FAQ

企业部署 AI Agent 之前,要做哪些准备?

四件准备,缺一件都不建议开工:一是场景选型——从高频、规则相对清晰、结果可验证的工作流里选试点,而不是从最炫的场景选;二是知识与数据基础——Agent 要用的知识库先治理(去重、版本、权限),脏知识库只会放大错误;三是治理设计——权限边界、人工审批点、审计日志在上线前定好;四是度量基线——试点前先记录人工流程的耗时与错误率,否则上线后无法证明价值。Negency 的方法论是先小范围受控试点、验证有效再扩围,治理是设计输入而不是事后补丁。

Figure 01 · 开工前九项自检

  • 场景选型
  • ✓场景有名、有主、可度量
  • ✓负面清单已定
  • 知识基础
  • ✓文档去重、旧版下线、每份有主
  • ✓敏感分级、权限对齐
  • 治理
  • ✓审批清单定稿、审批人到人
  • ✓日志字段与留存期已定
  • ✓欧盟分类与 GDPR 评估先行
  • 度量
  • ✓人工基线已记录
  • ✓达标线与止损线已写入立项文件
九项全过、不就绪信号全无,才进试点;缺项按清单顺序先补,不带病开工。

场景选型:先易后难

试点场景的三个标准:频次高(天天发生)、边界清(对错可判断)、影响可控(出错可回滚)。客服问答、文档处理、内部知识检索通常符合;替管理层做决策不符合——那是终点不是起点。

三个标准要同时满足,缺一个都不行。高频但边界不清的场景(比如"帮销售判断客户意向"),Agent 的输出没法批量验对错,试点很快变成扯皮;边界清但低频的场景(比如一年两次的年报附注核对),省下来的人工抵不上搭建与维护成本;高频、边界清但不可逆的场景(比如自动发催款函),一次误判就是对外事故。选场景时把候选逐个按三条打分,全过的才进试点,详见《AI Agent 在企业里最先落地哪些场景最稳妥?》。

知识基础:先治理再接入

Agent 的回答质量上限就是知识库的质量上限。接入前先做一轮治理:重复文档合并、过期版本下线、敏感内容分级、每份文档有主人。跳过这步,Agent 会自信地引用三年前的旧政策。

知识治理最容易低估的是"过期版本":制度改了三版,旧版还躺在共享盘里,Agent 检索时按相似度取回,很可能取到旧版并一本正经地答出来。治理时要做到每份文档只有一个现行版,旧版要么下线、要么明确标注"已废止"并移出检索范围。如果 Agent 还要读取官网内容,官网的机器可读底子也值得先看:Negency 旗舰报告对 30 家中国出海企业全球官网主域名的实测(2026 年 10 月 30 日单日采样,只测官网技术可见度,不测 AI 回答中的品牌提及率)显示,机器可读均分只有 69.2(中位数 68.5),17/30 没有任何 JSON-LD——官网自己都写得让机器难读,Agent 读它也一样吃力。数据出处:旗舰报告 2026 年第一期。

治理:上线前定规则

谁能让 Agent 做什么、哪些动作必须人工审批、日志留多久——这些在试点设计阶段就写进方案,不要等上线后补。审批清单要具体到动作("发送客户邮件""修改价格表"),而不是"必要时人工复核"这种空话;审批人要明确到人,休假时有替补。欧盟场景还要叠加 GDPR 与 AI Act 的分类要求,先分类再部署:系统定为什么风险级,决定了要配哪些义务,定级错误后面全错。分级方法见《为什么 AI Agent 需要治理和人工审批点?》。

度量:没有基线就没有成果

试点立项时同步记录人工基线:单均处理时长、一次解决率、错误率。上线后同口径对比,达标才扩围,不达标就止损——这是对业务和对 Agent 都公平的做法。

基线要"同口径":上线前怎么算,上线后就还怎么算。常见偷换是上线后只统计 Agent 处理顺利的单,把转人工的单排除在外,错误率立刻"变好"——这种数字骗得了汇报,骗不了业务。立项文件里同时写清达标线与止损线,以及复测的时间点:达标线是扩围的门槛,止损线是叫停的触发器,两条线缺一不可。

开工前自检清单:九项逐项展开

以下九项按场景、知识、治理、度量四组排列,每项都写清做什么、做错会怎样、耗时大致什么量级。耗时是粗粒度指引,视范围而定。

  1. 场景:试点场景已写明名称、负责人与预期处理量,且同时满足高频、边界清、影响可控三条。做错会怎样:场景只写在 PPT 里、没人负责,试点跑起来没人验收,最后不了了之。耗时:通常以天计,视候选场景多少而定。
  2. 场景:已明确哪些事 Agent 永远不做(负面清单)。做错会怎样:没有负面清单,Agent 会在没人注意的角落越界,比如主动给客户发了承诺性回复。耗时:通常几天,须业务负责人逐条确认。
  3. 知识:试点要用的文档已去重、过期版本已下线、每份文档有负责人。做错会怎样:Agent 引用旧版制度答错,错得自信、错得成批。耗时:通常以周计,视文档量而定;文档上千份的要留出更久。
  4. 知识:敏感内容已分级,Agent 的可读范围与员工权限对齐。做错会怎样:Agent 把本该保密的薪酬、报价底价答给了不该知道的人,一次泄露就是合规事故。耗时:通常以周计,视敏感内容多少而定。
  5. 治理:必须人工审批的动作清单已定稿,审批人明确到人。做错会怎样:审批点只写"必要时复核",等于没有审批点,出事时没人知道该谁拦。耗时:通常以天计,须与业务负责人逐条对齐。
  6. 治理:审计日志的字段与留存期已确定,出了问题能回放全程。做错会怎样:没有日志,出事后无法定位是哪一步错、是谁批的,只能靠猜;想改进也没有数据。耗时:通常以周计,视日志系统现状而定。
  7. 治理:涉及欧盟业务时,AI 系统分类与 GDPR 评估已先行完成。做错会怎样:系统上线后才发现属于高风险,合规义务要推倒重做,成本比立项时引入高一个量级。耗时:通常以周计,视系统复杂程度与是否需要外部律师而定。
  8. 度量:人工基线已记录(单均处理时长、一次解决率、错误率)。做错会怎样:没有基线,试点效果无从判断,"感觉变好了"成唯一证据,扩围决策只能拍脑袋。耗时:通常一两周采样,视单量而定。
  9. 度量:达标线与止损线已写进立项文件,上线后同口径复测的时间点已排期。做错会怎样:没有止损线,效果差的试点会因为"已经投了这么多"一直拖下去。耗时:通常以天计,随立项文件一次定稿。

出现这些信号,先别开工

  • 知识库里同一制度有三个版本,谁也说不清现行的是哪一个;
  • 审批点只写了"必要时人工复核",没有具体动作清单和责任人;
  • 没人能说出当前人工流程的单均时长和错误率;
  • 试点场景选的是"给管理层做决策建议"这类对错没有客观标准的任务。

九项清单全过、不就绪信号全无,才进入小范围受控试点;缺哪项先补哪项,补课顺序就是清单顺序。试点跑起来之后,场景与治理同步迭代:场景扩一个,审批清单与日志就跟着扩一圈,不要拆成两个项目。

把 Agent 方案落到你的业务流程里

读完这篇问答,下一步是结合你的场景判断——讨论 Agent 方案:告诉我们业务问题与现有系统,我们给出初步建议。

相关问题

GEO 和 SEO 有什么区别?

SEO 优化的是网页在搜索结果列表里的排名,目标是点击;GEO(生成式引擎优化)优化的是企业在 AI 生成答案里被发现、理解、信任和引用的程度,目标是进入答案本身。两者共用一部分技术基础(可抓取性、结构化数据、内容质量),但 GEO 额外要求实体事实治理、机器可读面(llms.txt、Markdown 镜像)和第三方提及生态。做 SEO 的网站不等于对 AI 可见:AI 引擎引用谁,取决于它能否抓到、读懂并核实这个企业的事实。 具体差异集中在四个层面:目标、对象、内容结构与评估方式,正文有逐项对照。

中国企业出海,怎么做 AI 搜索可见度?

出海企业的 AI 可见度短板通常不在内容量,而在机器可读面:我们对 30 家中国出海企业的实测显示,类目均分最弱的是机器可读面(69.2/100)——17 家首页没有 JSON-LD、15 家 sitemap 缺失或收录不足、13 家 H1 缺失或重复。路径是四步:先体检摸清机器人可达性与机器可读面,再治理实体事实(双语口径一致),然后按海外客户的真实问题生产问答式内容,最后经营第三方提及(媒体、社区、合作伙伴),并用固定问题集定期复测提及与引用验证效果。

AI 搜索时代,企业官网要做哪些改造?

五件套:一是机器人可达——robots 对 AI 爬虫显式放行且实测不被防火墙/验证页拦截;二是机器可读面——llms.txt 事实文件(可选辅助)、sitemap 完整、核心页提供 Markdown 版(可选);三是实体结构——JSON-LD 写明 Organization 等实体类型、标题与 H1 规范、双语站 hreflang 对应;四是问答式内容——按客户问题组织页面、短答先行并配 FAQ schema;五是可度量——后台能分开看到真人与机器人流量、AI 引荐带来的线索单独归因。Negency 官网自身就是按这五条改造的,体检工具用的也是同一套标准。

llms.txt 是什么?企业网站有必要加吗?

llms.txt 是放在网站根目录的一份纯文本说明书,专门写给 AI 看:公司是谁、做什么、核心页面在哪、关键事实与定义是什么。它不能直接提升被引用的概率(Ahrefs 2026 年 5 月研究:137,210 个域名中,已发布 llms.txt 的文件 97% 当月零次被取用,对引用率的直接影响接近零),但它是成本最低的事实治理动作——一份文件把全网口径统一锚点立住,AI 抓取时有据可依。结论:值得加,但别指望只加它就有效;它要和实体事实治理、结构化数据、问答式内容一起做。Negency 的 llms.txt 是事实圣经版:含公司定义、方案边界、案例出处与引用规则。

为什么 AI Agent 需要治理和人工审批点?

因为 Agent 与普通软件的根本区别是它会自己决定下一步动作,而且错误会以机器速度放大。治理要回答四个问题:它能碰哪些数据(权限)、哪些动作必须人批(审批点)、做过什么可追溯(审计)、出问题怎么停(熔断)。人工审批点不是不信任技术,而是把责任留在人这一侧:对外发送、金额、删除、承诺类动作过人,其余放行自动化。欧盟 AI Act 也按风险等级对高风险系统提出人类监督要求——治理做得早,是合规成本最低的路径。