上个月在宁波一家汽配厂，老板指着屏幕问我：“这玩意不是说能自动处理订单吗？怎么三天两头把A客户的货记到B客户头上？”我看了眼日志，智能体把“宁波华X”和“宁波华Y”当成同一家——因为知识库里两家客户的简称只差一个字。这不是模型笨，是我们当初没做实体对齐。
一、别急着买大模型，先看看你的数据能不能“对上号”
很多企业一上来就问“用GPT还是文心”，我觉得这问题问反了。去年我们给一家做紧固件的工厂做智能体，目标是自动回复客户询价。第一版接的是通用大模型，准确率不到六成，经常把M8螺栓的单价报成M10的。后来发现，他们ERP里客户名称有简称、全称、税号三种写法，产品库更乱，同一个规格有五种叫法。
我们花了三周做实体对齐——把客户、物料、价格三张表的主数据理清楚，又建了个同义词库。这之后智能体准确率才爬到89%。所以我的建议是：先别管模型，把你核心业务对象的“唯一标识”理出来。如果连人都分不清“华X”和“华Y”，机器更分不清。
二、权限设计比模型选型重要十倍
杭州那家连锁药店的项目更惊险。他们想让智能体帮店长审报销单，自动通过500元以下的。结果测试时，智能体把一张“团建聚餐”的发票批了——按制度这属于需人工复核的类目。问题出在哪？我们只给了智能体“金额判断”的权限，没给它“类目黑名单”的约束。
后来我们改了一套规则：智能体可以发起审批，但最终“通过”动作必须由人点。它只做三件事——识别发票真伪、核对预算余额、标记异常项。店长反馈说，虽然多点一下，但省了翻凭证的时间，每天能少加班半小时。
我的经验是：把智能体当成一个“实习生”，它能查资料、能填单子、能提醒，但签字盖章的事，还得人来。权限上做减法，比在模型上做加法有用得多。
三、算力成本是个隐形杀手，先算清楚再上线
苏州那家做设备巡检的企业，一开始用云端大模型做图像识别，每张图调用一次，一天两千张，月底账单出来三万七。老板脸都绿了。其实他们的场景很固定——就看仪表盘读数、阀门开关状态，根本不需要通用大模型。
我们换成小模型加规则引擎，部署在本地工控机上，一次性投入四万，每月电费多两百。识别速度从3秒降到0.8秒，准确率还高了两个点。这件事让我明白：不是所有智能体都要“大”。高频、固定、容错低的场景，小模型加规则反而更稳更省。
如果你现在要立项，先让团队算一笔账：每天调用多少次？每次多少token？云端和本地的三年总成本差多少？这笔账算不清，上线就是烧钱。
四、老板该问团队的五个问题
结合这三个项目，我整理了一份决策清单。你在批预算前，可以把这五个问题甩给技术负责人：
- 这个智能体处理的任务，错误率容忍度是多少？错了谁兜底？
- 它需要访问哪些系统？这些系统的数据质量能打几分？
- 权限边界画清楚了吗？哪些动作必须人工确认？
- 三年总拥有成本是多少？云端和本地方案差多少？
- 上线后怎么衡量它“有用”？是省了人力，还是加快了周转？
这些问题答不上来，项目大概率会变成演示时好看、用起来鸡肋的摆设。
几句实在话
AI智能体不是魔法，它是个工具。工具好不好用，取决于你给它配的“工作环境”——数据干不干净、权限清不清晰、成本算没算明白。如果你现在手头有个场景想试，我建议先别买License，找个开源框架，拿一个月的真实数据跑个小闭环。跑通了再谈推广，跑不通就换个场景。别为了“AI”而AI，能省下一个人工、少出一笔错账，就是好智能体。