企业级Agent为何难以稳定落地？模型参数的不断升级并未解决根本问题，真正瓶颈在于企业的知识管理能力。本文深度剖析Agent在实际应用中的三大阶段演进，揭示隐性知识显性化的关键路径，以及如何将组织记忆转化为AI可执行的智能资产。

前阵子跟几个同行聊天，大家聊来聊去都绕不开一个话题——为什么明明现在模型都这么强了，各家Agent框架也层出不穷，但真正能跑到生产环境、稳定干活的企业级Agent，少得可怜？

我见过不少公司，活儿干得挺热闹，Demo搞得也挺炫，一上线就原形毕露。那个Agent吧，你说它笨吧，它有时候回答得还挺像那么回事；你说它聪明吧，换个问法它就懵了，或者干脆给你来一段胡编乱造的东西。

这让我想起一个有意思的现象：大家都在追模型的参数竞赛——千亿参数，万亿参数，好像参数越大就越厉害。但真正把Agent用起来的人都知道，模型参数只是“能不能做”的问题，而“能不能稳定做好”，完全是另一回事。

有个说法我特别认同：大模型决定Agent的能力上限，知识上下文决定Agent的能力下限。

什么意思呢？就是说，你的模型再强，它也就是个天赋异禀的小白，脑子里全是通用知识，但对你们公司的业务逻辑、流程规范、那些不成文的“潜规则”，它是一无所知。

就像你招了个名校毕业的高材生，聪明是聪明，但第一天上班，你指望他直接上手处理业务？不给他看文档、不给他介绍业务流程、不告诉他谁是谁，他再聪明也得抓瞎。

Agent也是一样的道理。

我查了些数据，麦肯锡调研过，真正觉得自己已经进入了AI成熟部署阶段的企业，只有1%。你没看错，就1%。剩下99%都在干嘛？在摸索，在试错，在反复折腾那些听起来高大上、实际上“一碰就碎”的Agent项目。

今天就想聊聊这事儿——为什么我说，企业Agent的上限，不在模型参数里，而在公司的知识管理能力里。

01 当模型不再是瓶颈——为什么知识管理成了Agent的隐形天花板

我入行这几年，看着模型从GPT-3一路卷到现在，说实话，模型能力的提升是肉眼可见的快。但有意思的是，跟我聊天的一些技术负责人，反而不像前几年那么兴奋了。

“模型越来越强，可我们落地越来越难了。”

有人这么跟我说的时候，我还不太理解。按理说，更强的模型应该意味着更少的麻烦才对啊？后来聊深了才发现，问题的根源恰恰在于——模型强了，大家对Agent的期望也高了。

前两年大家搞Agent，无非就是写个Prompt，能回答几个简单问题就知足了。但现在呢？大家都想让Agent真正干活——自动审批流程、自动回复客户、自动处理工单。这一下，知识管理的短板就暴露出来了。

1.1 Agent的三阶段进化：Prompt → Context → Harness

我梳理了一下，Agent的进化大概经历了三个阶段：

第一阶段：Prompt阶段。就是最简单的玩法，写一段提示词，扔给模型，让模型根据提示词回答问题。这个阶段基本上不需要什么知识管理，因为你问的问题范围很窄，把知识写进Prompt里就行。但缺点是，Prompt长度有限，稍微复杂一点的问题就答不上来。

第二阶段：Context阶段。大家发现光靠Prompt不行，得给模型提供上下文。于是RAG（检索增强生成）开始火起来——先把公司文档存起来，用户问问题时，从文档里找到相关内容，跟问题一起给到模型。这个阶段对知识管理开始有要求了——你得有文档，文档得有质量，文档还得能搜到。但问题是，很多企业的文档本身就乱七八糟的，搜出来的东西质量堪忧。

第三阶段：Harness阶段。就是现在的状态。Agent不再是单纯回答问题的聊天机器人了，它要调用工具、执行流程、处理多轮任务。这个阶段的知识管理需求直接上了一个大台阶——你需要的不只是文档，还有业务流程、决策规则、评估标准，甚至包括“什么时候该调用什么工具”这种元知识。

而大多数企业的知识体系还停留在什么阶段呢？第一阶段的“文档归档”阶段。连第二阶段都没准备好，就想跳级干第三阶段的活，你说能不摔跟头吗？

1.2 大多数企业陷入的“知识幻觉”

我经常听到有人跟我说：“我们有知识库啊，我们把所有文档都整理好了。”

然后我问：“你那个知识库，Agent能用吗？”

一般这时候对方就沉默了。

什么叫“Agent能用”？不是说把文档存起来就行。你得保证：

• 文档是结构化的，方便检索
• 内容是准确的，没有过时的信息
• 格式是兼容的，Agent能正确解析
• 权限是合理的，不同角色看到不同内容

很多公司所谓“有知识库”，其实就是把一堆Word、PPT、PDF扔到百度网盘或者某个网盘里。别说Agent了，人找东西都费劲。

更别说那些散落在邮件、聊天记录、飞书文档里的知识了。还有最要命的——专家脑子里的隐性知识。这些东西根本就没被记录下来。

我之前在一家公司，想让Agent处理某种特定的客户投诉。找业务团队要标准流程，他们给我发了个文档，我一看，写了三页纸，全是“原则上……”“一般建议……”“视情况而定……”。这种模糊的表达，你让Agent怎么执行？

后来我跟一个老销售聊，他直接跟我说：“你看那个文档没用，我跟你说实际操作是怎么搞的……”他说了十五分钟，我记了满满三页。这十五分钟里提到的具体做法、注意事项、话术技巧，那个三页纸的文档里一句都没提。

这不就是典型的“知识在脑子不在纸上”吗？

1.3 真正的“知识管理”是什么

所以我说，真正的知识管理，不是把文档归档，而是把“组织如何工作”这件事持续沉淀下来。

未来的知识库不应该是一个文件仓库，而是一个面向Agent的组织记忆系统。这个系统要解决三个问题：

知道什么——公司的业务知识、产品信息、流程规范

怎么做事——处理问题的具体步骤、决策规则、经验教训

谁来决策——什么情况下要人工介入，什么情况下Agent可以自主处理

只有这三层都沉淀好了，Agent才能真正“懂”你们公司。

02 记忆 ≠ 知识——从“短期工作记忆”到“组织长期资产”的跃迁

这个标题我琢磨了好久，觉得一定要单独拿出来说一说。

你有没有发现，很多Agent有个毛病——记不住事儿。

你跟它说“帮我查一下张三的合同”，它查了，给你了。然后你说“帮我审一下这个合同”，它就忘了刚才查了什么，又要你再说一遍。

这就是典型的“金鱼脑”Agent：每次任务都从零开始，不记得上次说过什么，不记得你之前交代过什么。

但问题是，即使是这样的“记忆”，也还只是短期记忆。而企业需要的，是组织知识。

2.1 三层记忆模型：L0即时记忆 → L1个人经验 → L2企业知识

有个有意思的框架，把Agent的记忆分成了三层：

L0：Session Memory（会话记忆）就是单次任务上下文，你问一句，它答一句，用完就丢。就像你跟陌生人说话，聊完就算了，不往心里去。

L1：Episodic Memory（个人经验）Agent跨会话积累的经验。比如同一个用户之前问过什么、处理过什么问题，Agent会记住这些，下次再遇到类似的问题，能更快、更好地处理。这就有点像你跟熟人打交道——知道他的习惯，知道他喜欢什么样的回答方式。

L2：Knowledge Memory（企业知识）组织级的知识。不是某一个人的经验，而是整个团队沉淀下来的、经过验证的、可以被重复使用的知识。这个就有点像公司的SOP、最佳实践、知识库——你们公司是怎么做事的，把这些抽象成可复用的规则。

大多数企业目前的Agent是个什么状态呢？基本上是L0级别，连L1都没做到。稍微好一点的，能做到L1，但卡在L2这一步——个人经验没办法变成团队知识。

2.2 为什么大多数企业卡在“L0→L1”这一步

这里我想说说我在实际工作中观察到的现象。

其实要做到L1——让Agent记住用户的个人经验和偏好——技术上并不难。难的是什么呢？难在“记忆的自动化捕获”。

什么意思？就是你不能让用户手动告诉Agent“记住这个记住那个”，你得让Agent自己学会判断：哪些信息值得记，哪些信息用完就可以丢。

这就触及到一个核心问题：什么是值得记忆的？

我见过一些公司，搞了个“记忆功能”，结果Agent什么都记——用户说的每句话、每次对话的每个细节，全都存起来。最后啥结果呢？Agent的回答越来越慢，每次都要从海量的记忆里检索，而且还经常检索错，给出一堆不相关的东西。

这就是典型的“有记忆不等于有知识”。

能自动捕获的记忆只是第一步，能正确筛选的记忆才是关键。

2.3 从“个人记忆”到“组织知识”的关键机制

那怎么从L1走到L2呢？我觉得有几个机制特别重要：

第一：筛选机制。不是所有记忆都能成为知识。人的大脑也是这样——你今天中午吃了什么，过两天就忘了，因为这不值得记。但如果你今天在客户那里听到了一个重要的需求，你会记下来，因为有价值。Agent也一样，需要有判断标准：哪些是必须保留的知识，哪些是临时信息，过时效就可以丢掉。

第二：验证机制。一个人的经验可能不准确，或者只适用于特定场景。要把个人经验变成团队知识，得经过验证——别人用过没？效果怎么样？有没有更好的做法？这个过程，其实是把“经验”升级为“最佳实践”的过程。

第三：结构化机制。零散的经验是没办法被系统化复用的。你得把它变成结构化的知识——什么样的输入，对应什么样的处理流程，输出什么样的结果。有点像在产品设计里做用户故事：用户在哪，做了什么，遇到了什么，怎么解决，结果如何。

第四：授权机制。不是所有人都能看到所有知识。公司的商业机密、客户的隐私信息，需要有细粒度的权限管理。而且，不同角色对同一件事情的关注点完全不同——法务关注风险，销售关注成单，产品关注需求。你不能让所有人都看到同样的东西。

我特别认同一个说法：能复用、能授权、能追溯、能持续进化的记忆，才是企业知识。

如果你只是让Agent记了一堆东西，但没有能力区分哪些该给别人用、哪些该保密、哪些已经过时了需要更新——那这就不是知识资产，而是数据垃圾。

03 隐性知识显性化——Skill是知识管理能力的“终局形态”

好了，铺垫了那么多，现在说说我认为最重要、也是最难的一环——隐性知识的显性化。

我在前一家公司的时候，有个老同事，干了十五年客服，他处理投诉那叫一个牛——不管多刁钻的客户，到他手里，三分钟之内情绪就稳定了，问题也解决了。我特别想把他这套“技能”产品化，交给Agent去学。

结果呢？

我找他聊天，让他说说他处理投诉的心法。他想了半天，说：“也没啥心法啊，就是……看人下菜碟。”

我问：“什么情况下‘看’什么‘菜’？”

他说：“这我哪说得清楚，就是凭感觉啊。”

这就是典型的隐性知识——知道怎么做，但说不清楚是怎么知道的。

3.1 三类企业知识的处理方式

我在实践中把企业知识分成了三类，处理方式完全不同：

第一类：原本就没有沉淀的知识。很多业务环节，根本就没有标准流程。比如某个新的政策出台，怎么解读、怎么执行，大家心里都没底。这种知识怎么来？靠Agent自动去采集、整理、归纳。政策文件出来了，Agent自动提取关键信息，生成FAQ，推送到相关人员那里。这其实是知识管理里最基础的一步——从无到有。

第二类：有知识但没有体系。很多公司其实积累了不少知识，但分散在各个系统里——销售在CRM里写的备注，客服在工单里的处理记录，产品在PRD里的需求描述……都是碎片化的。这种知识怎么处理？靠Agent去做整理、编译、去重、索引。把碎片拼成一整张图。

第三类：也是最难的——专家脑中的隐性知识。就像我那个老同事，他知道怎么做，但他说不清楚。这种知识怎么显性化？只能靠共创和蒸馏。什么意思呢？就是专家和产品经理、知识工程师一起，通过反复的交流和提炼，把那些“凭感觉”的东西，变成“可描述、可执行、可评估”的规则。

3.2 隐性知识产品化的三个输出物

那我后来怎么处理老同事这事儿呢？我换了个方式，不问他“心法”了，而是问他具体场景：

“如果客户一上来就骂人，你怎么处理？”“先让他骂，别打断。等他骂完了，说‘理解您的心情’，然后……”“如果客户说自己被骗了，你怎么办？”“先确认他说的‘被骗’是什么情况。如果是价格问题……”

这么一问，我发现他的经验其实是可以拆解的。我跟他一起梳理了大概十几个典型的投诉场景，每个场景都拆出了三个输出物：

规则：在什么情况下做什么决策。比如“如果客户情绪激动，优先安抚情绪，再解决问题”。

Skill（执行流程）：具体怎么做。把步骤写清楚，先干什么，再干什么。

评估样例：怎么判断做得对不对。一个好的处理结果长什么样？一个不合格的处理结果长什么样？

你看，把这三样东西输出之后，隐性知识就变成了Agent可执行的指令。

3.3 Skill的本质：从“知道什么”到“怎么做事”

我现在越来越觉得，Skill不是功能插件，而是企业隐性知识的可执行形态。

什么意思呢？过去我们说“知识管理”，管理的是“知道什么”——产品信息、业务规则、流程文档。但真正决定问题能不能解决的，是“怎么做事”——遇到A情况怎么处理，遇到B情况怎么调整。

我打个比方。你给一个新人培训，给他发了一本厚厚的规章制度手册——这叫“知道什么”。但真要他在前线干活了，他遇到一个复杂的客户投诉，手册上根本找不到对应的条款。这时候老员工过来了，说：“你看，这种情况，你要先这样，再那样，最后这样……”——这叫“怎么做事”。

Agent也是一样的。光有规章制度手册不够，你得给它输入处理复杂问题的“技能”。

所以我说，未来真正稀缺的，不是会写代码的人，而是能把业务经验拆解成规则、流程和评估标准的人。

你想想，一个干了十年的老销售要退休了，他脑子里那些谈生意的话术、判断客户意向的技巧、跟竞争对手周旋的经验——这些比什么参数模型都值钱。如果能把它们拆解成一套“Skill”，让Agent学会了，那这个Agent不就是那个老销售的“数字分身”吗？

04 知识架构 = 成本架构——Token治理的底层逻辑

聊一个特别现实的问题——钱。

我有个朋友，做AI产品运营的，他跟我说了个事儿。他们公司上线了一个AI文案Agent，专门帮店小二写商品描述。一开始觉得挺好的，效率提升很明显。结果到了月底一算账，傻眼了——这个Agent每天消耗3000万Token，一个月下来，光模型调用费就几十万。

“我们老板看了账单，直接问：这Agent是在帮我们省钱，还是在帮我们花钱？”

这事儿其实特别有代表性。很多企业搞Agent的时候，只想着“能不能用”，没想过“用得起用不起”。

但我想说的是，Token成本问题，本质上不是财务问题，而是知识架构问题。

4.1 “人为什么会背乘法口诀”的AI版本

我先问个问题：你为什么不用计算器算3×7？

答案很简单——你把它记住了。因为这是高频计算，每次重新算太浪费时间，背下来直接给结果更高效。

Agent也是一样的道理。高频任务、固定规则、常用答案，不应该每次都从零推理。

你想啊，如果公司员工每次遇到“加班费怎么算”这个问题，都要让Agent去读一遍《劳动法》，再结合公司制度算一遍——那每次都是在浪费Token。但如果这个答案已经被验证过了，直接缓存起来，下次直接调用——一次推理，永久受益。

这就是我说的：能复用的上下文不要反复消耗Token，能沉淀的答案不要每次重新生成。

4.2 三管齐下的成本治理方案

那具体怎么干呢？我总结了三个方向：

第一：记忆缓存。高频问题、标准答案，建立缓存机制。第一次回答了，缓存起来，下次同样的问题直接给答案，不再重新调用模型推理。这个跟浏览器的缓存技术很像——静态内容不请求服务器，直接读缓存，速度快还省资源。

第二：任务分级。不是所有任务都需要大模型。高价值的、复杂的任务，比如处理客户投诉、撰写法律文件，用最强大的模型；标准化的、简单的任务，比如查个价格、走个审批流程，用小模型甚至规则引擎就够了。这就好比你不会请米其林大厨给你炒个蛋炒饭。

第三：冷热分层。像存储系统一样，把数据分成热数据和冷数据。高频使用的、需要实时响应的数据放在高速存储里；低频使用的、历史归档数据放在低成本存储里。这样既能保证检索性能，又能控制存储成本。

4.3 一个反面案例：每天3000万Token的代价

说回我朋友那个公司。后来我去帮他们看了一下，发现问题的根源是——完全没有知识复用的意识。

那个AI文案Agent，每次写文案都是从零开始。不管这个商品之前有没有人写过类似描述，不管公司有没有积累标准的文案模板，Agent每次都重新“创作”。这就导致了一个结果：同样的商品，不同的店小二问，Agent给出了不同的答案；同一个人问同一个问题两次，Agent的回答也不一样。

这不就是钱在烧吗？

所以我给他们的建议是：先别管模型了，先把你们公司的文案知识库整理一下。把标准化的描述模板建立起来，把高频的营销话术沉淀下来，给Agent建个“参考记忆”。这样Agent写文案的时候，先查记忆库，找到模板和历史案例，再基于这些做调整和优化。

改完之后，Token消耗直接降了差不多70%。而且不仅省钱，回答的质量反而更稳定了——因为基于真实经验的模板，比模型临时编的更靠谱。

你看，成本治理和知识管理，其实是同一件事。

05 从PoC到生产的鸿沟——80%的企业摔在了“知识冷启动”

聊点更实际的落地问题。

我经常参加一些行业交流，大家聊自己的Agent项目，十个人有九个都说处在PoC（概念验证）阶段。问为什么不能上线生产，答案五花八门——但仔细一听，都能归结到一个问题：知识冷启动阶段就卡住了。

什么叫“知识冷启动”？就是你打算让Agent跑知识库了，你手里有一堆文档，你兴冲冲地把它们上传进去，想着Agent马上就能给你干活。

结果呢？

上传之后，Agent答非所问，或者干脆说找不到相关信息。你以为是模型不行，折腾了半天发现——问题是出在文档本身和解析方式上。

5.1 知识冷启动：占部署总时间的40%-60%

我见过太多团队，评估一个Agent能不能用，就拿着模型跑几个问题看看效果。效果好了，就开始规划上线。结果一上生产，发现根本跑不动——不是模型的问题，是知识库没搭好。

有个数据我印象很深：知识冷启动阶段（就是搭RAG的阶段），通常占总部署时间的40%-60%。你没看错，将近一半的时间，不是花在选模型、调参数上，而是花在让文档“Agent就绪”这件事上。

为什么？因为大多数企业的文档，根本就不是为Agent设计的。

5.2 四个常见的“知识管理惨案”

我来举几个我实际踩过的坑，你看看你们公司有没有：

惨案一：格式碎片化。公司的文档有的是Word写的，有的是PDF，有的是PPT，还有的是Excel。更崩溃的是，有些文档是多栏排版、嵌套表格的。Agent一解析，劈里啪啦全乱了。本来一段完整的话，被分成了好几块；本来一个表格里的数据，被拆得七零八落。

惨案二：切分灾难。RAG系统通常需要把文档切成小块（Chunk），然后检索时找到最相关的块。但怎么切？很多系统是按固定长度切的——每500个字符切一块。结果呢？一句话从中间被切断，上一个块告诉Agent“今天天气很好”，下一个块说“所以要出门打球”——Agent根本连不起来这两句话的关系。

惨案三：表格盲区。Excel表格里的结构化数据，上传到Agent之后，经常变成一堆乱七八糟的文本。本来是一行一行的销售数据，被解析成了一大段描述，完全失去了结构信息。Agent想查某个月的销量，根本找不到。

惨案四：规模限制。很多RAG系统对大文件有限制，超过15MB就报错。但你想想，一个公司的产品手册，可能几百页，随便一个PDF都超过15MB。传不上去，怎么用？

这些问题的本质，都指向同一个根源：文档的质量，决定了Agent的下限。

我越来越认同一个观点：文档解析质量对最终效果的影响，远大于模型选型或检索算法优化。你模型再好，数据不行，照样白扯。

5.3 从“有文档”到“Agent就绪”需要什么

那到底怎么做，才能让文档“Agent就绪”呢？我自己的经验，有四个关键点：

第一：文档解析能力要强。不能只支持一种格式，要支持PDF、Word、Excel、PPT、图片、扫描件……甚至包括那些扫描版PDF（就是把纸面文档扫描成图片的那种），也得能识别。而且，解析的时候要保留文档的结构信息——标题、段落、表格、列表，一个都不能丢。

第二：智能切分策略。不要固定长度切分，要按语义边界切分。一句话说不完的，不要拦腰截断；一个段落讲同一个主题的，不要拆成两块。理想的状态是：一个Chunk，就是一个完整的语义单元。

第三：混合检索。不能只靠向量搜索。有些问题，关键词匹配比语义搜索更有效——比如查产品型号、合同编号、专有名词。最好的方案是向量搜索 + 关键词匹配混合使用，取两者之长。

第四：持续监控与迭代。知识库不是一次性工程。你上传了文档，Agent初期用着还行，但过段时间，文档更新了、业务变化了、用户问的问题变了——知识库得持续维护。你不能指望上个线就万事大吉。

我见过一个团队，Agent上线的第一个月，准确率有85%。他们觉得挺满意，就没管了。三个月后，准确率掉到了60%——不是模型变差了，而是知识库里的信息已经过时了，新业务的知识根本没更新。用户问的问题，Agent还在用三个月前的知识回答，肯定错。

06 AI就绪力的四根支柱——组织知识管理能力的系统化建设

写到最后，想从更高一点的角度聊聊——这件事不只是技术问题，更是组织能力问题。

我一直在思考一个问题：为什么有些公司，看起来起步比别人晚，但Agent落地的速度反而比别人快？

观察下来，我发现这些公司有一个共同点：它们在做“AI就绪力”的系统化建设。

什么叫“AI就绪力”？简单说，就是你的组织准备好了让AI真正落地。我总结了一下，包括四根支柱：

6.1 思维底座：AI不是技术项目，而是组织重构

我发现很多管理层有个认知误区：觉得AI就是个“提效插件”，像装个Photoshop一样，装了就能用，用了就能提高效率。

但实际情况是什么呢？有个咨询公司做过调研，AI落地的成功要素里，70%是人、流程与文化，技术只占30%。这个比例我刚开始不信，后来自己经历了几个项目，发现确实如此。

你想啊，你上线了一个Agent，它要调用你们公司的系统，要对接你们公司的流程，要处理你们公司特有的业务逻辑。你们公司的流程本身是不是优化过的？你们公司的知识沉淀是不是够全？你们公司的人愿不愿意配合Agent干活？

这些，全都是组织层面的问题，跟模型参数一毛钱关系没有。

6.2 实操技能：从“会写提示词”到“会与AI协作”

另外一个让我挺感慨的数据：全球只有39%的职场AI使用者，从公司获得过AI培训。

这意味着什么？意味着大部分人用AI，都是靠自己摸索的。甚至很多公司上了Agent，也不给员工培训怎么正确使用——结果员工要么不会用，要么乱用。

有个研究挺有意思的，NBER发现，AI对低经验员工的帮助尤其明显，能提升大概35%左右。为什么呢？因为低经验员工不熟悉公司的“潜规则”，而AI系统把这些隐性经验转译成了他们也能调用的建议。

但反过来想，如果员工本身就不会跟AI协作，那这个优势就发挥不出来了。

核心能力其实就三项：拆解任务、提供上下文、判断输出质量。会这三样，就是优秀的“AI协作型员工”。

6.3 知识储备：AI不是替代知识，而是重新定价知识

这句话我特别想多说几遍：AI不是替代知识，而是重新定价知识。

什么意思？过去，知识的价值体现在“我有你没有”——老员工有经验，新员工没有。但现在，AI可以快速学习和复制这些经验。这时候，知识的“稀缺性”被打破了——任何能被Agent学会的知识，都不再是个人资产，而变成了组织资产。

那真正有竞争力的企业是什么样的？不是拥有最多高手的公司，而是最先把高手经验产品化、流程化、知识化，然后交给AI放大的公司。

我听说有一个零售巨头，做了一个内部Agent，从想法到上线只用了60天。为什么这么快？不是因为他们技术厉害，而是因为他们多年积累了大量的流程知识、运营规则、品牌规范——这些东西早就准备好了，只是以前是人用，现在是Agent用。

6.4 伦理意识：跑得快不是本事，跑得快还能不失控才是

最后想聊一个容易被忽视的点——伦理和治理。

有个数据我挺震惊的：78%的AI使用者在公司正式规则之外自带工具。什么意思？就是公司没规定能不能用，员工自己用自己的设备、自己的账号，调用自己的AI工具去处理公司业务。这里面潜藏的风险有多大——数据边界、客户隐私、信息安全，全都可能出问题。

所以，如果你要让Agent大规模参与公司业务，必须从第一天就考虑治理问题。不是等到出问题了再去补救，而是从一开始就设计好权限、审计、合规机制。

有个银行做得不错，他们的AI/ML项目创造了巨大的经济价值，但同时，他们的治理和创新是捆绑推进的——上了新功能的同时，也上了相应的管控措施。

我觉得这才是一个健康的姿态。伦理不是法务事项，是经营事项。

07 模型会变，框架会变，知识才是复利资产

写了不少了，最后想说的是：在未来三到五年的Agent浪潮中，技术会不断迭代，但企业知识管理能力才是真正的长期资产。

我见过不少公司，追模型追到心累——今天GPT-5发布了，赶紧换；明天Claude 4出了，又换一波。换来换去，发现Agent的效果还是那个样子。

为什么？因为模型只是“会答”，而Agent要“会干”。要“会干”，肚子里得有货——得有你们公司的业务知识、流程经验、决策逻辑。这些东西，不会因为模型更新就自动变好，也不会因为你换个框架就自动长出。

模型会变，框架会变，Agent形态会变；企业知识、流程经验和组织记忆，才是长期资产。

所以，如果你问我，做AI应该从哪里开始？我的建议是：别追模型参数了，先把你公司的知识管好。把那些散落在文档里、邮件里、专家脑子里的知识，一点点提炼出来、结构化、产品化，然后让Agent去学、去用、去沉淀。

这是一件慢活儿、脏活儿、累活。但一旦做好了，你会发现——这比换个千亿参数模型有用得多。

最后的最后，送大家一句话吧：

Agent是会变的，知识才是复利资产。

共勉。