企业级Agent为何难以巩固落地？模子参数的束缚升级并未贬责根底问题什么样的女生有女人味，果然瓶颈在于企业的常识治理才智。本文深度剖析Agent在施行哄骗中的三大阶段演进，揭示隐性常识显性化的要害旅途，以及怎样将组织系念转折为AI可履行的智能钞票。
前阵子跟几个同业聊天，天下聊来聊去都绕不开一个话题——为什么明明当今模子都这样强了，各家Agent框架也数不胜数，但果然能跑到分娩环境、巩固干活的企业级Agent，少得怜悯？
我见过不少公司，活儿干得挺吵杂，Demo搞得也挺炫，一上线就原形毕露。阿谁Agent吧，你说它笨吧，它或然候回答得还挺像那么回事；你说它智谋吧，换个问法它就懵了，或者干脆给你来一段胡编乱造的东西。
这让我想起一个有真理的闲暇：天下都在追模子的参数竞赛——千亿参数，万亿参数，好像参数越大就越犀利。但果然把Agent用起来的东说念主都知说念，模子参数仅仅“能不可作念”的问题，而“能不可巩固作念好”，完全是另一趟事。
有个说法我极端认可：大模子决定Agent的才智上限，常识凹凸文决定Agent的才智下限。
什么真理呢？即是说，你的模子再强，它也即是个资质异禀的小白，脑子里全是通用常识，但对你们公司的业务逻辑、过程范例、那些不成文的“潜国法”，它是一无所知。
就像你招了个名校毕业的高材生，智谋是智谋，但第一天上班，你指望他径直上手处理业务？不给他看文档、不给他先容业务过程、不告诉他谁是谁，他再智谋也得捏瞎。
Agent亦然一样的真理。
我查了些数据，麦肯锡调研过，果然以为我方依然参预了AI熟悉部署阶段的企业，只须1%。你没看错，就1%。剩下99%都在干嘛？在摸索，在试错，在反复折腾那些听起来盛大上、施行上“一碰就碎”的Agent表情。
今天就想聊聊这事儿——为什么我说，企业Agent的上限，不在模子参数里，而在公司的常识治理才智里。
01 当模子不再是瓶颈——为什么常识治理成了Agent的隐形天花板
我入行这几年，看着模子从GPT-3一齐卷到当今，说真话，模子才智的提高是肉眼可见的快。但有真理的是，跟我聊天的一些期间负责东说念主，反而不像前几年那么振奋了。
“模子越来越强，可咱们落地越来越难了。”
有东说念主这样跟我说的时候，我还不太阐明。按理说，更强的模子应该意味着更少的忙绿才对啊？自后聊深了才发现，问题的根源适值在于——模子强了，天下对Agent的盼愿也高了。
前两年天下搞Agent，无非即是写个Prompt，能回答几个粗造问题就应承了。但当今呢？天下都想让Agent果然干活——自动审批过程、自动回应客户、自动处理工单。这一下，常识治理的短板就暴暴露来了。
1.1 Agent的三阶段进化：Prompt → Context → Harness
我梳理了一下，Agent的进化约略经历了三个阶段：
第一阶段：Prompt阶段。即是最粗造的玩法，写一段提醒词，扔给模子，让模子凭证提醒词回答问题。这个阶段基本上不需要什么常识治理，因为你问的问题范围很窄，把常识写进Prompt里就行。但症结是，Prompt长度有限，稍许复杂小数的问题就答不上来。
第二阶段：Context阶段。天下发现光靠Prompt不行，得给模子提供凹凸文。于是RAG（检索增强生成）运行火起来——先把公司文档存起来，用户问问题时，从文档里找到相干内容，跟问题一说念给到模子。这个阶段对常识治理运行有要求了——你得有文档，文档得有质料，文档还得能搜到。但问题是，许多企业的文档自身就前合后仰的，搜出来的东西质料堪忧。
第三阶段：Harness阶段。即是当今的气象。Agent不再是单纯回答问题的聊天机器东说念主了，它要调用用具、履行过程、处理多轮任务。这个阶段的常识治理需求径直上了一个大台阶——你需要的不仅仅文档，还有业务过程、决策国法、评估范例，以致包括“什么时候该调用什么用具”这种元常识。
而大多数企业的常识体系还停留在什么阶段呢？第一阶段的“文档存档”阶段。连第二阶段都没准备好，就想跳班干第三阶段的活，你说能不碰钉子吗？
1.2 大多数企业堕入的“常识幻觉”
我时时听到有东说念主跟我说：“咱们有常识库啊，咱们把统统文档都整理好了。”
然后我问：“你阿谁常识库，Agent能用吗？”
一般这时候对方就千里默了。
什么叫“Agent能用”？不是说把文档存起来就行。你得保证：
文档是结构化的，浅陋检索
内容是准确的，莫得落伍的信息
形式是兼容的，Agent能正确解析
权限是合理的，不同变装看到不同内容
许多公司所谓“有常识库”，其实即是把一堆Word、PPT、PDF扔到百度网盘或者某个网盘里。别说Agent了，东说念主找东西都良友。
更别说那些洒落在邮件、聊天纪录、飞书文档里的常识了。还有最要命的——民众脑子里的隐性常识。这些东西根底就没被纪录下来。
我之前在一家公司，想让Agent处理某种特定的客户投诉。找业务团队要范例过程，他们给我发了个文档，我一看，写了三页纸，全是“原则上……”“一般忽视……”“视情况而定……”。这种粗率的抒发，你让Agent怎样履行？
自后我跟一个老销售聊，他径直跟我说：“你看阿谁文档没用，我跟你说施行操作是怎样搞的……”他说了十五分钟，我记了满满三页。这十五分钟里提到的具体作念法、严防事项、话术技巧，阿谁三页纸的文档里一句都没提。
这不即是典型的“常识在脑子不在纸上”吗？
1.3 果然的“常识治理”是什么
是以我说，果然的常识治理，不是把文档存档，而是把“组织怎样责任”这件事不竭千里淀下来。
将来的常识库不应该是一个文献仓库，而是一个面向Agent的组织系念系统。这个系统要贬责三个问题：
知说念什么——公司的业务常识、家具信息、过程范例
怎样作念事——处理问题的具体技艺、决策国法、阅历阅历
谁来决策——什么情况下要东说念主工介入，什么情况下Agent可以自主处理
只须这三层都千里淀好了，Agent才能果然“懂”你们公司。
02 系念 ≠ 常识——从“短期责任系念”到“组织恒久钞票”的跃迁
这个标题我琢磨了好久，以为一定要单独拿出来说一说。
你有莫得发现，许多Agent有个谬误——记不住事儿。
你跟它说“帮我查一下张三的条约”，它查了，给你了。然后你说“帮我审一下这个条约”，它就忘了刚才查了什么，又要你再说一遍。
这即是典型的“金鱼脑”Agent：每次任务都从零运行，不牢记前次说过什么，不牢记你之前打法过什么。
但问题是，即使是这样的“系念”，也还仅仅短期系念。而企业需要的，是组织常识。
2.1 三层系念模子：L0即时系念 → L1个东说念主阅历 → L2企业常识
有个有真理的框架，把Agent的系念分红了三层：
L0：Session Memory（会话系念）即是单次任务凹凸文，你问一句，它答一句，用完就丢。就像你跟生疏东说念主语言，聊完就算了，不往心里去。
L1：Episodic Memory（个东说念主阅历）Agent跨会话辘集的阅历。比如合并个用户之前问过什么、处理过什么问题，Agent会记着这些，下次再遭受肖似的问题，能更快、更好地处理。这就有点像你跟熟东说念主打交说念——知说念他的民俗，知说念他心爱什么样的回答方式。
L2：Knowledge Memory（企业常识）组织级的常识。不是某一个东说念主的阅历，而是通盘团队千里淀下来的、经过考据的、可以被重迭使用的常识。这个就有点像公司的SOP、最好实践、常识库——你们公司是怎样作念事的，把这些概述成可复用的国法。
大多数企业现时的Agent是个什么气象呢？基本上是L0级别，连L1都没作念到。稍许好小数的，能作念到L1，但卡在L2这一步——个东说念主阅历没目的形成团队常识。
2.2 为什么大多数企业卡在“L0→L1”这一步
这里我想说说我在施行责任中不雅察到的闲暇。
其实要作念到L1——让Agent记着用户的个东说念主阅历和偏好——期间上并不难。难的是什么呢？难在“系念的自动化拿获”。
什么真理？即是你不可让用户手动告诉Agent“记着这个记着阿谁”，你得让Agent我方学会判断：哪些信息值得记，哪些信息用完就可以丢。
这就波及到一个中枢问题：什么是值得系念的？
我见过一些公司，搞了个“系念功能”，扫尾Agent什么都记——用户说的每句话、每次对话的每个细节，统统存起来。临了啥扫尾呢？Agent的回答越来越慢，每次都要从海量的系念里检索，何况还时时检索错，给出一堆不相干的东西。
这即是典型的“有系念不等于有常识”什么样的女生有女人味。
能自动拿获的系念仅仅第一步，能正确筛选的系念才是要害。
2.3 从“个东说念主系念”到“组织常识”的要害机制
那怎样从L1走到L2呢？我以为有几个机制极端伏击：
第一：筛选机制。不是统统系念都能成为常识。东说念主的大脑亦然这样——你今天中午吃了什么，过两天就忘了，因为这不值得记。但如若你今天在客户那里听到了一个伏击的需求，你会记下来，因为有价值。Agent也一样，需要有判断范例：哪些是必须保留的常识，哪些是临时信息，落伍效就可以丢掉。
第二：考据机制。一个东说念主的阅历可能不准确，或者只适用于特定场景。要把个东说念主阅历形成团队常识，得经过考据——别东说念主用过没？成果怎样样？有莫得更好的作念法？这个过程，其实是把“阅历”升级为“最好实践”的过程。
第三：结构化机制。零碎的阅历是没目的被系统化复用的。你得把它形成结构化的常识——什么样的输入，对应什么样的处理过程，输出什么样的扫尾。有点像在家具遐想里作念用户故事：用户在哪，作念了什么，遭受了什么，怎样贬责，扫尾怎样。
第四：授权机制。不是统统东说念主都能看到统统常识。公司的贸易诡秘、客户的阴私信息，需要有细粒度的权限治理。何况，不同变装对合并件事情的存眷点完全不同——法务存眷风险，销售存眷成单，家具存眷需求。你不可让统统东说念主都看到相通的东西。
我极端认合并个说法：能复用、能授权、能追念、能不竭进化的系念，才是企业常识。
如若你仅仅让Agent记了一堆东西，但莫得才智离别哪些该给别东说念主用、哪些该守密、哪些依然落伍了需要更新——那这就不是常识钞票，而是数据垃圾。
03 隐性常识显性化——Skill是常识治理才智的“终端形态”
好了，铺垫了那么多，当今说说我认为最伏击、亦然最难的一环——隐性常识的显性化。
我在前一家公司的时候，有个老共事，干了十五年客服，他处理投诉那叫一个牛——不论多刁顽的客户，到他手里，三分钟之内情谊就巩固了，问题也贬责了。我极端想把他这套“妙技”家具化，交给Agent去学。
扫尾呢？
我找他聊天，让他说说他处理投诉的心法。他想了半天，说：“也没啥心法啊，即是……看东说念主下菜碟。”
我问：“什么情况下‘看’什么‘菜’？”
他说：“这我哪说得明晰，即是凭嗅觉啊。”
这即是典型的隐性常识——知说念怎样作念，但说不明晰是怎样知说念的。
3.1 三类企业常识的处理方式
我在实践中把企业常识分红了三类，处理方式完全不同：
第一类：蓝本就莫得千里淀的常识。许多业务要害，根底就莫得范例过程。比如某个新的战术出台，怎样解读、怎样履行，天下心里都没底。这种常识怎样来？靠Agent自动去收集、整理、归纳。战术文献出来了，Agent自动索求要害信息，生成FAQ，推送到相干东说念主员那里。这其实是常识治理里最基础的一步——从无到有。
第二类：有常识但莫得体系。许多公司其实辘集了不少常识，但散播在各个系统里——销售在CRM里写的备注，客服在工单里的处理纪录，家具在PRD里的需求描绘……都是碎屑化的。这种常识怎样处理？靠Agent去作念整理、编译、去重、索引。把碎屑拼成一整张图。
第三类：亦然最难的——民众脑中的隐性常识。就像我阿谁老共事，他知说念怎样作念，但他说不明晰。这种常识怎样显性化？只可靠共创和蒸馏。什么真理呢？即是民众和家具司理、常识工程师一说念，通过反复的换取和提真金不怕火，把那些“凭嗅觉”的东西，形成“可描绘、可履行、可评估”的国法。
3.2 隐性常识家具化的三个输出物
那我自后怎样处理老共事这事儿呢？我换了个方式，不问他“心法”了，而是问他具体场景：
“如若客户一上来就骂东说念主，你怎样处理？”“先让他骂，别打断。等他骂收场，说‘阐明您的感情’，然后……”“如若客户说我方被骗了，你怎样办？”“先证实他说的‘被骗’是什么情况。如若是价钱问题……”
这样一问，我发现他的阅历其实是可以拆解的。我跟他一说念梳理了约略十几个典型的投诉场景，每个场景都拆出了三个输出物：
国法：在什么情况下作念什么决策。比如“如若客户情谊高亢，优先安抚情谊，再贬逼迫题”。
Skill（履行过程）：具体怎样作念。把技艺写明晰，先干什么，再干什么。
评估样例：怎样判断作念得对不对。一个好的处理扫尾长什么样？一个分歧格的处理扫尾长什么样？
你看，把这三样东西输出之后，隐性常识就形成了Agent可履行的指示。
3.3 Skill的内容：从“知说念什么”到“怎样作念事”
我当今越来越以为，Skill不是功能插件，而是企业隐性常识的可履行形态。
什么真理呢？曩昔咱们说“常识治理”，治理的是“知说念什么”——家具信息、业务国法、过程文档。但果然决定问题能不可贬责的，是“怎样作念事”——遭受A情况怎样处理，遭受B情况怎样退换。
我打个比喻。你给一个新东说念主培训，给他发了一册厚厚的顺序轨制手册——这叫“知说念什么”。但真要他在前列干活了，他遭受一个复杂的客户投诉，手册上根底找不到对应的条件。这时候老职工过来了，说：“你看，这种情况，你要先这样，再那样，临了这样……”——这叫“怎样作念事”。
Agent亦然一样的。光有顺序轨制手册不够，你得给它输入处理复杂问题的“妙技”。
是以我说，日本一区将来果然稀缺的，不是会写代码的东说念主，而是能把业务阅历拆解成国法、过程和评估范例的东说念主。
你想想，一个干了十年的老销售要退休了，他脑子里那些谈生意的话术、判断客户意向的技巧、跟竞争敌手周旋的阅历——这些比什么参数模子都值钱。如若能把它们拆解成一套“Skill”，让Agent学会了，那这个Agent不即是阿谁老销售的“数字分身”吗？
04 常识架构 = 资本架构——Token治理的底层逻辑
聊一个极端现实的问题——钱。
我有个一又友，作念AI家具运营的，他跟我说了个事儿。他们公司上线了一个AI案牍Agent，挑升帮店小二写商品描绘。一运行以为挺好的，遵循提高很明白。扫尾到了月底一算账，傻眼了——这个Agent每天消费3000万Token，一个月下来，光模子调用费就几十万。
“咱们雇主看了账单，径直问：这Agent是在帮咱们省钱，如故在帮咱们费钱？”
这事儿其实极端有代表性。许多企业搞Agent的时候，只想着“能不可用”，没想过“用得升引不起”。
但我想说的是，Token资本问题，内容上不是财务问题，而是常识架构问题。
4.1 “东说念主为什么会背乘法口诀”的AI版块
我先问个问题：你为什么毋庸计较器算3×7？
谜底很粗造——你把它记着了。因为这是高频计较，每次从头算太花消时刻，背下来径直给扫尾更高效。
Agent亦然一样的真理。高频任务、固定例则、常用谜底，不应该每次都从零推理。
你想啊，如若公司职工每次遭受“加班费怎样算”这个问题，都要让Agent去读一遍《服务法》，再结合公司轨制算一遍——那每次都是在花消Token。但如若这个谜底依然被考据过了，径直缓存起来，下次径直调用——一次推理，遥远受益。
这即是我说的：能复用的凹凸文不要反复消费Token，能千里淀的谜底不要每次从头生成。
4.2 三管王人下的资本治理决策
那具体怎样干呢？我追思了三个标的：
第一：系念缓存。高频问题、范例谜底，成立缓存机制。第一次回答了，缓存起来，下次相通的问题径直给谜底，不再从头调用模子推理。这个跟浏览器的缓存期间很像——静态内容不央求服务器，径直读缓存，速率快还省资源。
第二：任务分级。不是统统任务都需要大模子。高价值的、复杂的任务，比如处理客户投诉、撰写法律文献，用最执意的模子；范例化的、粗造的任务，比如查个价钱、走个审批过程，用小模子以致国法引擎就够了。这就好比你不会请米其林大厨给你炒个蛋炒饭。
第三：冷热分层。像存储系长入样，把数据分红热数据和冷数据。高频使用的、需要及时反应的数据放在高速存储里；低频使用的、历史存档数据放在低资本存储里。这样既能保证检索性能，又能限度存储资本。
4.3 一个反面案例：每天3000万Token的代价
说回我一又友阿谁公司。自后我去帮他们看了一下，发现问题的根源是——完全莫得常识复用的意志。
阿谁AI案牍Agent，每次写案牍都是从零运行。不论这个商品之前有莫得东说念主写过肖似描绘，不论公司有莫得辘集范例的案牍模板，Agent每次都从头“创作”。这就导致了一个扫尾：相通的商品，不同的店小二问，Agent给出了不同的谜底；合并个东说念主问合并个问题两次，Agent的回答也不一样。
这不即是钱在烧吗？
是以我给他们的忽视是：先别管模子了，先把你们公司的案牍常识库整理一下。把范例化的描绘模板成立起来，把高频的营销话术千里淀下来，给Agent建个“参考系念”。这样Agent写案牍的时候，先查系念库，找到模板和历史案例，再基于这些作念退换和优化。
改完之后，Token消费径直降了差未几70%。何况不仅省钱，回答的质料反而更巩固了——因为基于真实阅历的模板，比模子临时编的更靠谱。
你看，资本治理和常识治理，其实是合并件事。
05 从PoC到分娩的鸿沟——80%的企业摔在了“常识冷启动”
聊点更施行的落地问题。
我时时参加一些行业换取，天下聊我方的Agent表情，十个东说念主有九个都说处在PoC（观点考据）阶段。问为什么不可上线分娩，谜底丰富多采——但仔细一听，都能归结到一个问题：常识冷启动阶段就卡住了。
什么叫“常识冷启动”？即是你贪图让Agent跑常识库了，你手里有一堆文档，你兴冲冲地把它们上传进去，想着Agent速即就能给你干活。
扫尾呢？
上传之后，Agent驴唇不对马嘴，或者干脆说找不到相干信息。你以为是模子不行，折腾了半天发现——问题是出在文档自身息争析方式上。
5.1 常识冷启动：占部署总时刻的40%-60%
我见过太多团队，评估一个Agent能不可用，就拿着模子跑几个问题望望成果。成果好了，就运行规划上线。扫尾一上分娩，发现根底跑不动——不是模子的问题，是常识库没搭好。
有个数据我印象很深：常识冷启动阶段（即是搭RAG的阶段），庸俗占总部署时刻的40%-60%。你没看错，快要一半的时刻，不是花在选模子、调参数上，而是花在让文档“Agent就绪”这件事上。
为什么？因为大多数企业的文档，根底就不是为Agent遐想的。
5.2 四个常见的“常识治理惨案”
我来举几个我施行踩过的坑，你望望你们公司有莫得：
惨案一：形式碎屑化。公司的文档有的是Word写的，有的是PDF，有的是PPT，还有的是Excel。更崩溃的是，有些文档是多栏排版、嵌套表格的。Agent一解析，劈里啪啦全乱了。本来一段完满的话，被分红了好几块；本来一个表格里的数据，被拆得七零八落。
惨案二：切分横祸。RAG系统庸俗需要把文档切成小块（Chunk），然后检索时找到最相干的块。但怎样切？许多系统是按固定长度切的——每500个字符切一块。扫尾呢？一句话从中间被割断，上一个块告诉Agent“今天天气很好”，下一个块说“是以要外出打球”——Agent根底连不起来这两句话的关系。
惨案三：表格盲区。Excel表格里的结构化数据，上传到Agent之后，时时形成一堆前合后仰的文本。本来是一转一转的销售数据，被解析成了一大段描绘，完全失去了结构信息。Agent想查某个月的销量，根底找不到。
惨案四：范围齐全。许多RAG系统对大文献有齐全，逾越15MB就报错。但你想想，一个公司的家具手册，可能几百页，松驰一个PDF都逾越15MB。传不上去，怎样用？
这些问题的内容，都指向合并个根源：文档的质料，决定了Agent的下限。
我越来越认合并个不雅点：文档解析质料对最终成果的影响，深广于模子选型或检索算法优化。你模子再好，数据不行，照样白扯。
5.3 从“有文档”到“Agent就绪”需要什么
那到底怎样作念，才能让文档“Agent就绪”呢？我我方的阅历，有四个要害点：
第一：文档解析才智要强。不可只维持一种形式，要维持PDF、Word、Excel、PPT、图片、扫描件……以致包括那些扫描版PDF（即是把纸面文档扫描成图片的那种），也得能识别。何况，解析的时候要保留文档的结构信息——标题、段落、表格、列表，一个都不可丢。
第二：智能切分策略。不要固定长度切分，要按语义界限切分。一句话说不完的，不要拦腰截断；一个段落讲合并个主题的，不要拆成两块。联想的气象是：一个Chunk，即是一个完满的语义单位。
第三：搀杂检索。不可只靠向量搜索。有些问题，要害词匹配比语义搜索更有用——比如查家具型号、条约编号、专闻明词。最好的决策是向量搜索 + 要害词匹配搀杂使用，取两者之长。
第四：不竭监控与迭代。常识库不是一次性工程。你上传了文档，Agent初期用着还行，但过段时刻，文档更新了、业务变化了、用户问的问题变了——常识库得不竭珍爱。你不可指望上个线就万事大吉。
我见过一个团队，Agent上线的第一个月，准确率有85%。他们以为挺舒坦，就没管了。三个月后，准确率掉到了60%——不是模子变差了，而是常识库里的信息依然落伍了，新业务的常识根底没更新。用户问的问题，Agent还在用三个月前的常识回答，详情错。
06 AI就绪力的四根相沿——组织常识治理才智的系统化诞生
写到临了，想从更高小数的角度聊聊——这件事不仅仅期间问题，更是组织才智问题。
我一直在念念考一个问题：为什么有些公司，看起来起步比别东说念主晚，但Agent落地的速率反而比别东说念主快？
不雅察下来，我发现这些公司有一个共同点：它们在作念“AI就绪力”的系统化诞生。
什么叫“AI就绪力”？粗造说，即是你的组织准备好了让AI果然落地。我追思了一下，包括四根相沿：
6.1 念念维底座：AI不是期间表情，而是组织重构
我发现许多治理层有个阐明误区：以为AI即是个“提效插件”，像装个Photoshop一样，装了就能用，用了就能提高遵循。
但施行情况是什么呢？有个议论公司作念过调研，AI落地的得胜身分里，70%是东说念主、过程与文化，期间只占30%。这个比例我刚运行不信，自后我方经历了几个表情，发现照实如斯。
你想啊，你上线了一个Agent，它要调用你们公司的系统，要对接你们公司的过程，要处理你们公司私有的业务逻辑。你们公司的过程自身是不是优化过的？你们公司的常识千里淀是不是够全？你们公司的东说念主愿不肯意配合Agent干活？
这些，统统是组织层面的问题，跟模子参数一毛钱关系莫得。
6.2 实操妙技：从“会写提醒词”到“会与AI配合”
另外一个让我挺感触的数据：全球只须39%的职场AI使用者，从公司获取过AI培训。
这意味着什么？意味着大部分东说念主用AI，都是靠我方摸索的。以致许多公司上了Agent，也不给职工培训怎样正确使用——扫尾职工要么不会用，要么乱用。
有个连络挺有真理的，NBER发现，AI对低阅历职工的匡助尤其明白，能提高约略35%傍边。为什么呢？因为低阅历职工不熟悉公司的“潜国法”，而AI系统把这些隐性阅历转译成了他们也能调用的忽视。
但反过来想，如若职工自身就不会跟AI配合，那这个上风就推崇不出来了。
中枢才智其实就三项：拆撤职务、提供凹凸文、判断输出质料。会这三样，即是优秀的“AI配合型职工”。
6.3 常识储备：AI不是替代常识，而是从头订价常识
这句话我极端想多说几遍：AI不是替代常识，而是从头订价常识。
什么真理？曩昔，常识的价值体当今“我有你莫得”——老职工有阅历，新职工莫得。但当今，AI可以快速学习和复制这些阅历。这时候，常识的“稀缺性”被冲突了——任何能被Agent学会的常识，都不再是个东说念主钞票，而形成了组织钞票。
那果然有竞争力的企业是什么样的？不是领有最多妙手的公司，而是起先把妙手阅历家具化、过程化、常识化，然后交给AI放大的公司。
我传奇有一个零卖巨头，作念了一个里面Agent，从想法到上线只用了60天。为什么这样快？不是因为他们期间犀利，而是因为他们多年辘集了多数的过程常识、运营国法、品牌范例——这些东西早就准备好了，仅仅以前是东说念主用，当今是Agent用。
6.4 伦理意志：跑得快不是技艺，跑得快还能不失控才是
临了想聊一个容易被忽视的点——伦理和治理。
有个数据我挺战抖的：78%的AI使用者在公司崇拜国法以外自带用具。什么真理？即是公司没礼貌能不可用，职工我方用我方的开垦、我方的账号，调用我方的AI用具去向理公司业务。这里面遁藏的风险有多大——数据界限、客户阴私、信息安全，统统可能出问题。
是以，如若你要让Agent大范围参与公司业务，必须从第一天就推敲治理问题。不是比及出问题了再去转圜，而是从一运行就遐想好权限、审计、合规机制。
有个银行作念得可以，他们的AI/ML表情创造了巨大的经济价值，但同期，他们的治理和立异是系结鼓舞的——上了新功能的同期，也上了相应的管控措施。
我以为这才是一个健康的姿态。伦理不是法务事项，是谋划事项。
07 模子会变，框架会变，常识才是复利钞票
写了不少了，临了想说的是：在将来三到五年的Agent波浪中，期间会束缚迭代，但企业常识治理才智才是果然的恒久钞票。
我见过不少公司，追模子缅怀心累——今天GPT-5发布了，迅速换；来日Claude 4出了，又换一波。换来换去，发现Agent的成果如故阿谁边幅。
为什么？因为模子仅仅“会答”，而Agent要“会干”。要“会干”，肚子里得有货——得有你们公司的业务常识、过程阅历、决策逻辑。这些东西，不会因为模子更新就自动变好，也不会因为你换个框架就自动长出。
模子会变，框架会变，Agent形态会变；企业常识、过程阅历和组织系念，才是恒久钞票。
是以，如若你问我，作念AI应该从那里运行？我的忽视是：别追模子参数了，先把你公司的常识管好。把那些洒落在文档里、邮件里、民众脑子里的常识，小数点提真金不怕火出来、结构化、家具化，然后让Agent去学、去用、去千里淀。
这是一件慢活儿、脏活儿、累活。但一朝作念好了，你会发现——这比换个千亿参数模子有用得多。
临了的临了，送天下一句话吧：
Agent是会变的，常识才是复利钞票。
共勉什么样的女生有女人味。
