内容编辑丨特工彩虹糖

9 月 25 日的云栖大会上，瓴羊 CEO 朋新宇在台上提出一个观点：“企业级 Agent 的价值，取决于你有没有最适配的模型、有没有自己的好数据、有没有找对场景。”

这个判断背后，是瓴羊从 7 月到现在陆续发布的三批 Agent 应用——客服、分析、营销。这次发布的 AgentOne，把这些能力整合成了一个企业级 AI 智能体服务平台。

但企业级 AI 落地，远比看起来难。Sam Altman 在访谈中说过：当 Agent 犯错时，后果严重得多。ChatGPT 在日常对话中胡说八道，用户笑一笑就过去了。但 Agent 接入业务系统后，搞错订单、说错话、搞乱数据，都是实实在在的损失。

瓴羊提出的解决公式是：企业级Agent = 大模型 × 好数据 × 强场景。

为什么 Demo 能跑通，业务却跑不通

复杂度会吃掉准确率

假设一个 Agent 每步准确率 95%。在演示环境执行 3-5 步任务，成功率接近 90%，看起来还不错。

但真实业务往往需要 20 步以上的流程，即 0.95^20 ≈ 36% 的成功率。也就是说，Demo 环境的完美表现，在生产环境中很可能意味着失败。

这 5% 的问题出在哪？

• 边界模糊。你不知道 Agent 在哪一步该停下来让人接管。一个客服 Agent 自作主张给客户承诺了不该承诺的东西，这个锅谁来背？

• 场景割裂。不同系统的 Agent 各自为政，数据打不通，流程串不起来。营销 Agent 找到了目标客户，但客服 Agent 不知道这个客户的来源和需求。

• 缺乏闭环。你优化了 Agent 的提示词，改了工作流程，但不知道是变好了还是变差了。没有评测，优化就是盲目试错。

瓴羊提出的那个公式 —— 企业级 Agent = 大模型 × 好数据 × 强场景——针对的就是这些问题。

真实业务不追求最大最新的模型，而是最适配。有些场景 7B 的小模型效果反而最好，万亿参数反而过度。关键是找对场景，用对模型，且有好数据。

从数据视角切入的差异化路径

瓴羊的前身是阿里数据中台团队。这个背景带来了一个有意思的切入角度——不仅从模型和应用出发，而且重点以数据为切入点看企业 AI。

10% 的数据，决定 Agent 能否理解你的业务

OpenAI、Google、Anthropic 都训练了全球的公开数据。在公开数据这一点上，大模型其实是在同一起跑线上。

但企业的问题是：大模型不懂你的业务。

朋新宇在云栖大会上提到，企业数据中约 10% 是自有的、结构化的、带有业务逻辑的核心私密数据。这 10%，决定了 AI 能否真正理解你的业务。

比如电商的退货流程。什么情况下可以 7 天无理由退货？什么情况需要质检？什么情况可以直接退款？什么情况必须人工审核？每家公司的规则都不一样。

这就是那 10% “自有好数据”的价值。不是数据越多越好，而是这 10% 结构化的、带有业务逻辑的核心数据，决定了 AI 能否真正理解你的业务。

这也解释了瓴羊 AgentOne 在做的事情：构建从数据供给到流通的完整闭环，让企业数据从“为人服务”转向“为 AI 服务”。过去企业的数据主要是用 BI 工具给人看报表，现在这些数据要能被 AI 理解、调用、处理。

阿里生态带来的独特优势

阿里数据中台团队天然理解数据对企业 AI 的价值，而阿里生态积累的场景化数据能力都能够赋能给瓴羊 AgentOne。

理解了数据的价值，就能理解瓴羊推出的“电商 AI 训练场”在做什么，它基于聚石塔升级，共提供三层能力：

• 底层是模型服务。通用大模型和行业大模型，企业可以根据场景选择。

• 中层是企业模型训练和微调能力。企业用自己的数据训练专属模型。

• 上层是 Agent 快速搭建能力。基于训练好的模型，快速搭建适合自己业务的 Agent。

这个三层架构看起来很标准，但关键在于背后整合的阿里生态资源。

TMIC 提供的趋势洞察数据，知道什么款式在什么人群中流行。电商品牌用 TMIC 的数据训练 Agent，就能让 Agent 理解当前的流行趋势，而不只是根据历史数据做推荐。

店小蜜沉淀的客服知识，知道客户在什么场景下会问什么问题。这些问题背后的业务逻辑、处理流程、注意事项，都是结构化的知识。

聚石塔作为安全空间，现在升级为品牌 AI 训练场。企业的敏感数据可以在这个环境中安全地用来训练模型，不用担心数据泄露。

这些数据是结构化的、场景化的、可以被 AI 理解的，也是其他 AI 吃不到的业务规则。除了电商场景，AgentOne 的数据广场还整合了金融、法律、政务、教育等多个垂直领域的高质量数据集。

产品设计：给企业选择权

AgentOne 的产品逻辑，可以用一句话概括：让企业像管理员工一样管理 Agent。

用户可以直接从“Agent 广场”招聘现成的 Agent，也可以自己训练定制的 Agent。招聘来的 Agent 可以继续培训优化，自己训练的 Agent 也可以分享给其他部门用。

瓴羊为什么选择先切入这四个场景？

瓴羊把企业场景按资源密集度分类：营销（资金密集）、客服（人力密集）、分析（数据密集）、运营（流程密集）。

这个分类的逻辑是：AI 应该优先解决企业最痛的地方，这也是“边界清晰”的体现。

营销场景，钱花得最多的地方。

每天投广告、做推广、搞活动，营销预算往往是企业最大的开支。瓴羊营销 Agent 由灵感创意、营销策划、素材创作、媒介投放与结案分析五大子 Agent 组成，运行在 Quick Audience、天攻智投等营销产品上。天攻智投的策略规划 Agent 能根据品牌需求自动制定投放策略，推荐时间、预算分配、筛选渠道，从人群洞察到投放执行，覆盖营销全链路。

客服场景，人力最密集的地方。

电商、汽车、金融等行业，客服团队动辄上千人。Quick Service 提供三类超级客服：超级客服专家处理电商导购、退换货等高频场景；超级电销专家通过 AI 外呼和用户画像匹配缩短销售周期；超级企业服务专家覆盖入职离职、考勤薪酬、IT 运维等员工服务全链路，实现 7×24 小时自助问答。

分析场景，数据最密集的地方。

具体工作中，每天开会都要看数据、分析数据、做报告。瓴羊推出的智能小 Q 就完整覆盖了这些工作内容：问数 Agent 解决的是一线人员“求而不得”的问题，业务人员用一句话就能完成业绩总结、波动归因；解读 Agent 从海量报表中定位关键信息；报告 Agent 则能够在 20 分钟内生成完整报告。

运营场景，流程最繁琐的地方。

直播巡检、体验洞察、数据监控，这些工作重复性高但需要持续做。运营 Agent 可以 24 小时值守，发现问题及时预警。

AgentOne 的真实用户海信就专门部署了两个 Agent：直播巡检 Agent 24 小时监控直播间，识别违规话术并留证告警，对比主播话术结构。直播间停留时长提升 12%，违规率下降 50%。智能客服 Agent 调取物流数据生成工单，在外呼中动态生成话术，工单处理效率提升 80%。

这两个 Agent 分工明确：巡检 Agent 发现问题，客服 Agent 解决问题。

Sam Altman 在 2025 年初的博客中写道：我们现在确信知道如何构建 AGI。但在随后的采访中他也说道：关于 autonomous agents 应该多自主，即使在 OpenAI 内部也没有共识。

这个矛盾也是 AI 行业的现状：技术能力在快速提升，但如何安全、可靠地应用到企业场景仍是未解的问题。

瓴羊 AgentOne 的做法是 —— 在技术选择上，追求最适配而非最大最新。在数据能力上，专注那 10% 的核心业务数据，整合阿里生态的场景化数据优势。在评测体系上，提供完整的评测流程，让优化可量化。在产品设计上，给企业选择权，根据场景决定 Agent 的自主程度。

期待瓴羊 AgentOne 真正做到如云栖大会上所说，“水利万物而不争，数利万企而无声”。