題。權(quán)限治理的落地首先要回答三個問題數(shù)據(jù)層面用戶能看到哪些知識庫內(nèi)容功能層面用戶能觸發(fā)哪些工作流和工具操作層面用戶的操作過程是否全程留痕、可追溯6.2 權(quán)限治理的落地方案與常見問題權(quán)限治理的落地方案我拆成三層來說。第一層對接企業(yè)身份體系。智能體平臺不能自建一套用戶體系而是要通過OAuth2.0、SAML或LDAP輕量目錄訪問協(xié)議對接企業(yè)已有的統(tǒng)一身份認證。員工離職或轉(zhuǎn)崗后權(quán)限要能在源頭同步失效不能指望平臺側(cè)手動維護用戶名單。這塊沒做扎實后面所有權(quán)限控制都是空談。第二層細粒度資源授權(quán)。知識庫目錄、工作流、工具接口都要支持按用戶、按角色、按部門做授權(quán)。以RAG知識庫為例比較有效的模型是目錄級文檔級的雙層權(quán)限文件上傳時打上標簽檢索時先按用戶權(quán)限過濾一遍再進向量檢索——注意這個過濾必須在召回之前做而不是等檢完了再刪否則權(quán)限隔離就形同虛設。這里就是前面提到的知識庫權(quán)限沒做隔離那個坑的重災區(qū)。第三層全鏈路審計追蹤。每一次智能體調(diào)用都要記錄誰在什么時間、通過哪個工作流或Agent、訪問了哪些知識庫文檔、調(diào)用了什么工具、最終輸出了什么。審計日志至少要保留半年以上并且支持按用戶、時間、資源維度的快速檢索。一旦出現(xiàn)數(shù)據(jù)外泄風險或合規(guī)審查這套審計系統(tǒng)就是你的護身符。權(quán)限治理的常見問題我也列幾個典型的權(quán)限模型和現(xiàn)有組織架構(gòu)脫節(jié)企業(yè)組織是樹狀的部門下有團隊、團隊下有小組如果權(quán)限模型只支持扁平角色很快就維護不動了。建議直接用RBAC基于角色的訪問控制配合組織樹繼承機制新員工默認繼承所在部門的權(quán)限。知識庫權(quán)限和原始文檔權(quán)限不同步一份文檔在共享盤里是僅經(jīng)理可見傳到知識庫里卻變成了全員可檢索這是重大隱患。上傳環(huán)節(jié)就要繼承原始文檔的權(quán)限標簽而不是默認放開。Agent的工具調(diào)用繞過權(quán)限用戶本身沒有權(quán)限的操作通過讓Agent去調(diào)用工具間接完成了——類似借刀殺人的越權(quán)方式。所以工具調(diào)用時也要做用戶級權(quán)限校驗而不是只校驗平臺系統(tǒng)身份。我給一句話總結(jié)權(quán)限治理的實操心法默認拒絕、最小授權(quán)、全程留痕。所有權(quán)限默認不給逐個申請、逐個審批每個用戶只給完成工作所必需的最小權(quán)限集合所有操作記錄留存以備審計。這套原則執(zhí)行到位智能體平臺才有可能在企業(yè)里放得開。7. 常見問題與排查技巧實錄7.1 典型問題速查表把這幾年的項目經(jīng)驗沉淀成一張速查表遇到問題可以直接對照排查。問題現(xiàn)象可能原因排查方向推薦解法工作流偶發(fā)失敗重試后恢復上游API超時或限流查看網(wǎng)關日志耗時曲線增加超時時間、配置重試策略和熔斷降級RAG回答引用無關文檔切片粒度太粗或Embedding泛化不足檢查召回Top N的命中率調(diào)切片策略、替換領域微調(diào)的Embedding模型、加重排RAG回答內(nèi)容陳舊知識庫文檔未更新對比文檔版本和向量化時間建立文檔變更監(jiān)聽增量更新向量Agent頻繁調(diào)用錯誤工具工具描述不清晰或工具數(shù)量過多查看Agent思考日志的工具選擇路徑重寫工具描述、精簡工具數(shù)量、拆分子Agent同一問題多次回答不一致模型溫度過高或上下文順序不穩(wěn)定檢查模型參數(shù)配置降低溫度、固定知識片段順序、增加輸出約束用戶訪問了越權(quán)數(shù)據(jù)知識庫權(quán)限過濾未生效驗證檢索權(quán)限過濾是否在召回前執(zhí)行前置權(quán)限過濾增加越權(quán)訪問審計告警工作流上下文超長報錯中間結(jié)果累積過多超出模型窗口查看節(jié)點輸出長度和Token占用引入摘要壓縮、分段處理、調(diào)整模型窗口檔位復雜任務Agent中途迷路缺少過程約束和回退機制分析Agent動作序列與目標偏差增加工具白名單、設定最大決策次數(shù)、加入人工交接分支這張表不是金科玉律但覆蓋了我在項目里遇到的80%以上的問題。遇到?jīng)]列出來的問題先別急著改代碼把日志和追蹤鏈條拉出來看大概率是上面某一類的變體。7.2 我踩過的坑與獨家避坑技巧最后分享幾個我在實際項目中踩出來的經(jīng)驗這些在官方文檔里基本看不到。第一個坑一上來就追求全自動。早期我做過一個合同審核智能體想讓它全自動完成審核-批準-歸檔全流程結(jié)果在線上跑了不到兩周就被叫停了——業(yè)務方說我連它為什么批都看不懂怎么敢讓它直接批。后來改成智能體初篩人工復核規(guī)則終審的人機協(xié)同模式反而用得很穩(wěn)。企業(yè)智能體落地的關鍵不是全自動而是把人工從重復勞動里解放出來同時保留必要的控制點。第二個坑中英文Embedding模型混用。有次項目里一部分文檔用了英文優(yōu)化的Embedding模型一部分用了中文優(yōu)化的檢索時統(tǒng)一走了同一個向量庫導致跨語言召回一團糟。排查半天才發(fā)現(xiàn)是向量空間不一致?，F(xiàn)在我的規(guī)矩是一個知識庫只能用一個Embedding模型如果要換模型所有文檔必須全量重新向量化新舊版本不能混用。第三個坑權(quán)限清單沒有隨組織變動定期審計。有個項目上線時權(quán)限模型是好的跑了半年后不少離職員工的賬號沒有及時凍結(jié)一些轉(zhuǎn)崗員工的舊權(quán)限也沒回收。后來加了一個每周自動同步組織架構(gòu)、每月全量權(quán)限審計的定時任務才算把這個問題按住。第四個經(jīng)驗也是我最想強調(diào)的任何智能體平臺都要把可解釋性當成一等公民來設計。工作流要能展示每一步的執(zhí)行結(jié)果RAG要能附上答案的依據(jù)來源Agent要能導出完整的決策軌跡。這三個能力決定了業(yè)務方愿不愿意信任你這個平臺。技術指標再漂亮業(yè)務方不信任平臺照樣落不了地?；氐介_頭那個問題企業(yè)智能體平臺為什么難落地答案從來不在某一個技術點上而在工作流、RAG、權(quán)限治理這幾條線的交叉地帶。把這五條實現(xiàn)路徑梳理清楚先選簡單場景跑通再逐步加深復雜度每一步都留好觀測和控制點平臺才能真正從Demo走向生產(chǎn)。我個人在實際操作中的體會是——別急著證明它什么都能做先證明它在可控范圍內(nèi)靠譜這兩句話的差別就是項目成敗的分水嶺。