Agent 能读数据、调接口、改状态,把任务推进到结束。价值在这里,风险也在这里:一旦它能动手,错一步就不再是一句错话,而是一张下错的单、一条发错的短信。所以我们先划清它能做什么、不能做什么,再谈用什么模型。
先把不需要 Agent 的部分拿掉。能写成确定代码的步骤,就不该交给模型判断。

选场景
哪件事值得交给它
定形态
工作流还是自主执行
接工具
能查什么、能改什么
建评测
什么算做对了
灰度
从建议到自动
看护
上线后每天看什么
先分清形态
工作流、单 Agent、多 Agent、知识问答,这四类在市场上的报价可能差不多,实际的工作量和风险完全不同。先认清楚要做的是哪一种,才能讨论该不该做、值多少钱。
单据录入、工单分派、内容审核、日报汇总、合同要素提取
步骤是固定的,模型只负责每一步里的那点判断。这类最稳、最便宜,也最容易被包装成「Agent」卖给你。
业务链路
核心功能
最容易出问题:被当成 Agent 项目报价,其实用工作流就能做完;反过来,把本该由模型判断的步骤写死规则,异常一来就卡住没人管。
客户问题处理、内部数据查询、报销助手、运维排障
一个模型拿着一组工具,自己决定先查什么、再做什么。适合工具不多、路径不长的任务——工具一多,它就开始乱试。
业务链路
核心功能
最容易出问题:工具描述写得含糊,模型反复调错;没有循环上限,一个问题能把一个月的预算烧穿。
研报与尽调材料、跨部门流程、大规模代码改造、多源资料比对
把任务拆给几个各自带上下文的角色。它确实更强,但 token 消耗通常是单 Agent 的数倍,只在任务真的能并行时才划算。
业务链路
核心功能
最容易出问题:任务之间强依赖时,拆开反而更慢更差;子 Agent 互相转述,一个早期错误会被层层放大。
制度问答、产品手册、售后知识库、合同条款检索
回答基于检索到的文档,不改变任何业务状态。看上去最简单,实际上大部分工期花在文档治理上,而不是模型上。
业务链路
核心功能
最容易出问题:扫描件和跨页表格解析错,后面全错;切分把条件和例外拆散,答案只对一半;权限没在检索层过滤,答出了不该看的内容。
步骤固定、判断极少的需求,用普通代码加几次模型调用就能做完,成本是可预期的、行为是可复现的。把它包装成「自主 Agent」,既抬高了报价,也引入了本可以避免的不确定性。反过来的错更贵:明明需要模型做判断的环节被写成了死规则,异常一来就卡住,最后还得靠加人兜。
判断标准
下面五条是我们每次评估都要过一遍的。全部能过,才值得投入;卡在中间两条,通常还有更便宜的做法。
同一类事,每次给的材料写法一样吗?
满足时
邮件、图片、手写单、五花八门的表格,规则写不全,才轮得到模型来判断。如果输入字段是固定几个,走接口和校验就够了。
不满足时
输入格式统一却硬上模型,等于用最贵的方式做字段映射,还多了一层不确定性。
这件事做对了,你能一句话说清标准吗?
满足时
「回复得专业一点」不算标准,「必须包含三项信息、金额与合同一致、不能承诺超出条款的赔付」才算。标准说不清,就没法建评测集,也没法判断改动是变好还是变坏。
不满足时
靠感觉验收的项目,最后都会变成谁声音大听谁的,做完没人敢上线。
它做错一次,代价有多大?
满足时
草稿、建议、待审核的初稿,错了改一下就行。扣款、发货、关账、对外发送,错了要赔钱。后一类不是不能做,而是要先做审批与回滚,再谈自动化率。
不满足时
一步到位的全自动,第一次出错就会让业务方永久不信任这个系统。
这件事每天发生多少次,一次要多久?
满足时
先算清楚人工现在做这件事的成本,再决定投多少。低频、高价值的事(比如一份标书)值得做深度;高频、低价值的事优先做确定性的自动化。
不满足时
一个月做两次的事,做一套 Agent 的维护成本会一直高于它省下的工时。
它要判断的东西,系统里有吗?它要做的动作,有接口吗?
满足时
有只读视图就能做查询类;要改状态就得有写接口、幂等键和权限。只有 PDF 没有数据库的情况很常见,那就先把 PDF 变成结构化数据。
不满足时
系统不开放,却承诺能做全自动,最后只能停在演示环境。
演示与生产
行业里有一个反复出现的数字:概念验证项目能走到生产的比例很低,而真正规模化的更少。原因很少是模型不够强,而是下面这六件事在演示阶段根本不会暴露。
演示:用挑好的、干净的样本跑,字段齐全,格式统一。
生产:缺字段、重复记录、扫描件、口径不一致。同一张单在三个系统里三个样子。
演示:一个人一个全权限账号,谁都能查。
生产:按角色、按数据范围、按操作分级。Agent 用它自己的身份调接口,不能借人的权限。
演示:跑十次成一两次就能剪成视频,失败重跑一遍即可。
生产:失败每天都在发生,需要分类、重试、回滚、升级到人。没人处理的失败会积成事故。
演示:跑一次看一次账单,没什么感觉。
生产:成本随时长、轮次和上下文线性增长,必须有单任务预算上限和按业务的成本归因。
演示:人看着觉得「挺像那么回事」就算通过。
生产:要有覆盖典型、边界、异常的回归集,改一次提示词、换一次模型都跑一遍。
演示:谁做的谁演示,出了洋相再改。
生产:每笔写操作要能追到哪一步的判断、哪个版本、谁批的。审计问起来要拿得出。

上线链路
六个环节,每一步都有产出物。顺序不是随便排的——评测集要早于代码,灰度的档位要早于上线,回滚要提前演练过。
把候选场景按频率、单次耗时、错误代价、数据可得性排一遍。先算人工现在做这件事花多少小时,再判断值不值得为它建一套评测。多数时候,排在前面的不是最像 AI 的那个,而是最重复的那个。
先问一遍:这一步的判断能不能用规则写出来?能,就写代码。把模型压缩到真正需要理解语言的那几步。自主程度每提高一档,可解释性和成本都会下降一档。
查询、草稿、提交、审批、退款,是五种不同危险级别的动作。工具描述要写到模型看了就知道什么时候该用、什么时候不该用;每个写操作配幂等键、参数校验和超时重试。
从真实历史记录里抽一百到三百条,覆盖典型、边界和异常,逐条写明期望结果。确定性的部分用程序判,主观的部分用评分规则加人工校准。评测集不是一次性的,它是这个系统最重要的一份资产。
第一档只让它查、不给建议;第二档给建议、人来执行;第三档人确认后由它执行;最后一档才对高置信场景放开。每一档都要有回滚开关,并且真的演练过一次回滚。
成功率、人工接管率、每成功任务成本、p95 时延,四个数一起看。只看成功率会被「只答简单问题」的做法骗过去;只看成本会被「少查一步」的做法骗过去。

工程细节
下面这些不在任何演示里,但每一条都能单独决定项目的成败。
Agent 能做什么,由工具清单决定。这里的纪律比模型选型更重要。
大部分「模型不懂业务」,实际是检索没找对,或者找对了却没读进去。
不是所有步骤都值得用最贵的模型。路由、缓存与压缩能省下的钱,通常比换供应商更多。
出问题时,需要看到的是完整轨迹,而不是最后一句回答。
Agent 用自己的身份调工具,不借人的账号。边界不清,出事后追不到责任。
接管入口好不好用,直接决定业务方愿不愿意让它跑。界面粗糙的审批流,最后都会变成无脑点通过。
上线之后
只看成功率,会鼓励系统「只答简单问题」;只看成本,会鼓励它「少查一步」。指标必须成组看,并且定义要落到可核对的结果上。
分母是全部尝试,不是「成功的那几次」。定义要能落到可核对的结果上,比如单据状态、字段值、测试是否通过,而不是「看起来可以」。
接管多有两种原因:能力不足,或信任不足。分开看——前者要补能力,后者要改交互与透明度的设计。
总成本除以成功任务数,失败和重试都算进去。便宜的模型如果成功率低,折算下来反而更贵。
选错工具、参数错、该调没调,是三种不同的错误,要分开统计。它们的修法完全不同。
不是单次模型调用的耗时。用户在意的是从提问到拿到结果之间那段等待,多轮工具调用会把它拉得很长。
中间步骤失败后,能自己重试、换路径、或转人工并带上完整上下文的比例。这一类失败最容易被统计口径掩盖。
常见失败
下面六种情况,在行业里的复盘中出现的频率最高。每一条都对应一个可以提前做掉的防护动作。
现场表现:偶发漏步骤、跳过校验,每次失败的点都不一样,复现不了。演示时看不出来,量一上来就开始冒。
提前做掉:把流程拆成确定性步骤和判断步骤,只把后者交给模型,其余用代码锁死。
现场表现:内部测出九成准确率,接进真实工单掉到六成不到。团队开始怀疑模型,其实是样本的问题。
提前做掉:从真实历史记录里随机抽,强制包含失败样本和边界样本,写明每条为什么算失败。
现场表现:接口超时后自动重试,同一张工单被提交两次,两张单都进了生产队列。
提前做掉:幂等键由业务对象、动作、时间窗共同构成,重复请求直接返回第一次的结果。
现场表现:一个循环在某类输入上不收敛,跑了一夜,第二天账单比平时高出一个数量级。
提前做掉:每个任务设 token 和轮次上限,超限先降级到更小的模型,再不行转人工。
现场表现:删数据、发通知、改价格这类动作被模型自己决定,第一次出事就是对外事故。
提前做掉:不可逆动作默认关闭,需要人工确认;开放也要限定数据范围并留回滚路径。
现场表现:三个月后业务变了,提示词和知识库没人敢改,系统慢慢被绕开,最后只剩一个登录页。
提前做掉:交付时把评测集、修改流程和负责人一并交给你的团队,并一起做过一次改动演练。

合规与规则
Agent 会读数据、会动手,合规问题比纯对话产品更实在。下面几条在方案阶段就要定,不能等上线前补。
| 事项 | 规则 | 对你的影响 |
|---|---|---|
| 对外提供生成式 AI 服务 | 规则面向境内公众提供生成式 AI 服务,需按《生成式人工智能服务管理暂行办法》等规定履行安全评估、算法备案、内容标识等义务;企业内部自用与对外提供,适用要求不同。 | 对你的影响计划把 Agent 开放给外部客户使用时,这一步要在排期里留出时间,不能等产品做完再补。 |
| 个人信息与数据出境 | 规则把客户资料、合同、简历、聊天记录送进境外模型接口,属于数据出境场景,需按《个人信息保护法》与数据出境相关规定判断是否走评估或标准合同。 | 对你的影响决定了模型能不能直接用海外 API,也会影响是走公有云、私有化还是混合部署。 |
| 生成内容标识 | 规则AI 生成的文本、图片、音视频内容需按规定添加标识,不得删除、篡改已有标识。 | 对你的影响营销素材、客服回复、对外文档这类场景,标识会影响呈现方式和文案写法。 |
| 操作留痕与审计 | 规则涉及业务状态变更的操作,需保留操作日志、审批记录与执行轨迹,满足网络安全等级保护与行业审计要求。 | 对你的影响Agent 的每一步写操作都要能追到判断依据和授权人,这决定了日志与审批节点的设计。 |
| 模型供应商条款 | 规则各厂商对输入数据是否用于训练、日志保留多久、企业版与个人版差异,规定并不一致,且会随协议更新。 | 对你的影响选型时要把数据处理条款和合同一起看,不能只看接口价格和能力榜。 |
监管要求与厂商条款会变化,上面是我们在项目中反复核对的几条,具体以现行法规、行业主管部门要求与你的实际情况为准;涉及备案、数据出境与合同条款的判断,建议同时咨询你的法务与安全团队。
周期与范围会随实际情况变化,上面是常见区间而非承诺。范围、变更与付款节奏在合作方式页有逐条说明。
常见问题
前者只输出文字,后者会改变系统状态。Agent 能查订单、改工单、发通知、提交审批,所以难点不在对话,而在流程拆解、工具权限、幂等和失败兜底。如果一个需求只需要回答问题、不需要动手,那用 RAG 更便宜也更稳,不需要上 Agent。
开始沟通
填下面的表单,我们在一个工作日内回复。也可以直接邮件联系。
描述越具体,判断越准。下面几项信息对我们帮助最大:
如果判断下来这件事不该用 Agent 做,我们会直接说,并给出更省的做法。这个判断本身不收费。
把这件事现在怎么做、一天发生多少次、错一次会怎样讲一遍,我们能给出一个初步判断:该不该做、做成哪种形态、第一期做到哪一步。
也可以直接发邮件:hello@xinghai.dev