AI Agent 是什么
AI Agent 是能理解目标、自行判断下一步并调用工具完成动作的 AI 程序。企业级 Agent 的动作范围、判断规则与权限由企业划定，关键节点由人工确认后生效。
本文说明概念与技术边界，不涉及具体产品报价；落地方式取决于企业现有系统条件与验收标准。
30 秒看懂
企业级 Agent 和 ChatGPT 这类对话式 AI 有什么区别？
两者底层的模型能力可能相同，差别在模型外面那一圈。
| 对比维度 | 对话式 AI（如 ChatGPT） | 企业级 AI Agent |
|---|---|---|
| 输出形态 | 一段回答或内容 | 一项已完成的工作 |
| 能不能动手 | 不能，只在对话框里 | 能，调用企业系统完成动作 |
| 判断依据 | 模型的通用知识 | 企业定义的规则与业务数据 |
| 权限边界 | 没有企业权限概念 | 按角色与范围分级授权 |
| 出错的后果 | 内容需要人工复核 | 关键动作需确认后才生效 |
| 是否留痕 | 不产生业务记录 | 全链路审计，可追溯到人 |
最后两行是企业能不能用它的前提。消费级 AI 出错，代价是用户自己看一眼；企业级 Agent 接的是真实业务动作，没有权限边界和确认机制，能动手反而比不能动手更危险。
一个企业级 Agent 由哪四部分组成？
模型只是其中之一，而且是最容易被替换的那一个。
模型Model
负责理解语言与生成判断，是能力来源，也是可替换的部件。模型会持续迭代，企业不必把它当作需要自己拥有的资产——真正需要自己拥有的，是下面三层。
工具Tools
Agent 能调用的动作集合：查库存、写单据、发通知、调接口、推进审批。没有工具，它只能给建议；工具决定了它能真正接手多少工作，也决定了风险边界在哪里。
规则Rules
企业写下的判断依据与阈值：什么能做、多大金额必须停、什么情况转人工。规则独立于模型存在，业务人员可以查看和修改，不需要动代码。这是 Agent 与「套壳对话机器人」的本质区别。
记忆与状态State
记住做到哪一步、上下文是什么、哪些信息已经确认过。没有状态，同一件事会被反复问、重复做，或者出现前后矛盾的判断。它决定 Agent 能不能承接跨天、多步骤的工作。
上 AI 一定要自建大模型吗？
这是企业最关心也最容易走偏的一个问题。
结论
通常不需要
通用模型的能力已经足够处理企业场景里的理解与表达。自己训一个模型投入大、迭代慢，而且不解决业务问题——业务问题在规则、接口和权限里，不在模型里。
真正要建的
规则库、系统接口、权限设计、异常出口
这四样决定效果，也决定这套东西是不是别人拿不走的。它们长在企业的业务流程里，通用模型给不了，竞争对手也搬不走。
什么时候才考虑专属模型
数据不能出域，或语言高度专业
数据合规要求不能离开企业环境，或业务语言专业到通用模型理解不了，这时考虑的也是专属部署与微调，而不是从零训练一个基础模型。
关于 AI Agent，哪些说法是误解？
误解Agent 就是更聪明的聊天机器人。
实际差别不在聪明程度，在于有没有动手的能力和被约束的设计。能调用系统却没有权限边界和确认机制，比不能调用更危险。
误解Agent 会自己决定要做什么。
实际企业级 Agent 的动作范围由企业划定：能调用哪些工具、能改哪些字段、多大金额以上必须确认，都写在配置里，不由模型临场决定。它没有「自己想做点什么」的空间。
误解模型越强，效果就越好。
实际在真实业务里，规则是否写清、接口是否打通、异常是否有人接，对结果的影响远大于换一个更强的模型。换个模型只需要一天，理清规则往往需要几周——效果差距也在这里。
误解上线之后就不用管了。
实际它需要持续维护：规则会随业务变化、新场景要补进去、异常案例要回看。把它当成一位需要带教的新同事，比当成一套装完就完的软件更接近实际。
怎么判断一项工作能不能交给 Agent？
六条对照下来，能看清的不只是可行性，还有这项工作本身的成熟度。
- 这项工作的输入能拿到——消息、单据、系统数据都算。
- 判断依据能写成条文，而不是只凭经验。
- 出错的后果可以被拦住，不需要事后追悔。
- 需要的动作有接口，或者至少有稳定的操作路径。
- 有人愿意做最终的确认并对结果负责。
- 这项工作的频次足够高，值得为它配置规则。
六条里有两三条暂时不满足，通常不代表不能做，而是说明这项工作的规则还没梳理清楚。梳理规则的过程本身，往往比上系统更有价值。
关于 AI Agent，还有哪些常被问到的问题？
AI Agent 和 ChatGPT 有什么区别？
ChatGPT 这类对话式 AI 的产出是回答，需要人来采纳和使用；AI Agent 的产出是已完成的工作，它会调用企业系统把动作做完。此外企业级 Agent 还有权限分级、规则约束和全链路留痕，这些是对话式 AI 不具备的。
智能体是什么？和 Agent 是一回事吗？
是一回事。智能体是 Agent 的中文译法，指能理解目标、自行决定下一步并调用工具完成动作的 AI 程序。在企业语境里，通常还会强调它的动作范围与权限由企业划定，而不是由模型自行决定。
企业级 Agent 需要哪些技术条件？
三样东西：能拿到的输入、能调用的工具、能表达成条文的规则。输入可以来自消息、单据或系统事件；工具指接口或稳定的操作路径；规则需要业务方参与梳理。三者里最花时间的通常是规则，而不是技术对接。
Agent 用的模型是哪家的？
模型是可替换的部件，具体选型取决于场景对理解能力、响应速度与部署形态的要求。企业真正需要自己掌握的资产是规则、接口和权限设计——这些不随模型更换而失效，也是效果差异的主要来源。
模型升级了，Agent 要不要重做？
不需要重做。模型与规则、工具是分层的：模型升级通常带来理解能力的提升，原有的规则、接口与权限设计继续有效。这也是把判断依据放在规则层而不是提示词里的原因之一。
Agent 能自己学会新技能吗？
不会自行扩展动作范围。它能调用的工具由企业配置决定，新增能力需要显式接入并划定权限。这样设计是为了可控：一个能自己给自己加权限的系统，无法通过任何合规审查。
一个 Agent 能同时做几件事？
取决于任务之间的关系，而不是数量上限。同一条业务流上的多个环节通常可以交给一个 Agent 承接，例如接单、校验、入账到提醒；彼此独立、权责分离的工作，更适合拆成不同的 Agent 并分别授权。
Agent 会不会被提示词攻击？
这是真实存在的风险，处理方式是权限与确认机制，而不是只靠模型自身判断。把可执行的动作限定在必要范围、把高风险动作设为必须人工确认、把异常与冲突一律拦下来转人工，攻击能造成的后果就被限制在可接受范围内。
没有数据的企业能用 Agent 吗？
能。它需要的是业务规则和可调用的系统，不是历史大数据。没有现成数据时，通常从梳理「这项工作现在怎么做」开始，规则的整理过程会自然产出后续需要的数据结构。
Agent 和自动化流程有什么不同？
自动化流程处理路径已经确定的情况，Agent 处理知道判断标准、但每次情况不完全一样的情况。前者要求流程先固定，后者要求规则先写清；企业里这两类工作通常同时存在，也常常配合使用。