FDE 企业 AI 落地与交付 · 需求、方案与交付 · 2025-12-24

企业AI应用落地的一些思考和记录

企业AI应用热潮下,如何避免过度工程化?探索业务理解与技术实践的平衡点。

核心内容:

  1. 当前企业AI应用的现状与过度工程化风险
  2. 业务理解AI化的核心价值与实施挑战
  3. 数据分析Agent场景中的数据处理优化策略

上周参加了一个AI相关活动,记录一些碎片的想法和思考整体的感觉是不管是对外提供服务的,还是内部的一个小的服务部门,基本都在非常积极地做各种AI或者Agent相关的实践,甚至感觉做的有点过度了,就是为了能在实际的业务中真的用起来,在工程上做了非常多的事情,这个趋势应该是非常明显的,在不同的企业和行业内的探索和实践程度应该是在飞速增长的,不过具体的效果上可能也是未知的越大的企业,或者业务本身的规模越大,可能效果更好。因为效果或者质量的提升只要一点点,带来的收益都是巨大的,动力也会更强一点AI带给组织的不是单个技术目标,而是一种全新的运行模式

## 全面的实践

不同的企业各种场景下的尝试和探索都很多,不管是内部自己用,还是对外的服务。面临的问题其实也类似,核心还是上下文的管理和对于业务的理解技术路线上,各种实践都有,但是感觉有些可能也会走向过度工程化了,比如一个问题或者效果可能 ROI 没有那么高,那花那么多的时间和精力是否值得.或者三个月之后模型能力进化了,之前做的工程化是不是就浪费了?不管是用闭源模型还是开源模型其实都要面临这个问题

所以做这些 Agent 探索的做核心还是积累对于一业务的理解,基于这个契机来梳理清楚业务上做的事情到底是什么?特别是原始的定义和目标是什么,因为以前可能这整个流程里面有一部分是完全模糊的,它由具体的人的经验甚至直觉组成,比如判断某些内容的价值,某些产品的改进方向等等,他们可能直接被压缩到某个人或者团队的决策中了,可能他们自己也无法用自然语言或者 dsl 的方式来总结出来,但是这又是最核心的部分,不管是基于 workflow 还是 Agent 的方式来做,这个业务理解 AI 化的过程是不可逆的,也是最有价值的不管模型怎么变,我们都需要模型想办法去理解这些业务逻辑和决策思考的链条,那些已经很明确的 workflow 自然已经是大家都更早开始探索和实践的了至于这些到底怎么变成自然语言,可能也不仅仅是个技术问题了,身在其中的人对于这个事情的抵触可能是更大的,甚至这些模糊不清的直觉和经验本身也是企业已有的问题,不管有没有 AI 的引入,只是大模型技术的出现可能加速了这个事情,把这个问题变成了企业必须解决的问题了

关于数据分析的Agent

在各种数据分析的Agent场景中,基本都会碰到一个问题,就是原始数据是海量的,怎么使用是个必须考虑的问题最开始能想到的方案可能都是想办法把本次需要的数据都尽可能的给到大模型,只要上下文的长度足够但是仔细想想原始的数据不一定是最好的,特别是各种表的…

— 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/zhinenghuagaizao/2025122441836.html