LLM只是开始，为何企业智能体落地效果通常不佳

推荐语

企业智能体落地难？关键在于行业Know-How与精准数据的深度结合，而非单纯依赖技术能力。

核心内容：
1. 企业智能体的核心壁垒：行业Know-How与精准数据
2. 从通用模型到专家智能体的转变路径
3. 数据治理与业务场景聚焦的关键作用

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

企业级智能体的核心壁垒：深植于行业 Know-How 与精准数据

构建具有真正商业价值的企业级智能体（AI Agent），其最核心、最难以被复制的竞争优势（“护城河”）在于两大关键要素：深厚的行业 Know-How（专有知识与经验） 和 高质量、高度相关的精准数据。诸如知识库建设、数据接入、工作流设计以及模型-控制器-规划器（MCP）等组件架构，其根本目的都是为了有效地承载、应用和实现这些行业 Know-How。

Know-How 是智能体落地的灵魂：

• 关键决策的源头： 一个智能体要解决什么具体业务问题？需要整合哪些领域的专家知识？涉及哪些核心决策点？在这些决策中，大语言模型（LLM）最适合扮演何种辅助角色（如信息检索、方案生成、风险提示）？这些战略性问题的答案，都源于对行业业务本质的深刻理解（Know-How）。

  简单的说，一个Agent必须是任务明确的，可以将它理解为一个岗位，这个岗位的JD必须写好。不能以为LLM可以自行理解，毕竟很多普通人都做不到这一点。

• 从“小白”到“专家”： 当前通用的大模型在真实的产业场景面前，往往表现得如同“素人小白”。其实着就对了，哪怕你是天纵奇才，去负责某个项目也得先观察几个星期吧。它们缺乏特定领域的背景、规则和细微差别的认知。企业级智能体的核心价值，就在于通过专家知识和业务流程的注入，引导大模型“学习”并模拟专家的思维逻辑和执行路径。只有真正深入理解业务痛点和操作细节的领域专家，才能设计出切实可行、能产生实际效益的智能体应用。 这意味着应用场景必须高度聚焦、足够“小”且具体，避免大而空的构想。

  也就是说，我们需要教给Agent如何处理任务，而不是指望它自己能想出一套高效的方法来解决问题。

• 技术≠落地： 互联网科技巨头虽然在通用AI技术层面领先，但其对传统行业、工业界特定业务流程和隐性知识的理解深度往往不足。这导致其开发的智能体解决方案可能技术炫酷，却难以精准匹配实际业务需求，最终停留在概念验证或演示阶段，无法真正融入核心业务流程创造价值。

某些老板会犯这样一个思想上的错误：我们部署一个厉害的模型，这个AI会教我们应该怎么做。

需要指出的是，在可预见的未来，这仍然是不可能的。

模型或者Agent，需要业务专家进行精心的教学之后，才能做出适应企业业务需求的工作成果。

它不能教，它只能学。

数据：Know-How 的燃料，治理是成败关键：

• 精准性至上： 数据存在的意义是服务于具体业务目标。与当前智能体所聚焦业务无关的知识和数据，即使是普遍真理，对于该智能体而言也是无效信息，甚至是干扰项。“垃圾进，垃圾出”（Garbage In, Garbage Out）的法则在此依然适用。

• 行业数据的独特性： 不同行业的数据具有截然不同的结构、格式、语义和合规要求。例如：

• 医疗行业： 涉及患者电子病历、医学影像、基因组学等多模态、高敏感性数据，强调隐私保护、术语标准化和复杂关联。

• 制造行业： 核心在于制作工艺、BOM、参数指标等，对数据的精确性、准确性、可审计性和目标测量要求极高。

• 知识库的核心使命：数据治理：构建知识库最首要、最核心的任务是解决数据治理问题。 将企业多年积累的、未经系统整理的原始文档“一股脑”塞入知识库，期望大模型自动理解并利用，其结果往往是灾难性的——这些宝贵的“陈年老窖”非但不能滋养智能体，反而可能导致信息过载、理解偏差甚至逻辑混乱，最终“把AI干崩溃”。未经治理的数据如同杂乱无章的零件仓库。

• 治理的本质是适配： AI Agent 若缺乏对特定行业数据特征的深刻洞察（这正是 Know-How 的一部分），直接“拿来就用”外部或内部原始数据，必然导致数据与模型需求严重错配。未经精心治理（清洗、结构化、标注、关联、标准化）的数据输入，就等于用精神病去指导正常人，早晚把正常人也教成精神病。

顶尖智能体？证明的证据：

分析两个目前智能体的领域，对以上的内容就能有个直观的感受：

• 以Cursor为代表的AI IDE。为什么Cursor能做好，因为Cursor的开发者们本身就是写代码的大佬，他们自己就是编写代码的业务专家，而且也不缺训练数据。完美的契合了Know-How和Data两大因素。

• Deep Research、Manus一类的Agent。这些Agent的工作模式都大同小异，遵循搜集信息 -> 分析 -> 评估的工作模式。可以看到的是，从业务流程上来说，这些Agent并没有什么特别的地方，其强大主要体现在对数据的搜集、阅读、分析能力上面。

TO B的应用和TO C核心理念完全不同。TO C的应用更多的讲究技术优先，放飞自我；而 TO B的应用最核心的还是BUSINESS, BUSINESS, BUSINESS。想随便部署一个NB的模型，然后靠这个模型来带自己飞是不可能的。靠谱的模式应该还是：将LLM当作一个聪明的孩子，好好的教它，训练它，一段时间之后它就可以帮你做很多。

通用大模型只是提供了智能体在企业应用落地的基础设施。接下来，业务融入、成本、数据安全将成为企业应用能落地的关键之处。

对于企业应用来说，不会存在通用Agent一说，按需定制才是真正的解决之道。而这一切，才刚刚开始。