过去两年,几乎每家企业都在尝试 AI。但真正跑进生产、每天在用的智能体,比例并不高。
我们复盘了素当信息参与过的 100 多个项目,发现失败的原因惊人地相似。很少是因为模型不够强,更多是因为场景、数据和流程没想清楚。 下面是最常见的五个坑。
1. 从“技术能做什么”出发,而不是从“业务痛在哪”出发
很多项目的起点是:“大模型这么厉害,我们能用它做点什么?”于是做了一个什么都能聊、但什么都不精的助手,上线一个月后就没人用了。
更好的起点是找到一个高频、规则相对清晰、目前靠人工硬扛的环节。比如:
- 法务每天要初审几十份格式合同
- 投标团队每份标书要花一周整理资料
- 客服 70% 的问题都在重复回答
这类场景的价值容易量化,用户也有强烈的动力去用。
2. 指望一个提示词解决所有问题
一个超长的提示词,试图让模型一次性完成理解、检索、判断和输出,结果往往是不稳定。
把复杂任务拆成多个步骤、交给多个智能体,每一步只做一件事,效果会稳定得多,出了问题也容易定位。这也是我们在 Blaflow 里坚持用可视化流程来编排智能体的原因。
3. 忽视知识库的质量
“把所有文档都丢进知识库”是最常见的做法,也是检索效果差的主要原因。过期的制度、重复的版本、扫描件里识别错误的文字,都会让智能体给出错误答案。
我们的建议是:
- 先梳理出与场景直接相关的核心文档,宁少勿滥;
- 为文档标注版本和生效时间;
- 上线后持续收集“答错”的案例,反向清理知识库。
4. 没有给人留位置
完全无人值守的智能体听上去很美,但在合同、财务、对外发布这类场景里,风险太高。
成熟的做法是人机协作:智能体完成 80% 的准备工作,在关键节点交给人确认。这样既保证了效率,也让业务团队对结果有信心,愿意持续使用。
| 场景 | 智能体负责 | 人负责 |
|---|---|---|
| 合同审核 | 条款拆解、风险标注、改写建议 | 复核高风险条款、最终签批 |
| 标书撰写 | 资料匹配、方案初稿、格式检查 | 报价策略、关键承诺 |
| 内容生产 | 选题、脚本、配音、剪辑 | 创意把关、发布审核 |
5. 上线即结束
智能体不是一次性交付的软件。业务在变,模型在升级,用户的提问方式也在变。
上线之后,至少需要持续关注三件事:使用率、准确率和成本。Blaflow 的运营看板会记录每一次调用的效果反馈,帮助团队找到需要优化的环节。
AI 智能体的落地,本质上是一次业务流程的重新设计。如果你正在规划第一个智能体项目,欢迎和我们聊聊,我们很乐意分享更多实战经验。