企业级 AI 的讨论重心，正在从"模型有多强"转向"落地有多实"。当通用大模型的对话能力趋于稳定，真正拉开差距的地方转移到了工程侧：能不能接上企业的系统、数据、权限与流程，让智能体稳定地完成一件具体的、有结果的、可追溯的事。
数商云在服务集团型企业开展 B2B 交易与供应链数字化的过程中，被问到最多的一个问题是：平台上的流程已经在线了，能不能让 AI 接手其中的重复劳动？本文以数商云服务的一家建材行业头部集团为样本，还原其 AI 智能体从需求诊断、场景筛选、技术搭建到上线运营的完整过程。
一、客户业务背景：平台跑通之后，新的效率瓶颈浮出水面
（一）多产品线、多渠道带来的业务复杂度
该集团业务横跨多个产品线，上游对接数量庞大的原材料与成品供应商，下游覆盖区域经销商、工程客户与直营渠道。产品规格型号繁杂，同一品类下存在大量可替代关系；价格政策随区域、客户等级与项目类型而不同；订单里既有标准品的快速交付，也有按工程项目定制的非标品；履约环节牵涉多仓发货、区域保护、账期与对账。
这种复杂度带来的直接后果是：信息本身不稀缺，稀缺的是把信息拼成一个可执行结论的能力。一个看似简单的客户提问，背后往往要串联库存、物流、价格政策与合同条款多个数据源。
（二）平台沉淀了数据，却没有解决"取答案"的问题
数商云此前为该集团建设的 B2B 交易与供应链协同平台，覆盖了商品与价格管理、订单与履约、库存协同、结算对账、供应商管理等环节，业务第一次拥有了统一的线上入口和相对统一的数据口径。
但流程在线并不等于决策自动。典型场景是：经销商想知道某个工程订单什么时候能送到现场，客服要先查库存、再问物流、再核对价格政策，最后回到群里回复；一次非标询价，可能要在采购、销售、产品、技术几个角色之间转上好几手。人被卡在了系统与系统之间、数据与答案之间，而这些卡点恰恰是重复度最高、最消耗组织精力的部分。
（三）决策层的期待：不追概念，只认可验证的改善
集团管理层对 AI 的期待相当具体：不要做一个用于对外展示的问答窗口，而是在不增加人力编制的前提下，把重复性的沟通、查询、核对与初筛交给机器，同时提出三条硬性要求——答案有出处、动作有记录、出错能兜底。这三条要求，直接决定了后续技术方案的基本形态。
二、诉求拆解：要的不是聊天机器人，而是"能办事"的智能体
（一）场景筛选的准绳
数商云与客户共同梳理了业务链路中的候选场景，再用几条准绳做取舍，避免"什么都能做、什么都做不深"：
- 高频且单次耗时明显。低频场景即便做出来，也摊不平建设与维护成本，价值感知弱。
- 有相对明确的判定标准。答案对不对能验证，才能建立评测与迭代机制。
- 知识与数据可得。所需资料要么已有沉淀，要么能在可控周期内完成结构化整理。
- 出错可兜底、风险可控。业务后果可控的场景先行，高风险动作留出人工确认环节。
（二）首批落地的智能体角色设定
基于上述准绳，项目确定了首批上线的智能体角色，它们共享同一套知识底座与工具接口，但面向不同岗位、承担不同任务：
- 渠道服务智能体：面向经销商与客服人员，承接商品参数、库存可用性、订单状态、物流进度、售后政策等高频咨询，必要时直接创建工单或转人工处理。
- 询报价辅助智能体：面向销售与商务，依据客户属性、区域政策、历史成交与成本信息，给出报价参考区间与合规提示，把"人找人"的报价流程压缩为对话加确认。
- 经营数据问答智能体：面向管理层与业务负责人，用自然语言查询订单、库存、回款、供应商履约等指标，答案附带口径说明与下钻入口。
- 采购协同智能体：面向采购人员，跟踪供应商交付与质量表现，自动汇总异常、推送待办并提示处置建议。
（三）先划边界：哪些事明确交给人工
项目早期就划定了一份"负面清单"：涉及最终定价签署、合同法律条款确认、质量责任判定等高风险动作，智能体只提供依据与建议，不得直接执行；所有对外输出必须可溯源；涉及越权数据的问题按规则拒答，而不是尝试猜测。边界先立，后续才敢放开。
三、搭建路径：分层工程化的智能体建设方法
（一）模型层：多模型接入与路由
企业级场景很少只依赖一个模型。数商云在方案中建立了模型接入层，按任务类型做路由：需要复杂推理与多步规划的任务交给能力更强的通用大模型；结构化信息抽取、意图分类、文本摘要等任务交给成本更低的模型；涉及集团内部敏感数据的推理，则在私有化环境中完成。
模型可替换，是这套架构的基本要求。业务逻辑、知识与工具都沉淀在模型之外，模型只承担理解与生成，这样无论模型如何演进，企业的投入都不会被单一供应商绑定。
（二）知识与检索层：让企业知识变成可检索、可授权的资产
智能体是否"懂业务"，取决于知识工程，而非模型本身。项目组对集团的文档资产做了系统梳理：商品与技术资料、价格与政策文件、合同模板、售后与质量处理规范、历史工单与询报价记录。
这些资料要经过格式解析、章节切分、语义向量化与元数据标注（适用产品线、适用区域、生效状态、密级），并与组织架构和权限体系绑定——同一个问题，不同角色检索到的内容范围本就不同。检索环节采用关键词与向量混合召回，生成环节要求模型基于召回内容作答并标注引用来源，从机制上压缩凭空作答的空间。
（三）工具层：把系统能力变成智能体的"手脚"
会说话不等于能办事。数商云把平台上已有的业务能力封装为一组标准化的可调用接口：订单与物流查询、库存可用量与在途、价格政策匹配、对账明细、供应商履约记录、工单创建与流转等。每个工具都带明确的参数定义、权限校验与返回结构。
智能体在对话中判断需要事实数据时，调用相应工具获取实时结果，再组织语言回答用户。这一步是"聊天机器人"与"业务智能体"的分水岭：前者只能复述已有的知识，后者能拿到此刻真实存在的业务状态。
（四）编排层：从意图到执行的任务闭环
对话只是入口，编排才是核心。系统的基本链路是：识别意图与用户身份，判断是否需要补充信息，拆解任务并选择合适的工具或知识源，执行后校验结果是否符合业务规则，最后生成回复或发起待办。
对于跨职能的复杂任务，采用多智能体协作的方式：一个主管型智能体负责拆解与调度，职能智能体分别处理报价、库存、合同、售后等子任务，由主管智能体汇总后给出统一答复，避免多个机器人各说各话、口径互相冲突。
（五）治理层：权限、审计与人工兜底
集团型企业对"可控"的要求高于对"聪明"的要求。方案中，权限沿用业务系统既有规则，做到数据级隔离；每一次工具调用、每一段知识引用都写入审计日志，可回溯到具体的人、时间与依据；高风险动作设置人工确认节点；输出内容做敏感信息过滤。
智能体不是替代流程，而是嵌入流程并接受流程的约束。这一点如果在上线前没有明确，后续的规模化推广会面临难以逾越的合规障碍。
四、与既有数字化底座的融合：智能体长在系统上，而非另起炉灶
（一）身份与权限的打通
智能体面对每个用户时，都必须先回答两个问题：你是谁，你能看什么。项目将智能体与集团统一身份认证、组织架构、岗位角色打通，用户无需二次登录，权限判断与平台侧保持一致。这样既避免了重复维护两套权限，也让智能体天然继承了平台已有的数据隔离逻辑。
（二）主数据与业务语义的统一
智能体要准确理解同一型号在不同产品线上的不同叫法，依赖统一的主数据与业务字典。数商云在既有平台主数据的基础上，补充了面向检索的语义层：同义词、别名、上下位关系、可替代关系，让自然语言提问能准确映射到系统内的标准对象，减少因表述差异导致的答非所问。
（三）事件驱动：从"人找智能体"到"智能体找人"
真正的效率提升，往往来自智能体主动开口。订单异常、库存低于安全水位、供应商交付延期、对账差异等事件发生后，智能体自动生成摘要与建议，推送给对应责任人；责任人可以直接在对话中确认、处理或转派。
被动应答解决的是查询成本，主动触达解决的才是协同成本。从"人找智能体"走向"智能体找人"，是价值被放大的关键一步。
五、上线节奏与运营机制：把一次交付变成持续进化
（一）灰度试点与评测基线
项目没有在全集团一次性铺开，而是选择业务量集中、流程相对标准的事业部先行试点，再按角色逐步放开。上线前建立评测集合，覆盖真实咨询、报价、取数等任务，逐条校验答案正确性、工具调用准确性与引用可溯源性；上线后持续回归测试，防止知识更新或提示词调整造成效果回退。
（二）bad case 归因闭环
出现错误时，项目组不做笼统的"再训一版模型"，而是先归因：是知识缺失、文档切分不当、工具能力不足、权限配置错误、意图识别偏差，还是提示词表述问题。不同原因对应不同修复手段，修复完成后纳入评测集，防止同类问题复发。这个机制决定了智能体是越用越准，还是越用越乱。
（三）组织与角色的配套调整
智能体上线改变了岗位的工作内容。客服人员从重复答问转向处理复杂个案与客户关系，销售从查资料转向客户经营，采购从催单转向供应商策略管理。集团相应调整了培训与考核方式，并设置智能体运营岗位，负责知识维护、效果监控与需求收集，让系统有人负责、有人迭代。
六、应用价值：变化发生在哪些具体环节
（一）渠道与客户服务
高频标准化问题的响应从"排队等人"变为即时获取，服务人员的精力集中到真正需要判断的复杂问题上；答复口径由系统统一给出，不同区域、不同客服之间的答案偏差明显收敛，客户体验的一致性显著改善。
（二）采购与询报价协同
询价的初筛、可比价整理与政策匹配由智能体先行完成，人工聚焦于例外情况与商务谈判。报价的一致性与合规性明显提升，跨部门来回确认的次数大幅下降，销售在客户现场的响应速度随之提高。
（三）经营数据的获取方式
业务负责人不再需要提需求、等报表，直接用自然语言提问就能拿到带口径说明的结果，并可按维度继续下钻。数据使用门槛降低后，管理会议上的讨论从"数字是多少"转向"为什么是这样、下一步怎么做"，决策节奏随之加快。
（四）组织知识的资产化
过去散落在文档、聊天记录与个体经验中的知识被结构化沉淀，答案附带引用来源，新人上手周期缩短，人员流动带来的经验流失风险下降。对集团而言，这部分收益不像客服效率那样直观，却决定了长期的组织能力厚度。
七、行业观察：企业级智能体的下一步
（一）从"会回答"到"能执行"
企业级智能体正在从知识问答走向任务执行，接入更多系统、承担更多动作。这要求底层的接口标准化、权限体系与流程引擎足够成熟。对多数企业而言，真正的瓶颈不在模型，而在业务系统有没有把能力开放出来。
（二）数据与流程治理决定智能体的上限
智能体的表现上限，由数据的完整度、口径统一程度与流程的标准化程度共同决定。没有治理好的数据，再强的模型也只能产出漂亮但不可信的回答，而这种不可信在企业场景中的代价远高于"不会答"。
（三）人机协同推动岗位重构
智能体接管重复劳动后，岗位价值向判断、协商、创造与责任承担集中，考核方式也随之改变。那些把智能体定位为"减人工具"的做法，往往在推广阶段遇到来自一线的隐性阻力；把它定位为"分工重构"的项目，落地阻力反而更小。
（四）可审计、可追溯成为基础设施
智能体参与的业务动作越多，权限隔离、日志留痕、结果可溯源、异常可回滚就越会被列为硬性要求。这些能力不会在演示中带来惊艳感，却决定了智能体能否从试点走进核心业务。
数商云在这类项目中的角色，不只是提供技术组件，而是把 AI 能力与既有的交易、供应链、数据体系连成一条可运行的链路。智能体的价值最终并不体现在对话有多流畅，而体现在业务链条上少了几次等待、几次转手和几次返工。对这家建材行业头部集团而言，这也正是它愿意把智能体交给核心业务场景去检验的原因。
评论