企业 AI 智能体：是什么，以及如何在公司落地

企业 AI 智能体是基于大语言模型的程序，它不只是回答问题，而是真正执行工作步骤：阅读文档和往来邮件，按语义查找信息，起草文本，并在您的系统中触发操作。它在公司设定的访问边界内工作，每一步操作都会记录在日志中。落地要分步进行：先接入数据源，再划定边界，用真实案例检验，最后逐步扩展。

什么是 AI 智能体，它和聊天机器人有什么不同

普通的聊天机器人负责对话：收到一个问题，返回一段文字。即使底层用的是很强的大语言模型，它的产出也只是屏幕上的一个回答。拿到回答之后怎么做，仍然由人来决定。

AI 智能体的工作方式不同。它接到任务后，会自己把任务拆成若干步骤，并借助被授权使用的工具逐一完成：打开文档，在知识库里找到对应的制度，核对数据，起草邮件，在 CRM 里创建任务。简单地说，智能体是在执行工作步骤，而不只是陪您聊天。

两者之间的界线并不总是很清晰：带按钮和脚本的机器人也能完成一些动作。区别在于，智能体会根据任务的含义和您的数据，自己判断下一步该做什么。如果工作主要是按明确流程收集申请、发送通知，通常一个机器人就够了，详见《企业 Telegram 机器人》。

智能体能承担哪些工作

最适合交给智能体的，是围绕文本和数据的重复性工作：员工把时间花在查找、阅读和搬运信息上，而不是做决策。常见的方向有：

• 处理文档和往来邮件：合同、账单、客户来信、客服工单。智能体提炼要点、期限、金额和有争议的地方。
• 基于公司知识库回答问题：规章制度、操作说明、产品介绍。员工用自己的话提问，智能体给出答案并标明出处。
• 起草文稿：给客户的回复、给合作伙伴的信、内部报告，或根据描述生成合同草案。草稿由人审核后再发出。
• 语义搜索：找到相似的工单、上百份文档中的某一条款、过去对同类问题的处理结果，即使提问用词完全不同也能找到。
• 触发流程步骤：在 CRM 中建卡片、分派任务、通知负责人、把数据填入表格。

在实际中，智能体最常见的角色是企业专属的 AI 助手。它不是取代某个部门，而是把决策周围的琐碎工作从员工手里接过来：法务少读一些材料，经理少找一些资料，管理者更快拿到汇总。

什么时候需要智能体，什么时候机器人或自动化就够了

把 AI 引入企业，并不一定意味着要做智能体。有时候有更简单、更可靠的方案，最好在开工之前就想清楚。

• 如果只是按明确规则把数据从一个系统转到另一个系统，需要的是普通的自动化：数据交换、队列、校验。这里用不上大语言模型。
• 如果客户按固定流程提交申请、接收状态通知，一个带按钮的机器人就能胜任。
• 如果工作需要阅读非结构化文本、理解含义并选择下一步，这才是智能体的用武之地。
• 如果您需要的是一个带独立界面的大型产品，智能体可以作为其中的一部分，而不是单独的系统。

现成服务和定制开发之间如何取舍，我们在《定制开发还是现成方案》中单独做了分析。简单来说，通用助手适合通用任务；当智能体必须使用您的数据、对接您的系统、遵守您的权限规则时，AI 智能体定制开发才更有意义。

智能体由哪些部分组成

任何智能体内部都有几个组成部分。了解它们，有助于您和开发团队用同一种语言沟通：

• 数据源：文档、邮件、知识库、CRM、表格。回答质量受数据质量的影响，往往比受模型选择的影响更大。
• 大语言模型：负责理解任务并组织结果。
• 语义搜索：在您的数据中找到相关片段，并与问题一起交给模型的机制。
• 工具：允许智能体执行的操作，例如读取文件、创建记录、发送通知。
• 规则与边界：智能体能看到什么、能修改什么、在什么情况下必须征求人的意见。
• 日志：记录每一次请求、找到的数据来源以及执行的操作。

最后两项常常被低估，但正是它们让智能体真正能够在公司内部投入使用。

访问边界与操作日志

一个什么都能访问的智能体，即使模型再好也存在风险。所以边界要在上线之前设定，而不是等到第一次出错之后。

边界包括什么

• 智能体可以读取哪些数据源：例如只读取本部门的制度和合同，不能读取人事档案。
• 哪些操作可以自己完成，哪些只能提出建议、等待人工确认。
• 哪些员工、以什么角色可以给智能体分派任务。
• 哪些数据绝不能离开您的系统环境。

为什么需要日志

日志回答的是“智能体做了什么、为什么这样做”。从日志里可以看到谁下达了任务、智能体打开了哪些文档、给出了什么回答、执行了什么操作。这对排查错误、检查质量都必不可少，也让管理者心里有数：智能体的工作全程可见，而不是靠别人转述。在我们的实践中，访问边界由客户设定，智能体的每一步操作都会出现在日志中，这一点在软件开发页面上也有说明。

分步落地

最稳妥的做法不是一开始就覆盖整个流程，而是从一个可以验证的窄场景入手。顺序如下：

1. 选定任务。只选一个具体任务，例如审阅收到的合同，或回答员工关于内部制度的问题，并明确什么样的结果算成功。
2. 接入数据源。收集这个任务所需的文档和数据，清理过时内容：智能体会以您提供的材料为依据。
3. 设定边界。确定智能体读取什么、哪些事自己做、哪些事只向人提出建议。
4. 用真实案例检验。从日常工作中取几十个真实案例，把智能体的回答与员工的做法进行对比。数据中的空白和规则表述上的问题，往往就在这一步暴露出来。
5. 小范围试运行。几位员工每天和智能体一起工作，日志会显示它在哪里出错。
6. 逐步扩展。只有当第一个场景稳定运行后，才增加新的数据源、操作和场景。

根据我们的经验，基于您自有数据的 AI 智能体，第一个可用版本通常在几周内完成：接入数据源，设定访问边界，用您的真实案例检验回答，然后再扩展。其他类型项目的周期可参阅《应用开发需要多长时间》；“先做窄场景”的思路在《最小可行产品 MVP：从哪里开始》中有详细说明。

案例：JEEKSSHIRE 24 Legal 中的 AI 法务助手

我们不只为客户开发 AI 智能体。JEEKSSHIRE 24 Legal 是我们自己的产品：一款带人工智能的文档编辑器，可以根据描述起草合同，也可以审阅您已有的合同。

• AI 法务助手审阅合同，找出有风险的条款和措辞，例如没有上限的违约金。
• 它回答关于文档的问题，并直接打开相应章节，让人看到原文条款，而不是转述。
• 支持 PDF 和 DOCX，可以从图片和截图中识别文字，并支持签名和导出。
• 文字识别直接在浏览器中进行，文档不必离开您的电脑。
• 既有网页版，也有 Mac 和 Windows 桌面版。

Legal 的核心原则是：AI 与文档协同工作，而不是取代文档。智能体指出风险、带您找到对应位置，决定权仍然在人手里。在这里，隐私是一项工程要求，而不是政策里的一句话。我们为企业开发的智能体，也遵循同样的思路。

风险以及如何降低风险

AI 智能体有一些局限，最好事先了解。这些风险无法完全消除，但可以通过系统设计明显降低。

关于隐私再多说一句。敏感文档最好在非必要时不离开您的系统环境，例如在 Legal 中，文字识别就在浏览器里完成。哪些数据可以传到哪里，要在设定边界时就确定，而不是上线之后再考虑。

与开发方沟通前如何准备

不需要事先写好完整的需求文档。只要先回答自己几个问题：

• 目前哪项工作最耗时，并且涉及阅读、查找或搬运信息？
• 数据存放在哪里：哪些系统、哪些文件夹、哪些邮箱？
• 哪些事智能体可以自己做，哪些只能提建议？
• 上线头几周由谁来检查回答？
• 您如何判断智能体带来了价值？

如果想整理得更完整，可以参考《如何准备软件开发需求文档》。也可以直接在申请表里用自己的话描述任务：我们会一起判断您需要的是智能体、机器人还是简单的自动化，并给出分步计划。

自建智能体还是使用现成平台

现成的 AI 助手和智能体搭建平台上线很快：上传文档、设置提示词，智能体就能开始回答。对于基于公开知识库答疑这类常规任务，这可能就够了。当数据、操作和管控变得重要时，才需要开发自己的 AI 智能体。

常见的路径是：先用现成工具，弄清员工和客户都在问什么问题；等到在数据或操作上遇到瓶颈，再转向自建智能体。这类工作如何开展，请看 AI 智能体开发 页面。

如何衡量智能体带来的价值

衡量智能体的价值，和衡量任何流程一样：在相同的任务上对比“之前”和“之后”。因此，测量要在试点之前就开始。没有基线，任何“变好了”都只是感觉。

1. 选定一个流程：答复客户、整理收到的文档、起草初稿。
2. 记录基线：完成任务要花多少时间，处理多少请求，哪里最容易出错。
3. 定义什么算是智能体的好回答，并收集一组真实案例用于检验。
4. 试点期间统计：多少回答无需修改就被采纳，多少被修正，多少转交给人工处理。
5. 将结果与基线对比，再决定是扩大智能体的使用、调整其边界，还是停止。

有时数据会表明，这项任务需要的不是智能体，而是基于规则的普通自动化：它维护成本更低，结果也更可预测。这类情况适合 业务流程自动化。