FDE 企业 AI 落地与交付 · 需求、方案与交付 · 2025-12-15

专家知识 x 技术放大:我在B端智能体落地一线的万字真实复盘

实战经验分享:B端智能体落地中的关键洞察与避坑指南。

核心内容:

  1. 企业采购智能体的两种典型路径及常见误区
  2. 专家知识比技术更重要的工作流设计原则
  3. 大B与小B客户的不同交付逻辑与竞争优势构建

这篇文章是我这两年所思、所闻、所感最全面的一个复盘。不是教科书,也不是成功学,就是一个在一线摸爬滚打的人,把看到的真实情况和踩过的坑分享出来。

我会从几个维度来拆解这件事:先从市场现状聊起,然后说清楚什么是智能体,接着聊B端落地的核心问题——为什么说专家知识比技术更关键,为什么工作流比自主Agent更靠谱,哪些场景真正能落地。

后半部分更主观一些:大B和小B的交付逻辑完全不同,搞混了会死得很惨;现阶段如何构建竞争优势,微调、硬件、专家标注哪个更重要;最后聊聊未来趋势,为什么说"谁会搭工作流"不是核心竞争力。

很主观、很片面,万字长文预警,仅供参考。

一、我所见到的智能体落地的B端市场

最近两年,我一直在智能体落地这个赛道上摸爬滚打。

从最初在扣子平台上瞎摸索,做到平台TOP10的开发者,开始接一些小B的定制单。再到后来入职一家专做B端落地的公司,全职服务企业客户。可以说见证了从小B到大B的不同需求,也踩过了各种规模客户的坑。

目前主要服务央国企和行业头部公司,行业集中在金融和能源化工两个方向。从这些项目里,我看到了一些很有意思的现象。

1.1 企业采购的两种典型路径

从采购和落地形态上看,企业大致分成两类:

A类企业:先买平台,再顺带买几个智能体

典型路径是技术部门牵头采购低代码平台(类似扣子、dify这类),目标是建一个"集团内通用底座"。采购完成后,业务部门各自拿平台试着搭场景。

实际结果往往不尽如人意。场景非常浅——翻译、OCR、小知识库、简单问答,基本都是入门级应用。工作流节点少、调用链短,几十万买的平台能力只发挥了一点点。更要命的是,业务人员缺乏专家流程和评估标准,导致系统"能跑"但"不好用"。

这类企业不是没投入,而是投入位置不对——买了底盘,却没人会开车。

B类企业:不买平台,直接买智能体项目

这类企业又分成两个极端。

一种是保守派,他们特别务实。从小场景、试验性场景切入,比如在OA系统里集成语音交互功能,让员工用自然语言发起请假、差旅申请。这类客户是最成熟的——先从简单可控的点开始,验证效果后再逐步深入,一点点探索AI的边界。风险可控,容易形成正循环。

另一种是激进派,这类人同样愿意买单,但边界感为零。他们会要求智能体做模型根本做不了的事,比如产品推荐、策略决策,把算法系统和LLM混为一谈。或者把"知识库正确率95%"当作理所当然的目标,却不理解数据质量、检索策略、评价口径这些前提。最让人头疼的是,他们不愿意向流程里投放专家时间,却要求产出达到专家级别。

这类客户交付风险极高,项目常常变成"许愿池",不是工程。

1.2 市场的真实问题

把这些现象压成一句话:企业端的真实问题不是"缺技术",而是"缺对能力边界的清醒认识、缺把专家流程写进系统的能力"。

你只要在交付现场待过,就会发现这才是决定项目成败的总开关。技术反而是相对简单的部分——大模型能力摆在那里,工作流平台也很成熟。难的是如何让企业理解AI能做什么、不能做什么,如何把他们脑子里的专家知识变成可执行的系统流程。

这就是B端智能体落地的现状——机会很大,坑也很多,关键看你能不能找对路径。

二、“好用、能落地”的智能体本质:专家知识 × 技术放大

企业里真正能用起来的智能体,本质只有一件事:把“专家做事的套路”变成“机器可稳定执行的流程”,再用技术把它放大到规模化、低成本、可运维的水平。你可以把它压成一个公式:

好 Agent = 专家知识(业务SOP/判断标准) × 技术能力(提示词/工作流/工具/系统集成)

注意这里是乘法,不是加法。任何一边是 0,整体就是 0。

2.1 专家知识是什么

很多人以为专家知识就是"资料很多"或"懂行业术语"。错了。真正能落到智能体里的专家知识,是两类东西:步骤拆解和完成标准。

首先是步骤拆解(SOP)。专家知道这件事要按什么顺序做,为什么要这么做。比如法务审合同,外行觉得就是"读一遍合同",但专家有固定的检查路径——先看主体信息是否完整、是否匹配,再看关键权责与违约边界,然后审付款与交付条件,接着查争议解决条款,最后评估风险兜底与补救路径。这些检查点和顺序就是SOP的骨架,缺一个环节都可能出问题。

其次是完成标准(验收口径)。专家不仅知道要做什么,更知道什么结果算"合格"、什么算"有风险"。还是拿尽调报告举例,专家不仅知道要抽取哪些字段,还清楚哪些字段缺失就不能出报告、哪些数值异常要触发风险提示、哪些结论必须保守表达。如果没有这套验收口径,智能体输出了你也没法判断好坏,只能凭感觉。

所以专家知识不是"文档堆砌",而是"可操作的套路+可验收的标准"。没有这两样,你的智能体就是个玩具。

2.2 为什么专家知识比技术更关键

企业项目里,技术往往不是第一难点。真正让项目死掉的,是"没人能讲清楚怎么做、做成什么样算好"。

没有专家,你连流程都拆不出来。不知道先做什么、后做什么,就只能丢给模型"自由发挥"。但所谓"自由发挥"在B端等于"不可控、不可交付"。客户要的是确定性,不是创造性。

没有专家,你也没有评估体系。很多人做知识库问答,觉得能回答就算成功。但企业要的是精确的质量控制——这个答案到底是60分还是95分?哪些问题必须100%命中?错一次会造成什么损失?没有专家标准,你只能靠感觉,项目一定崩。

没有专家,提示词也写不出来。提示词不是文学创作,是把专家脑子里的检查表、优先级抽象成方法论,然后写成机器能执行的语言。你让一个不懂业务的人写提示词,就像让一个不会做菜的人写菜谱,写出来也是废纸。

这就是为什么很多技术团队做B端项目失败——他们有技术但没有专家,就像有发动机但没有方向盘,车再好也开不动。

2.3 有了专家也未必好使——两个隐藏的大坑

当然,有了专家也不一定好使,这里头有两个逻辑。

第一个坑:专家不愿意配合

企业专家是不愿意配合的,道理很简单——我把能力交给了AI,就稀释了我在公司的稀缺性,这不是给自己找麻烦吗?

理想很丰满:我们出技术能力,B端企业出专家知识。但实际愿意这么配合的企业少之又少。

企业的想法是:"老子花了钱,你就得把事儿办好,不要总是麻烦我。"

第二个坑:专家讲不清楚

即便B端的专家愿意配合,他也很有可能讲不清楚。这是最隐蔽的坑——"知识的诅咒"。

专家做了太久,很多判断已经内化成直觉和肌肉记忆:

这种隐性知识如果不经过结构化引导、反复拆解、多轮验证,永远进不了系统。

所以这类B端项目里,有大量时间不是花在写代码,而是花在"帮专家把自己的经验,翻译成可执行的步骤和标准"上。

2.4 两条路径:横着切还是竖着切

如果你真想把智能体落地这个事儿做好,核心问题是:你有没有专家知识。

作为服务商,我们通常有两种做市场的方式——竖着切和横着切。很多人以为这只是市场策略的选择,其实背后是对专家知识依赖程度的不同。

竖着切(深耕行业)

选择你真正懂的行业,深耕下去。比如你懂金融,就专做金融;你懂制造,就专做制造。

这条路看似市场小,但其实更稳。因为专家知识本身就是壁垒。别人想进来,不是买几个模型API就能搞定的,他得花时间积累行业认知、踩过行业的坑、理解行业的潜规则。你有了行业知识,就能帮客户做得更深,真正深入到他的业务里去解决问题,而不是浮在表面搞些花架子。

竞争也小。因为真正懂行的人本来就少,懂行又懂技术的更少。客户也更信任你——"这个团队是懂我们业务的",这句话值千金。

横着切(通用场景)

找一些通用场景,比如智能问答、内容生成、报告生成,适用于任何行业。

这条路看似市场更大,所有行业都是你的潜在客户。但问题来了——这是个充分竞争的市场。大家都能做RAG,都能接DeepSeek,凭什么客户选你?

更关键的是,横着切其实也需要专家知识。拿智能问答来说,看似都是用RAG技术,但有行业经验的团队知道怎么针对特定领域优化分块策略、怎么设计召回逻辑、怎么做领域词表。没有这些,你的问答系统就是个通用玩具,准确率上不去,客户不会买单。

如果你只有技术能力,没有任何领域专长,那你只能拼服务和产品体验。面对大企业,你得提供更好的服务来构建竞争力;面对小企业,你的产品体验要做到极致。但说实话,这都是苦活累活,利润薄、替代性强。

B端智能体落地,本质是"专家流程工程化"

这句话值得反复琢磨。你不是在卖技术,你是在把专家的工作方式变成可复制的系统。

谁能同时掌握两者,谁就能胜出:

只靠技术堆模型、堆节点,最后只能得到一个能跑的Demo。只有专家知识没有技术能力,那就还是传统咨询,效率上不去。两者结合,才能得到企业愿意长期付费的生产力系统。

所以选择很清晰:要么选个行业扎进去,用专家知识构建壁垒;要么在通用场景上做到极致,但也得有某个领域的专长打底。纯技术路线在B端很难走通,这是血淋淋的教训。

三、先分清两类东西——自主规划 Agent vs AI 工作流

企业落地前先做一个硬切分:你交付的到底是"自主规划型 Agent",还是"工作流型 Agent"。这俩不是同义词,交付风险差一个量级。

3.1 自主规划 Agent 是什么

自主规划 Agent 的特点是你只给一个目标,它自己拆步骤、自己检索、自己选工具、自己执行。

但在企业级场景下,问题就来了。流程由模型临时决定,意味着不可解释、不可审计。今天跑出来是这个流程,明天可能就变了,输出波动太大。这跟企业要的稳定是相悖的。另外调用链一长,不仅慢,成本还高。

其实目前自主规划型 Agent 真正稳定可落地的场景其实就两个。第一个是 Deep Research(深度调研),把散乱的信息整理成可决策的结构化报告,这个场景GPT还是断崖式领先。第二个是 AI Coding(代码生成),因为代码能在工程环境里自我校验,有测试闭环,所以可控性远高于其他场景。

除了这两个场景,自主规划型 Agent 在 B 端多数场景还停留在 Demo 区,不是生产区。

3.2 AI 工作流是什么

AI 工作流走的是另一条路。人先把专家 SOP 画好:第1步做啥、第2步做啥、每步输入输出是什么,清清楚楚。模型只是流程里的一个"可替换节点",按既定链路执行。

这种方式在企业级场景下优势明显。全流程透明可控,每一步都能看到,都能监控。输出稳定,今天跑出来什么样,明天还是什么样。可以分段优化,哪一步效果不好就改哪一步。最重要的是,便于算成本、做权限和审计,这些都是企业必须要的。

3.3 为什么企业端选择 AI 工作流

AI 工作流是现在,自主规划型 Agent 是未来。

为什么 AI 工作流成为企业端交付的重点?因为企业要的是可控生产线,不是会即兴发挥的演员。

可控性是第一位的。每一步都是预定义的,出问题能快速定位,这对企业来说至关重要。可解释性同样关键,智能体最终输出这个结果,是因为什么,中间过程是否可以追溯。而且流程固定后,可以针对性地优化每个环节,持续提升效果。

当然,这不是说自主规划型 Agent 没有未来。等大模型能力更强,再配合像 MCP 或者 Skill 这种技能体系,才是我们传统意义上说的"智能体"。但在 2025 年的现实里,想"稳定、可控地产出价值",工作流是主力形态。

四、智能体五大落地场景

我把这些年交付里最稳、最常见、最容易形成复利的场景分成五大类。

4.1 场景一:知识库问答

定位是把企业已有的知识、制度、经验变成"24小时可问可答的专家"。

为什么这一类最稳?因为需求天然存在——所有组织都有知识传递、制度解释、内部培训、客户答疑的需求。而且可以从小切入,两三个节点就能跑起来,特别适合试点和扩散。

典型的落地形态包括内部专家库(制度、流程、培训资料)、外部客服库(产品说明、使用手册、FAQ)和学习培训助手(课程资料、讲义、题库)。

但这里有个常见错觉:"能回答就行"。实际交付里,70分系统只能算 Demo,企业要的是逼近专家水准的稳定性。做到70…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2025121509471.html