原创 特工彩虹糖 2025-10-16 18:56 广东
企业级 Agent = 大模型 × 好数据 × 强场景。
内容审核丨特工少女
9 月 25 日的云栖大会上，瓴羊 CEO 朋新宇在台上提出一个观点：“企业级 Agent 的价值，取决于你有没有最适配的模型、有没有自己的好数据、有没有找对场景。”
这个判断背后，是瓴羊从 7 月到现在陆续发布的三批 Agent 应用——客服、分析、营销。这次发布的 AgentOne，把这些能力整合成了一个企业级 AI 智能体服务平台。
但企业级 AI 落地，远比看起来难。Sam Altman 在访谈中说过：当 Agent 犯错时，后果严重得多。ChatGPT 在日常对话中胡说八道，用户笑一笑就过去了。但 Agent 接入业务系统后，搞错订单、说错话、搞乱数据，都是实实在在的损失。
瓴羊提出的解决公式是：企业级Agent = 大模型 × 好数据 × 强场景。
为什么 Demo 能跑通，业务却跑不通
复杂度会吃掉准确率
假设一个 Agent 每步准确率 95%。在演示环境执行 3-5 步任务，成功率接近 90%，看起来还不错。
但真实业务往往需要 20 步以上的流程，即 0.95^20 ≈ 36% 的成功率。也就是说，Demo 环境的完美表现，在生产环境中很可能意味着失败。
这 5% 的问题出在哪？
边界模糊。你不知道 Agent 在哪一步该停下来让人接管。一个客服 Agent 自作主张给客户承诺了不该承诺的东西，这个锅谁来背？
场景割裂。不同系统的 Agent 各自为政，数据打不通，流程串不起来。营销 Agent 找到了目标客户，但客服 Agent 不知道这个客户的来源和需求。
缺乏闭环。你优化了 Agent 的提示词，改了工作流程，但不知道是变好了还是变差了。没有评测，优化就是盲目试错。
瓴羊提出的那个公式 —— 企业级 Agent = 大模型 × 好数据 × 强场景——针对的就是这些问题。
真实业务不追求最大最新的模型，而是最适配。有些场景 7B 的小模型效果反而最好，万亿参数反而过度。关键是找对场景，用对模型，且有好数据。
从数据视角切入的差异化路径
瓴羊的前身是阿里数据中台团队。这个背景带来了一个有意思的切入角度——不仅从模型和应用出发，而且重点以数据为切入点看企业 AI。
10% 的数据，决定 Agent 能否理解你的业务
OpenAI、Google、Anthropic 都训练了全球的公开数据。在公开数据这一点上，大模型其实是在同一起跑线上。
但企业的问题是：大模型不懂你的业务。
朋新宇在云栖大会上提到，企业数据中约 10% 是自有的、结构化的、带有业务逻辑的核心私密数据。这 10%，决定了 AI 能否真正理解你的业务。
比如电商的退货流程。什么情况下可以 7 天无理由退货？什么情况需要质检？什么情况可以直接退款？什么情况必须人工审核？每家公司的规则都不一样。
这就是那 10% “自有好数据”的价值。不是数据越多越好，而是这 10% 结构化的、带有业务逻辑的核心数据，决定了 AI 能否真正理解你的业务。
这也解释了瓴羊 AgentOne 在做的事情：构建从数据供给到流通的完整闭环，让企业数据从“为人服务”转向“为 AI 服务”。过去企业的数据主要是用 BI 工具给人看报表，现在这些数据要能被 AI 理解、调用、处理。
阿里生态带来的独特优势
阿里数据中台团队天然理解数据对企业 AI 的价值，而阿里生态积累的场景化数据能力都能够赋能给瓴羊 AgentOne。
理解了数据的价值，就能理解瓴羊推出的“电商 AI 训练场”在做什么，它基于聚石塔升级，共提供三层能力：
底层是模型服务。通用大模型和行业大模型，企业可以根据场景选择。
中层是企业模型训练和微调能力。企业用自己的数据训练专属模型。
上层是 Agent 快速搭建能力。基于训练好的模型，快速搭建适合自己业务的 Agent。
这个三层架构看起来很标准，但关键在于背后整合的阿里生态资源。
TMIC 提供的趋势洞察数据，知道什么款式在什么人群中流行。电商品牌用 TMIC 的数据训练 Agent，就能让 Agent 理解当前的流行趋势，而不只是根据历史数据做推荐。
店小蜜沉淀的客服知识，知道客户在什么场景下会问什么问题。这些问题背后的业务逻辑、处理流程、注意事项，都是结构化的知识。
聚石塔作为安全空间，现在升级为品牌 AI 训练场。企业的敏感数据可以在这个环境中安全地用来训练模型，不用担心数据泄露。
这些数据是结构化的、场景化的、可以被 AI 理解的，也是其他 AI 吃不到的业务规则。除了电商场景，AgentOne 的数据广场还整合了金融、法律、政务、教育等多个垂直领域的高质量数据集。
产品设计：给企业选择权
AgentOne 的产品逻辑，可以用一句话概括：让企业像管理员工一样管理 Agent。
用户可以直接从“Agent 广场”招聘现成的 Agent，也可以自己训练定制的 Agent。招聘来的 Agent 可以继续培训优化，自己训练的 Agent 也可以分享给其他部门用。
瓴羊为什么选择先切入这四个场景？
瓴羊把企业场景按资源密集度分类：营销（资金密集）、客服（人力密集）、分析（数据密集）、运营（流程密集）。
这个分类的逻辑是：AI 应该优先解决企业最痛的地方，这也是“边界清晰”的体现。
营销场景，钱花得最多的地方。
每天投广告、做推广、搞活动，营销预算往往是企业最大的开支。瓴羊营销 Agent 由灵感创意、营销策划、素材创作、媒介投放与结案分析五大子 Agent 组成，运行在 Quick Audience、天攻智投等营销产品上。天攻智投的策略规划 Agent 能根据品牌需求自动制定投放策略，推荐时间、预算分配、筛选渠道，从人群洞察到投放执行，覆盖营销全链路。
客服场景，人力最密集的地方。
电商、汽车、金融等行业，客服团队动辄上千人。Quick Service 提供三类超级客服：超级客服专家处理电商导购、退换货等高频场景；超级电销专家通过 AI 外呼和用户画像匹配缩短销售周期；超级企业服务专家覆盖入职离职、考勤薪酬、IT 运维等员工服务全链路，实现 7×24 小时自助问答。
分析场景，数据最密集的地方。
具体工作中，每天开会都要看数据、分析数据、做报告。瓴羊推出的智能小 Q 就完整覆盖了这些工作内容：问数 Agent 解决的是一线人员“求而不得”的问题，业务人员用一句话就能完成业绩总结、波动归因；解读 Agent 从海量报表中定位关键信息；报告 Agent 则能够在 20 分钟内生成完整报告。
运营场景，流程最繁琐的地方。
直播巡检、体验洞察、数据监控，这些工作重复性高但需要持续做。运营 Agent 可以 24 小时值守，发现问题及时预警。
AgentOne 的真实用户海信就专门部署了两个 Agent：直播巡检 Agent 24 小时监控直播间，识别违规话术并留证告警，对比主播话术结构。直播间停留时长提升 12%，违规率下降 50%。智能客服 Agent 调取物流数据生成工单，在外呼中动态生成话术，工单处理效率提升 80%。
这两个 Agent 分工明确：巡检 Agent 发现问题，客服 Agent 解决问题。
Sam Altman 在 2025 年初的博客中写道：我们现在确信知道如何构建 AGI。但在随后的采访中他也说道：关于 autonomous agents 应该多自主，即使在 OpenAI 内部也没有共识。
这个矛盾也是 AI 行业的现状：技术能力在快速提升，但如何安全、可靠地应用到企业场景仍是未解的问题。
瓴羊 AgentOne 的做法是 —— 在技术选择上，追求最适配而非最大最新。在数据能力上，专注那 10% 的核心业务数据，整合阿里生态的场景化数据优势。在评测体系上，提供完整的评测流程，让优化可量化。在产品设计上，给企业选择权，根据场景决定 Agent 的自主程度。
期待瓴羊 AgentOne 真正做到如云栖大会上所说，“水利万物而不争，数利万企而无声”。
