原文链接：https://mp.weixin.qq.com/s/e5vk4x4LqR05N8Tk0HbIAw
前面的文章中，我曾提出限制AI Agent落地的三大挑战，分别是：用户业务场景、用户使用习惯，以及Agent的效率和精度。
其中，Agent的效率和精度是纯粹的技术问题，假以时日就可以解决；用户使用习惯，需要长时间的培养和潜移默化的影响；唯独用户业务场景是最大的难点，不解决这个问题，就很难在企业内落地AI。
技术层面目前来看主要有五点需要攻坚，分别是大模型、提示词、信息检索增强生成、工作流编排、多模态交互。这几项技术，每一个都会影响Agent的效率和精度，即成本、性能和可靠性。如下图所示：
1、大模型层面，短期内技术很难得到跨越式提升，更多的是挤牙膏式的更新优化。
比如最近DeepSeek V3模型的更新，号称各项能力全面进阶，但实际上仅仅是成本进一步降低、搜索能力优化，以及性能的进一步提升，大家期待的DeepSeek R2版本仍未出现。
2、提示词工程，其实是被很多人忽略的部分，或者说是被很多普通人忽略。因为提示词看似简单，是个人就能用起来，但也仅限于用起来。真要用好提示词，需要系统化的学习，才能让AI沿着我们预期的目标给出我们想要的结果。
为什么掌握提示词工程能力这么重要？原因在于：只有掌握正确的使用提示词，才能让AI沿着我们预期的目标给出我们想要的结果，这也是大模型训练过程很重要的一步(训练集、测试集)。
3、信息检索增强生成(RAG)，本质上是技术和业务结合后的落地实践。要建立企业级知识库，需要丰富的业务经验和精准的高质量数据结合，才能训练出适配企业自身的大模型。
PS：很多公司存在该痛点，即数据量不够多、数据质量不够高、行业经验不匹配。
知识库最应该解决的其实是数据治理的难题。当前很多公司面临的问题是，各种各样的数据散落在各处，又缺乏行之有效的数据采集、分类、向量化和检索增强能力。大模型是靠数据喂出来的，不可能一堆杂乱无章的脏数据喂出一个很好用的大模型。
数据为业务服务，和业务不相关的知识及数据，对于大模型和知识库来说就是垃圾。且不同行业的数据具有独特的结构、格式和语义特征。例如医疗行业数据涉及患者病历、影像等多模态信息，金融行业则强调交易记录的精确性与安全合规性。
如果缺乏对行业数据特征的深入理解(Know-How)，直接用外部数据，会导致数据与模型需求不匹配。
未经治理的数据输入知识库，就如同给法拉利安装单缸柴油发动机，车子上路很可能出各种各样的故障。
4、工作流对技术同学来说反而很好理解，类似IT技术领域的CICD流水线。
对工作流进行粗略划分，可以将其分为前端工作流和后端工作流，即Frontend Workflow和Backend Workflow。在AI领域，它们的协作关系大致如下图所示：
5、多模态交互能力其实很好解决，现在很多大模型都具备这种能力。
正如我在文章开头展示的那张图所示，未来对大部分公司来说，底层大模型(多模态交互能力)直接调用即可，没必要自己研发。企业端要做的重点，是在用户业务场景整合自己的业务数据和行业经验，搭建适配自己的企业级RAG知识库。
6、第六点核心能力，其实就是行业的Know-How经验和精准的数据。大模型、提示词、知识库、工作流、多模态交互能力，甚至最近很火的MCP等等，都是为Know How服务。
什么业务场景适合AI来执行，需要哪些业务知识，涉及哪些关键节点和决策，都是落地智能体落地需要考虑的。
当前大模型在真正的用户业务场景面前，就是一个会经常犯错的实习生，与其花费大量时间投入大量资源去做预训练，还不如找个业务专家给出业务链路，让大模型跟着学就行。
行业的Know-How经验，可以理解为真正懂业务的专家角色。只有基于这个角色的经验和认知，才能设计出真正的企业内能够落地的智能体，且业务应用场景一定要极度收敛，找到具体的应用场景。
在信息幻觉未被彻底解决之前，技术实践一定要有确定性。在场景选择方面，尽可能贴近标准化或者更易于标准化的场景。
想要让智能体真正产生业务价值，需要从业务模块、流程规则、需求细节一步一步去教大模型，帮大模型去学习并掌握真正的专业知识和技能。
浙公网安备 33010602011771号