當人工智能從實驗室走向產業(yè)應用，我們正見證著一場靜默卻深刻的范式革命。

繼大模型之后，Agent 正成為這場智能革命中的明確技術路線。但如何構建真正的 Agent、迎接 Agentic AI，大多數人并不清楚。

但易點天下已經開始通過 Agent 交付實實在在的價值。

易點天下作為一家企業(yè)國際化智能營銷服務商，憑借多年來在營銷服務領域的行業(yè) Know-How，以及近幾年在 AI Agent 方面積累的技術基礎，在前不久發(fā)布了其 AI Drive2.0 數智營銷解決方案及首個全球多渠道全托管 AI 營銷專家 -AdsGo.ai。

以 AdsGo.ai，以及此前發(fā)布的 KreadoAI、Funsdata、Cycor、CyberGrow 等產品為矩陣，易點天下將復雜營銷工作流通過 Multi-Agent 和 AI Workflow 來封裝成一個 7x24 小時不間斷工作的 AI 智能體系。

其中，新發(fā)布的 AdsGo.ai 通過內部互相串聯的、能夠理解商家目標，自主分析市場，制定并執(zhí)行策略營銷的垂類 AI Agent，實現 " 程序化自動化 " 到 " 智能化自動化 " 的跨越，讓用戶只需要專注于自己的核心業(yè)務，由 AI agent 即可自動完成 " 一鍵啟動、長期運轉 " 的管家式營銷服務。

數據顯示，內測階段，AdsGo.ai 幫助初創(chuàng)期和成長型企業(yè)實現廣告策略多樣性與投放效果提升 5 倍創(chuàng)意素材測試效率提升 10 倍，節(jié)省廣告營銷人力成本達 65%，對比中級優(yōu)化師 AdsGo.ai 的投放廣告單次轉化費用降低 26%，鏈接點擊率提升 47%，放量效率提升 132%。

在鈦媒體 2025 ITValue Summit 前瞻之 AI 落地指南系列直播中，鈦媒體聯合創(chuàng)始人劉湘明與易點天下首席產品官張奧迪對話，圍繞 AI Agent 應用落地階段，以及 AI 中臺如何構建等話題展開了討論。

在張奧迪看來，當前 Agent 在應用廣度上已經實現了全崗位滲透，具體來看，Agent 已經覆蓋了包括產研（AI Coding 提效）、創(chuàng)意（AIGC 素材生成）、運營（標準化流程自動化）、信息化（審批 / 知識庫）等在內的企業(yè)內部多個環(huán)節(jié)，并觸達所有關鍵崗位；Agent 在應用深度上，已經從項目立項自動化到 SEO 全鏈路執(zhí)行（關鍵詞挖掘→落地頁優(yōu)化→數據反饋），20+ 泛 Agent（AI+RPA）與專業(yè)多 Agent 協同系統(tǒng)共同支撐了易點天下多項日常工作。

此外，Agent 的應用還可以根據復雜程度分為泛 Agent 和專業(yè) Agent。

泛 Agent 更像是 AI+RPA，像是一個自動化的工具，能夠幫助員工完成一個垂直場景的工作。" 目前易點天下已經交付了超過 20 個泛 Agent 的應用，比如所有項目立項的自動化是由 Agent 完成的，通過自動化的方式取代人工填寫。" 張奧迪進一步指出，" 此外，在 AI 信息化方面，通過協同多個 Agent，完成日常辦公的信息調度工作。"

專業(yè) Agent 方面，張奧迪認為，真正的 Agent 需具備意圖理解、任務拆解、自主調動、長上下文記憶及多 Agent 狀態(tài)感知的能力。" 傳統(tǒng)以模型為中心的 AI 應用，往往停留在問答或創(chuàng)意生成等淺層能力；而專業(yè) Agent 則可通過多智能體協作、動態(tài)任務調度和狀態(tài)感知能力，打通營銷全鏈路，實現營銷流程從投前洞察、素材生產、投放優(yōu)化到數據分析的全鏈路重構。" 張奧迪指出。

在此背景下，張奧迪認為，Agent 的最終形態(tài)是實現 " 以目標為中心 "，" 以目標為中心 " 的模式下，企業(yè)不需要更多的進行編排，實現 " 以模型為中心 + 以任務為中心 "，結合在了以目標為中心中，" 比如，某些 Agent 可能是 workflow 的編排，某些則是以模型為中心做的 Chat。但在 Agent 內部，只需要用戶輸入需求，就能自動化的拆解任務，自主調度 AI 工具 /Agent，并且還要具備狀態(tài)感知，才能調動起整體 Agent 的協同狀態(tài)，還需要保持長的上下文記憶能力，" 張奧迪進一步指出，" 這時候，模型才能做到專業(yè)的 Agent 的，以目標為中心的結果導向。"

在對話中，張奧迪還分享了企業(yè)在建設 Agent 過程中需要注意的細節(jié)，在他看來，企業(yè)構建 Agent 應用需要 " 四步走 "。

第一步，企業(yè)需要統(tǒng)一思想。" 通過培訓等方式，將企業(yè)內部人員對 AI 的認知拉齊。" 張奧迪指出。

第二步，不要吝嗇投資。在用 AI 的時候，省錢不應該是企業(yè)優(yōu)先考慮的問題，" 企業(yè)不必刻意省錢。AI 工具要多用，消耗的 Token 越多越好，這樣企業(yè)才能積累經驗。" 張奧迪給出了這樣的建議。

第三步，梳理業(yè)務 SOP。通過 SOP 梳理，企業(yè)才能尋找到真正適合 AI 應用，真正有 AI 需求的場景，并進一步深挖。

第四步，成立專職 Agent 研發(fā)團隊。業(yè)務部門疲于 KPI 考核，不愿投入流程拆解，需成立專職 Agent 小組推動。" 無論是內部抽調人員研發(fā) Agent，還是成立單獨的部門做。" 張奧迪表示。

" 同時，企業(yè)還需要有擁抱變化的心態(tài)，即便踩到坑了，只要能快速的迭代，不管是認知上的迭代、組織思想上的迭代，還是工程建設上的迭代，最終才能做好。"" 張奧迪強調道。

附上本期直播時間軸，幫你快速跳轉感興趣的部分

00：28 Agent 在企業(yè)中應用廣度與深度

14：43 AI Agent 從單點應用向著智能協同演進

22：50 AI Agent 定義，什么是真正的 AI Agent

49：03 Agent 的大規(guī)模應用，對于企業(yè)的管理和組織帶來的沖擊有多大？

以下為對話實錄，經筆者整理：

劉湘明：請先介紹一下易點天下應用 Agent 的情況，應用的深度和廣度。

張奧迪：目前市場上現有的 Agent/AI 產品主要可以分為幾類。首先是編碼類的 AI Coding，還有就是寫分析報告類的（BI），以及 AI 運營，包括建設各種 Agent 的平臺工具，還有就是內部的 AI 信息化。

首先我們在產研側應用 AI 最廣泛。受到交付率以及質量需求的影響，產研側是最早應用 AI Coding 的環(huán)節(jié)；

第二個是，因為營銷科技公司的屬性，所以在素材創(chuàng)意方面，我們比較早的應用了 AI 相關產品。無論是圖片類、視頻類的，還是數字人類、TT 素材等設計類的工作；

第三個是，AI 運營類。通過 AI 工具幫助員工完成部分標準化、重復性的工作。

第四個是，AI 信息化，包括了出差、請假審批，還有企業(yè)知識信息查詢，物品領取、退還等等，包括我們各個部門的服務臺。通過信息化的 AI 轉型，我們提高了工作效率。

廣度方面，AI 幾乎覆蓋了所有的崗位，日常的關鍵場景。

深度方面，AI Agent 已經能夠處理近乎 80% 的工作場景。

劉湘明：是否有統(tǒng)計過易點在使用多少個 Agent？

張奧迪：主要可以從兩個層面來看，一個是泛 Agent；另一個是垂直的、專業(yè)的 Agent。

泛 Agent 化更像是 AI+RPA，其實就是一個自動化的工具，能夠幫助員工完成一個垂直場景的工作。那這里面我們交付很多。泛 Agent 化方面，我們交付了 20 多個產品，比如，產研協同流程里面有個項目立項，所有項目立項的自動化是由 Agent 完成的。完成立項后，立項的整個流程和細節(jié)，現在只需要把立項報告放到系統(tǒng)中，通過自動化的方式取代人工填寫。此外，在 AI 信息化方面，通過協同多個 Agent，完成日常辦公的信息調度工作。

在垂直、專業(yè) Agent 方面，協同辦公的 Agent 完成之后，進而推進復雜的多個 Agent（數字員工）之間交互。這個過程中，在多個 Agent 協同工作的過程中，保持目標的一致性是最難實現的。

劉湘明：AI Agent 從單點應用向著智能協同演進，從模型為中心向著以目標為中心，在這個過程中，共分為幾個階段？每個階段的具體能力有哪些？

張奧迪：首先，以模型為中心，就是單點能力。最早在大語言模型問世之后，推出了很多編排流的工具，我認為它更像是一個輕代碼平臺。平臺中融入了很多 AI 節(jié)點和 AI 插件，這個過程中，我們可以通過簡單的提示詞，就做出一個 AI chatbot。

當時，行業(yè)內很多認為這就是 Agent 平臺，但你回發(fā)現，這個平臺中，能力是碎片化的，且還是確實目標感的，這時候我們依賴的僅僅是模型本身的能力提升。

當來到以任務為中心的時候，就出現了一些更復雜的工具，以及一些工程化的提示詞，以及手工編排。結合在一起就變成：我會用很復雜的工作流的編排去收斂它的穩(wěn)定態(tài)。其實我們做模型應用，我現在理解就是我們在 " 不確定中尋找確定性 "。

因為大模型本來是生成式的，肯定會有一些幻覺，還有一些記憶的問題。如何解決？我們用我們歷史的運營經驗，變成一個標準的 workflow，然后再加上本身大模型的意圖理解的一能力，構建起以一個任務為中心的點，這個更像是 AI+RPA 的方式做自動化。這種類型的應用包括了合同識別、自動流轉、智能客服等。

最后，我們就到了以目標為中心。這個過程更為復雜，企業(yè)不需要更多的進行編排，可能是以模型為中心，加上以任務為中心，結合在了以目標為中心里。比如，一些 Agent 可能是 workflow 的編排，一些是以模型為中心做的 Chat，但在 Agent 內部，只需要我們輸入需求，就能自動化的拆解，自主調度各類 AI 工具，或者 Agent，并且還要具備狀態(tài)感知，才能調動起整體 Agent 的協同狀態(tài)，還需要保持長的上下文記憶能力。這時候，模型才能做到專業(yè)的 Agent 的，以目標位中心的結果導向。

劉湘明：能否舉個具體的例子？

張奧迪：以我們公司內部建設為例。最初我們處于以任務為中心的階段，我們可以編排很多工具，比如在電商場景中的，換假發(fā)、摳背景圖等，這就需要用到很多編排，可能是通過模型微調進行收斂，也可能是用 Code UI 的方式，調參數進而收斂模型穩(wěn)定性的狀態(tài)，這也算是 workflow 的編排。在整個過程中，我們發(fā)現素材類的生產，可以把很多垂直類的效果場景單獨拿出來，編排成一個穩(wěn)定的 workflow。

以目前通用 Agent 生產的素材，主要分為兩步，第一步是生產出來，第二步還需要對素材進行編輯或剪輯。但當兩步融為一體之后，就需要非常的垂直化。比如有很多的視頻素材，需要做一個類似于故事繪本，首先需要將單點畫面做出來，然后通過文生視頻再進行拼接。這其實就是編排的以任務為中心的一個案例。

此外，我們在營銷領域，以電商營銷為例，現在的一些 AI 工具、電商站，其核心是通過買量投放，進行獲客；要么是通過 SEO。SEO 里面有很多步驟，比如首先需要尋找關鍵詞，通過一些工具尋找長尾關鍵詞，進而建設落地頁——如何將關鍵詞 " 埋 " 到營銷的內容頁中，并將整個網站的布局做出來，讓它更適合 SEO。第三個是外鏈購買，第四個是數據反饋。

我們有一個剛對外發(fā)布的 SEO 的產品，剛發(fā)布就有大幾百個網站開始使用了這個產品。這個產品其實就是通過 workflow，加上自主調度的能力，將前面提到的環(huán)節(jié)全部變成自動化的執(zhí)行路徑。最終實現：用戶只需要將他的網站鏈接扔進來，剩下的就是各種調用工具選擇競爭度不較好的關鍵詞。此外，在網站建設方面，我們可以調用一些編排能力強的 AI 工具，更好地建設網站布局。再加上易點員工幫助運營操盤，實現整個 SEO 路徑的全部自動化和 Agent 化。

劉湘明：相當于在 Agent 大規(guī)模應用過程中，最核心、最有難度的一點是智能任務編排的系統(tǒng)建設，是這樣么？

張奧迪：我認為它不是最難的，最難的是一開始人的思想理解。分為兩點，第一點，企業(yè)會認為，Agent 跟 ChatGPT、DeepSeek 等的區(qū)別是什么？企業(yè)會提出：我天天在用（ChatGPT 等模型）然后你又讓我建設 Agent，為什么？

第二點，業(yè)務人員本身的精力都在完成 KPI 考核方面，如何有精力建設 Agent？對于企業(yè)而言，Agent 建設的過程是成本，當效果沒有達到穩(wěn)定預期的時候，是否還會繼續(xù)投入，是個未知數。

第三點，推廣 Agent 的過程中，我會要求大家梳理 SOP，SOP 如何梳理，為什么要梳理 SOP，是一開始遇見的最大問題。

這三個問題都需要通過組織的力量解決。比如需要貫徹思想，培訓，讓員工理解，拉齊大家的認知。這個過程中會發(fā)現，剛開始培訓或拉齊認知的過程中，員工的認知參差不齊，有的人每天都在用很多 AI 工具；而有的員工遇見問題了并沒有選擇用 AI 工具，而是求助于其他同事，但就像前面說的，我們要在不確定中尋找確定性。AI 有可能會給出錯誤答案，但我們需要通過一些技巧將錯誤率降低。我們通過這種方式，讓大家切實感受到 AI Chatbot 于 AI Agent 是不一樣的。

此外，我們會在一開始收集大量的零碎的需求。比如一些短劇團隊，我們收集需求之后，會幫助他們建設一些 Agent 短劇，一開始會有選短劇，選品。另外，運營人員每天也會看大量短劇，總結數據，這件事完全可以使用大模型進行。員工輸入短劇視頻或者文本，總結出一個包括人物角色關系在內的，結構化的腦圖和概要，讓員工掃一眼就知道短劇的內容，就能增加運營人員的效率。此外，在短劇內部設置付費的關鍵點，AI 可以剖析劇情的矛盾點和聚焦點，從而推薦出付費的關鍵點。

通過這些案例，用戶就會發(fā)現 Agent 與一般 Chat 之間的差別。Agent 能夠串聯起整個場景，人只作為一個像 L2 樣那個輔助駕駛一樣關鍵。這時候，員工就會產生觀念上的改變，就會有一些主動照過來尋求開發(fā) Agent 的需求，

第三個階段，當正向反饋逐漸出現，就會發(fā)現其實踩了很多坑。第一個就是，很多需求并不是 AI 能夠完成的。從一開始的不信任，到后來的神化 AI。這就需要對 AI 能力有甄別的能力。哪些 AI 能做，哪些做不了，此外，企業(yè)還需要專業(yè)的 Agent 建設的團隊。易點從工程、算法、數據分析等部門抽調了一些同事，組成了 Agent 建設小組，專注于 Agent 建設。進而甄別業(yè)務部門提出的 AI 需求是否可行，這個過程需要業(yè)務部門提供詳細的 SOP 的梳理，才能知道如何編排任務流，用哪些工具，才能達到最好的效果。

當宏觀的收集到了所有的 SOP，就能知道組織 AI 化的天花板在哪里，并且隨著經驗積累和大模型能力的提升，就能知道組織 AI 化的進程達到了百分之多少，我覺得這是很有意義的一件事。

劉湘明：一個合格的、真正的 Agent 到底是什么？

張奧迪：真正的 Agent 需要具備這幾點能力。第一個是意圖理解，需要理解用戶的目標是什么。第二個是任務拆解，需要具備自主拆解任務的能力。第三個是自主調動，Agent 需要知道每一步做什么，并調用相應的工具。第四個是長上下文記憶能力、理解能力，以及多 Agent 狀態(tài)感知的能力。

所以，非常專業(yè)的 Agent 的建設是十分復雜的，并不是編排一個流就結束了。而是又回歸到大型的工程建設，我覺得 Agent 的建設更像是集團化數據中心建設，是一個龐大的工程系統(tǒng)。

舉個例子，我們在 AI 信息化的過程中，做了一個 ALL IN ONE 的 AI ——易精靈。當我開車時，我可以跟它說 " 幫我訂個幾點的會議室 "，雖然它的架構不是最先進的，但它能滿足我的需求。這個過程中，第一個 Agent 是意圖理解，我們通過復雜的提示詞（接近 1000 行）進行調度。設置提示詞也需要技巧，因為當你獲得一個穩(wěn)定的提示詞模板，再加上長上下文之后，這個模板又會變得不穩(wěn)定，為什么會發(fā)生這樣的情況呢？因為大模型會理解 " 我必須按照這種模板來做 "，稍微換一下說話方式，大模型的理解力就會下降。

所以，在長上下文提示詞構造里，需要構造多種口吻，比如反問、正向問、疑惑問等多個模板，讓它能夠理解這些問題模式，長期來看，對大模型的理解能力的增長有很大幫助。

回到剛剛提到的調度，拋出問題后，Agent 會調度到下面十余個不用的 Agent，比如會議場景，它就會調度到行政，會議預定等相應工具，調度飛書里面預定會議的接口。

除此之外，還需要判斷很多因素，首先是，我需要跟誰組建會議，那個人行程跟我目前會議行程沖突碼？進行信息檢索；第二個，Agent 會將會議間隙拿出來，組建會議，然后尋找哪些會議室是空閑的，另外還會詢問用戶參會人員規(guī)模，并匹配相應的會議室，最終選擇出一個最佳的會議室，并預定這個會議室。在此過程中，需要我們收斂 AI，制作工具，將穩(wěn)定性做好。

再復雜的情況就是，需要多個 Agent 之間協同做一件事。定會議室場景中，因為整體鏈路短，所以 Agent 需要保持的記憶也短。但當我需要長上下文交互的餓時候，就會發(fā)現，原先使用的先問一個提示詞，然后再自己結合上下文，混合成一個新的提示詞的方式，已經超過了大模型本身的輸入限制，會被截斷。截斷之后，就會發(fā)現模型回答的問題很蠢，這時候又要在大模型之外，連接緩存機制（每一個對話都有它自己的一套外部的一個系統(tǒng)緩，）這又到達另外一個復雜程度了。會發(fā)現要構造一個非常垂直或者專業(yè)化的一個 Agent 解決復雜的長鏈路的場景，一定要把大模型當作操作系統(tǒng)來看，圍繞它構造一個 native 的 AI 應用。

我覺得我們正在往一個非常復雜的 Agent 構建路程中前進，未來還會有更多的坑出現。包括大量 Agent 出現之后，還需要維護它，不斷得帶。

Agent 的管理也是一個問題。企業(yè)需要結合場景的難易程度，尋找適合的 Agent 建設工具，現在有大量的工具，目前仍處于 " 淘汰賽 " 階段，明年可能還會出現新的工具。所以企業(yè)需要保持一個變化的心態(tài)建設 Agent，但在組織內部，又需要有一個聚合，聚合到自己的平臺。將零散的一些場景集合到自身平臺上使用，當業(yè)務需要這些能力的時候，企業(yè)可以在 Agent 平臺上統(tǒng)一構建一個開放接口給他使用。

在這個過程中也會遇見很多問題，比如算力成本問題。有些部門可能只需要用大語言模型，有些部門會用到多模態(tài)模型，企業(yè)需要構建分賬體系，更像是商業(yè)化平臺落地，最后你會發(fā)現，你構建的其實是一個 AI 中臺。

AI 中臺底層能力是，接入大量服務商 AI 模型，再上一層，需要結合業(yè)務場景構建一些小的微調（模型），一些垂直領域場景，并沒有能達到最好效果的通用化模型。再往上就是 Agent 建設，這一層會調用大量 AI 工具，尋找一些確定性的方式，再往上就是面向業(yè)務人員，通過接口調用 Agent，完成工作。

劉湘明：有一個細節(jié)，上下文在某種意義上也需要進行分級和定義，這方面，易點天下如何處理的？

張奧迪：剛才我們聊到的所有方式，都是為了降低幻覺。以單點 Agent 為例，首先，每個 Agent 都會用到 RAG，向量化檢索知識庫內容。我們在做易精靈的時候，會把每個業(yè)務日常的 FAQ，以及經驗等數據，維護在統(tǒng)一的文檔池中，這就形成了企業(yè)級的知識庫。將經驗變成了可操作的穩(wěn)定流，就讓每個 Agent 都有了 RAG 的能力。

第二個，在長上下文應用中，在單點 Agent 中，外部存儲的臨時文件會結合 RAG。但當多個 Agent 需要協同時，就需要把每個 Agent 里面外掛的知識庫，以及上下文管理，提取出來，進行統(tǒng)一管理，進而在進行任務分配。這是當下我們遇見的最大挑戰(zhàn)。

前不久，manus 發(fā)布了技術復盤，對于行業(yè)來說，是一個非常好的指引。里面暴露出了未來可能會遇見的問題。

我認為企業(yè)未來的壁壘是：企業(yè)內部可被 AI 模型利用的，私有的數據庫。微調可能會是一個好的方向，但是在我看來，與微調相比，企業(yè)還不如把上下文和知識庫 RAG 做好，會推進的快一些。

劉湘明：目前，一個 Agent 開發(fā)的流程和周期大概是什么樣的？

張奧迪：流程方面，主要有兩種。第一種是需要梳理企業(yè)內部所有的 SOP；第二種是零散的收集需求，尋找真的 AI 需求，并將 AI 需求放在 SOP 中，觀察進行到哪一步了。

第二步，對流程進行編排或者自主調度，進行規(guī)劃，產出一個解決方案（可能是框架圖，也可能是技術手段），并進行技術選型、工具選擇，進而將這些工具接入到企業(yè) AI 中臺。

第三步，開發(fā)。在整體調度方面，我們有十余個員工，但具體制作 Agent 方面，1~2 個員工就能制作一個相對簡單的 Agent，即便是復雜的工程化的 Agent，十余個員工也足夠。

Agent 的建設與數據中臺的建設類似。當 Agent 變多時，需要知道每個 Agent 的流向，以及相互的關聯關系。這特別像數據中臺建設過程中的數據血緣。此外，Agent 也需要類似數據中臺的質量監(jiān)控。

當企業(yè)內部全部 Agent 化之后，就會存在特別多的 Agent，這時候就需要類似數據中臺的數據治理，定期對 Agent 清理一遍，將低熱度（低使用頻率）的 Agent 清理掉。并且，當 AI 能力不斷提升之后，企業(yè)還需要將不同的、垂直的 Agent 合并成一個。整個過程就是傳統(tǒng)的復雜工程的建設過程。

框架只是給了企業(yè)快速入場的平臺，最終企業(yè)還需要脫離框架。因為現在 Agent 的框架還沒有達到成熟態(tài)。AI 應用還沒有想數據中臺似的，達到標準化建設階段。還會有一些新的開源框架，以及規(guī)范出現，才能逐漸到達像數據中臺建設那樣的標準化。

劉湘明：Agent 與傳統(tǒng)的 IT 系統(tǒng)的關系，以及 Agent 團隊與 IT 團隊的關系是什么樣的？

張奧迪：團隊方面，因為大家都理解了一定要擁抱 AI，所以大家都在想方設法的利用 AI 升級原有系統(tǒng)，這又回到了 +AI 和 AI+ 的討論中。

AI+ 是以 AI 為主導，這時候就需要統(tǒng)一的入口，統(tǒng)一的交互?？赡軙霈F一個 ALL IN ONE 的調度中心（新入口）。

+AI 是將傳統(tǒng)的系統(tǒng)，例如 BI、OA 等，結合上 AI 需求或 SOP，更像是助手的形式。比如在 OA 提交了立項申請，就可以通過 AI 助手自動填寫。

所以，傳統(tǒng)的交互跟 AI 的交互完全不排斥，大家不要存在為了 AI 和 AI 或者對話就是 AI 的錯誤認知。在應用 AI 的過程中，用戶還是需要區(qū)別場景與用途。

這引出了另一個問題——場景的復雜度有多深？為什么行業(yè)內會存在 "AI 會首先顛覆 SaaS" 的觀點？因為 SaaS 本身是要用通用解決定制化需求，為了盡可能的避免定制，所以 SaaS 軟件會在通用上下很大功夫，會做的越來越復雜，最后還衍生出了軟件培訓師，需要對使用者進行培訓才能使用。

而這件事恰恰是 AI 擅長的。比如，ChatGPT 能將一段毫無邏輯、雜亂無章的話，結構化，并篩出邏輯，在軟件學習領域，AI 可以幫助企業(yè)降低 SaaS 軟件的學習成本、使用成本。

劉湘明：Agent 的大規(guī)模應用，對于企業(yè)的管理和組織帶來的沖擊有多大？

張奧迪：我認為會變成人機協同的范式。以產品經理為例，使用 AI 可以幫助其總結文檔，并且協助其與開發(fā)人員交互。比如，現在產品經理可以利用 Agent 直接生成網頁，從眾多生成的網頁中選擇一個符合預期的，同步給前端工作人員。

整個過程，在弱化設計師參與的同時，也將產品語言與研發(fā)語言同步（原先需要產品人員與研發(fā)溝通需求，不斷修改，現在只需要產品經理將生成的網頁代碼發(fā)給研發(fā)就能解決）。通過人機協同的方式，改變了原有的員工之間的配合模式。

不過使用 AI 也存在一些問題，比如 AI 會 " 獻媚 "。以產品策略撰寫為例，我提供了方案，AI 結合長上下文記憶理解等能力，會先贊賞你的方案，AI 會用各種解釋，闡釋你的方案很不錯。我現在在使用的過程中，就會明確跟 AI 說 " 不要獻媚，請客觀評價 "。這也是人機協同的一個變化。

此外，組織關系也會隨著 AI 應用變得更扁平。通過 Agent 助理，企業(yè)管理層可以篩選、評估、總結基層員工的匯報內容，進行風險預判，讓管理者能優(yōu)先處理更為重要、緊急的事。

劉湘明：企業(yè)如何構建 Agent 才能更好的實現目標？

張奧迪：第一步需要統(tǒng)一思想，需要通過培訓等方式，將企業(yè)內部人員對 AI 的認知拉齊。

第二步，企業(yè)在用 AI 的時候，省錢不應該是優(yōu)先考慮的問題，企業(yè)不必刻意省錢。AI 工具要多用，消耗的 Token 越多越好，這樣企業(yè)才能積累經驗。

第三步，梳理業(yè)務 SOP。

第四步，需要組織引領、推動 Agent 落地。無論是內部抽調人員研發(fā) Agent，還是成立單獨的部門做。

按照這四步走，會有比較好的效果。同時，企業(yè)還需要有擁抱變化的心態(tài)，即便踩到坑了，只要能快速的迭代，不管是認知上的迭代、組織思想上的迭代，還是工程建設上的迭代，最終才能做好。

劉湘明：知識庫的建設在那個階段開始比較好？

張奧迪：知識庫已經足夠了。只要企業(yè)能夠將文檔詳細歸類，并將日常 FAQ 和經驗結構化的積累下來，就是一個好的企業(yè)知識庫積累機制和狀態(tài)。

另一方面，非結構化的數據未來會越來越重要。沒有雖然現在一個完整的實踐經驗標明：非結構化數據會應用到數據中臺，或者會給未來的營銷效果提升非常多，但這是個趨勢。

劉湘明：謝謝張總的分享。

張奧迪：謝謝。