把 AI 从演示
变成产线上的生产力

今年几乎所有人都在问我同一个问题：你们的 Agent 什么时候上。

我的回答是：先不急。因为我发现一个更基础的问题——问一句"这台设备上次为什么停机、后来怎么处理的"，公司里没有人能在十分钟内给出确定答案。答案散在三个系统、两份 Excel 和一位老师傅的聊天记录里。

Agent 的价值是调用工具完成任务。但如果它调用的每个工具背后，数据本身是错的、过期的、互相矛盾的，Agent 只会把错误放大得更快。一个会犯错的助手，比没有助手更危险。

所以我先做知识库：不是做一个搜索框，而是把"谁在什么条件下说的话算数"用元数据固化下来——每份文档有生效状态、责任人、适用范围；过期的不进索引；冲突的条目要人工裁决。

这件事很脏，也很慢。但它做完之后，Agent 才有意义，因为工具调用的前提是可信的输入。顺序错了，后面全是返工。

做 AI 抽取的时候，我发现一个反直觉的事：信息密度最高的地方，往往是最脏的那个字段。

ERP 里每个单据都有一堆规整字段——物料编码、数量、单价、供应商。结构清晰，但信息量极低，因为它们是结论。真正的原因、背景、例外情况，全在备注栏里。

备注栏没人管：格式自由、错别字多、还经常写"同上"。但它记录的是规则之外的真实世界。"这批料供应商临时换模具，交期要往后推一周，客户那边已经口头同意"——一句话里包含供应商、变更、交期影响、例外确认四个信息点，其他任何字段里都找不到。

所以做知识层时，我给备注栏的权重比结构化字段还高。清洗成本是三倍，但它是唯一能回答"为什么"的地方。

一个实用的判断：如果一个系统里所有字段都很规整，那说明真实业务没被记录下来。

我用来筛场景的四个维度，按重要性排序：

• 价值密度：这个动作每天发生多少次，每次省多少时间。低频高价值的场景（比如年度预算）通常不值得做——样本太少，容错要求太高。
• 数据可得性：不是"有没有数据"，是"能不能在需要的时候、以可用的形式拿到"。有数据但锁在别人系统里、或者要三个人审批才能导出，等于没有。
• 容错空间：错了会怎样。写会议纪要约等于零风险，报价测算错一位数是灾难。容错空间小的场景，要么不做，要么必须留人工复核。
• 推广成本：做完之后要让多少人改变习惯。这是最容易被低估的一项——技术上很成功的工具，如果要求两百个人改流程，失败概率极高。

四项里挂两项以上，基本别做。挂一项，可以做，但方案里要写清楚怎么补。

这套框架不保证成功，但能帮我快速排除掉七成的坏主意。对一个只有一个人的 Lab 来说，排除比尝试更重要。