真正跑進業務的 Agent，不能每次都從零開始

見實最近和很多人聊 Agent，發現大家對它的看法正在明顯分化。

一派覺得它已經很好用，不只是每天在用，甚至開始往公司業務里落地；另一派則覺得它泡沫很大，很多場景沒有想象中成熟，裝上以后也未必比 GPT、DeepSeek 更順手。

這兩種感受都很真實。因為 Agent 的關鍵，已經不只是“能不能回答好一個問題”，而是能不能穩定地拆解業務、調用工具、銜接工作流，并在下一次任務里繼續復用之前沉淀下來的經驗。

前段時間，龍蝦的爆火進一步放大了這個趨勢：AI 正在從“對話式”走向“員工式”。過去幾年，AI 的重點是變得更會想、更會答；接下來更大的變化，是我們開始教 AI 去行動。

但行動意味著復雜性。聊天型 AI 只要回答得好就行，Agent 卻要處理記憶、Skill、工具、權限、表格、知識庫和工作流。它能不能穩定，不只取決于模型能力，也取決于人的經驗有沒有被系統接住。

在見實前段時間的AI主題私享會上，銘文鼎成科技創始人陳一銘把這個邏輯拆得很細：Agent 如何從一次性的對話能力，變成可以反復調用的系統能力？

本文即為這次分享的精華實錄（保留了第一人稱）。，歡迎加入會員一起。

銘文鼎成科技創始人 陳一銘

01Agent 真正穩定起來，是從經驗離開聊天窗口開始的

很多時候，Agent 不是不會做，而是它每次都在重新理解你。

前面聊得好好的，規則說了，偏好講了，流程也調順了。但一換窗口，或者上下文一長，它突然就開始跑偏。我前期也被這個坑過。后來發現，問題不一定在模型，而是我們總會習慣性忽視模型的上下文調用問題。

比如你用 OpenClaw 和它磨出一套客戶分析邏輯：先看行業，再看預算、項目階段、最近溝通記錄，最后判斷客戶應該優先跟進，還是暫時觀察。這套邏輯如果只停在當前對話里，就是一次性的。今天有用，明天換個窗口，又要重新解釋。

所以真正要解決的，不是讓 Agent “記得更多”，而是判斷：這條信息以后還該不該被調用？如果要被調用，它應該停在哪一層？

我一般把記憶分成四層：

首先是身份規則層。這一層最穩定。它是誰，服務誰，價值觀是什么，會影響它面對任務時的基本判斷。比如我自己的文檔里，會寫清楚：我是誰、做什么、喜歡什么風格、不喜歡廢話、喜歡把問題搞清楚。

這些內容本質上是在控制模型：它處理事情時，到底能看到什么。這也對應 OpenClaw 這類 Agent 很重要的哲學：一切皆文本。大模型本身是黑盒，你很難直接控制它怎么想，但你可以控制它看什么。身份設定、行為準則、任務說明、項目背景，都是寫給模型看的上下文。

所以后端那些 markdown 文檔不是裝飾，而是 Agent 的“可編輯記憶”。你直接在后臺改文檔，它后面理解任務的方式就會跟著變。因此，Agent 的核心能力，不只是模型能力，而是上下文管控能力。

第二，Skill 層：反復出現的流程，要變成可調用能力。Skill 層最大的特點是動態調度。你需要它的時候，它就上；不需要的時候，它就走。比如客戶優先級分析、郵件分類、日報生成、視頻切片、內容選題、CRM 商機新增，都不應該每次靠臨時對話重新解釋，而應該把當前窗口里已經跑通的邏輯上提為 Skill。這也是處理上下文截斷的一個小技巧。

比如指令可以說：

>把這套客戶分析邏輯封裝成一個 Skill，觸發條件是我說“分析客戶優先級”；輸入包括行業、預算、階段、最近溝通記錄；輸出包括優先級、判斷理由、下一步動作。

這樣它就不再只是一次對話里的臨時能力，而是后面可以反復調用的能力，這也是最近很火的Hermes的突出優勢。

第三，長期記憶層，適合存你的名字、表達偏好、常用工具、關注客戶、關鍵項目、長期有效的業務規則，但也要注意不能當成垃圾桶。如果把一次性的臨時判斷寫進去，后面可能會誤用。比如某個客戶這次預算緊張，只是當前階段情況；如果被當成長期標簽，后面所有分析都默認這個客戶預算緊張，就會污染判斷。

第四，臨時會話層，最靈活，也最不穩定。比如這篇文章怎么改、這次會議討論了什么、某個臨時判斷、只對當前任務有效的限制條件，都可以留在會話里。但它不適合承擔長期能力。

所以我的判斷標準很簡單：

只對當前任務有效的信息，留在會話里；

反復出現的偏好和背景，進入長期記憶；

已經跑通的處理流程，封裝成 Skill；

需要協作和追蹤的結果，進入表格、知識庫或業務系統。

接下來必須要提及渠道會話，也會影響記憶調用。它不是簡單的聊天入口，背后還有配對碼、白名單、防干擾等機制，它決定的是生態位、權限和記憶加載方式。

比如大家可能遇到過這樣的問題，你在群組里@一個智能體，讓它調用記憶里存過的數據，結果它答不上來，不一定是它沒記住，而是當前通道沒有加載那部分 memory 文檔。所以記憶調度會落到這些具體問題上：

- 當前信息要不要進入長期記憶；

- 當前流程要不要封裝成 Skill；

- 當前通道有沒有權限；

- 群組里有沒有加載對應記憶；

- 白名單和配對有沒有完成；

- 當前任務該不該讀取某個項目文檔。

這些問題想清楚了，Agent 才不會每次都重新理解你。

02Skill 再完整，觸發條件模糊，就等于半失效

如果說記憶解決的是“信息應該放在哪里”，Skill 解決的就是“任務來了以后，能力怎么被調用”。

很多人把 Skill 理解成一句提示詞，比如“幫我分析客戶”“幫我剪視頻”“幫我寫日報”，這不夠。真正能穩定運行的 Skill，不是一句話，而是一個包括元數據、腳本和資源模板的技能包。它至少要講清楚：

- 適用場景；

- 觸發條件；

- 輸入字段；

- 執行步驟；

- 調用工具；

- 輸出格式；

- 質量約束；

- 異常反饋。

這里最容易被忽略的是觸發條件。比如一個 Skill 叫“客戶處理”，就太泛了。它到底是新增客戶、分析客戶、生成客戶日報，還是提醒銷售跟進？Agent 不一定能判斷。但如果寫成“客戶優先級分析”，適用場景是“當用戶要求判斷客戶成交概率、跟進順序或丟單風險時使用”，就明確很多。

任務進來后，Agent 不會先把所有 Skill 全部讀完。它會先看 Skill 的標題、摘要、描述這些元數據，再決定是否加載腳本、文檔和素材。這就是漸進披露。所以 Skill 的標題、摘要、觸發條件，不是裝飾，而是調用判斷依據。

還有一個容易搞錯的地方：覆蓋面最廣的 Skill，不一定優先級最高。項目級 Skill 的優先級往往最高，但只在當前項目里生效；全局 Skill 覆蓋面更廣，但優先級在中間；默認層最低。如果不同層放了同名 Skill，最后執行的往往是更高優先級那一個。

所以有時你明明配了 Skill，結果它不執行，不一定是沒配好，也可能是被覆蓋了。這時候要么換名字，要么換一層配置邏輯。

現在封裝 Skill 的門檻已經低很多，很多時候一句話就能開始：

> 現在想做一件事，你把這件事變成一套執行邏輯，再把這套邏輯寫進文檔，存到記憶庫里。

當然，做出來不等于做好，我會建議加一些輔助要求：

> 每次運行完，告訴我本次任務執行時長。

如果一個任務平時 30 秒做完，另一個任務跑了 10 分鐘，那肯定有問題。下一步就該追問：

> 你為什么執行了 10 分鐘？你的執行邏輯是什么？

總之，Skill 的優化，是從基礎版，到復合版，再到長期可復用版，一層層磨出來的。

03AI工作流落地的關鍵，是把判斷交給模型，把動作交給工具

前面講的會話層、記憶層、Skill，最后都要落到工作流里。Agent 真正進入業務，不是因為它能聊，而是因為它能把判斷結果交給系統繼續執行。

關鍵是分工：模型負責理解、判斷、排序、篩選；工具負責寫入、裁剪、提醒、發布、同步；表格和知識庫負責承接結構化結果；權限系統負責控制邊界。

下面這些案例，表面上是個人助理、信息流、內容生產、視頻切片、CRM，底層都是同一件事：把人的任務結構化到系統能繼續執行的位置上。

第一，日程和郵箱：把高頻切換結構化成固定流程。

個人助理真正比的不是快慢，而是：這個事到底還要不要我干。日程和郵箱很適合先做，因為它們不復雜，但高頻打斷。以前排日程，你要打開日歷或 OA，填寫時間、地點、提醒方式。現在只要語音說“幫我登記今天幾點干什么”，它就能規劃并提醒。

郵箱也是一樣。訂閱信息、項目郵件、邀約、詢盤，可以先讓 Agent 分成重要、一般、大項目相關、待處理幾類。這里真正省掉的，不是幾分鐘操作，而是反復切換注意力的小判斷。

第二，信息流：把資訊結構化進知識庫和業務字段。

現在 AI 更新太快，有些團隊還特別喜歡半夜發。你晚上 12 點準備睡了，它突然發一個新模型，你就不用睡了，得起來測、起來看，所以要先保住自己的注意力。

可以讓 Agent 做信源整理和日報提醒。比如設定關心的熱點：AI 領域，國內看阿里、騰訊，國外看 OpenAI、谷歌，看看他們最近發了什么模型、什么框架。提醒頻率可以是每天早上、中午各一次，也可以是一周一次。

方式有兩種：一種是自己上網扒拉，另一種是通過接口拿數據。像 Twitter、YouTube 這些平臺，都有相應接口，可以直接抓熱點，再判斷是否納入信息流。但信息流不能只停在“總結一下”。真正有價值的是，它能不能進入知識庫和業務字段。

比如一個制造業 AI 質檢案例，如果只是收藏，后面很難被調用。但如果進入表格，字段寫清楚：行業、場景、痛點、解決方案、適合客戶、銷售話術、可轉化選題，它后面就能和 CRM 里的制造業客戶發生關系。

我自己的做法是：既然已經綁定飛書，就直接在飛書生態里解決。信息源、數據、文章扔進去，它會先幫我更新成云文檔，再自動進入項目目錄。

這里調用的是一整套權限：云文檔權限、知識庫權限、多維表格權限。底層邏輯就是：先篩選，再結構化，再沉淀到系統里。只有這樣，信息后面才有機會參與內容選題、客戶溝通、項目復盤。

第三，內容生產：把熱點結構化成多維表架構。

從個人助理再往外走，就是公域內容。公域本質上拼三件事：發布頻率、內容質量、渠道覆蓋。以前這件事可能要專門配一個團隊。現在一個 Agent 已經能承擔其中相當一部分。但前提是，你不能只讓它“寫一篇”。

比如我讓它分析全網熱點、郵箱訂閱信源，再檢索最近一周 AI 方向適合我做自媒體的話題，然后把結果存進一個自媒體文檔。這個時候關鍵能力是多維表格。前面抓信源、抓熱點，是一層。存完以后，它還能在多維表格里生成字段，比如選題、核心觀點、目標人群、適合平臺、參考素材、AI 提示詞、配圖提示詞、發布狀態、數據反饋。

因此可以說，內容生產的自動化上限，取決于多維表架構。字段一旦清楚，公眾號版本、小紅書版本、視頻版本，都可以繼續往下接。原來只是“熱點收集”，一旦進入多維表格，就可能變成完整內容矩陣的起點。

因此，真正重要的不是 AI 會不會寫稿，而是熱點進入系統以后，多維表格能不能繼續接流程、接字段、接自動化。如果某個字段觸發條件成立后，能自動提醒、自動推送，甚至進入多平臺分發；發完以后，數據還能再拉回來繼續分析，那系統辦公就打通成了一個閉環。

第四，視頻切片：把視頻先轉化為帶時間戳的文本。

視頻切片最開始看起來很簡單：發一個 5 分鐘視頻，讓它提煉成 3 分鐘左右的精彩切片。但真正難的不是能不能切，而是怎么切得合理、便宜、穩定。

第一個坑是存儲。素材太大，本地和服務器都不適合長期扛，所以最好放企業網盤，比如阿里云企業網盤，用共享鏈接進入流程。這樣可控，不占本地和服務器空間，分享也方便。

第二個坑是 token。不要把整段視頻直接交給大模型理解。原理沒錯，但 token 扛不住。如果 5 分鐘視頻都這么跑，一百個視頻跑完，成本會很夸張。

更好的流程是：提取音頻——轉成帶時間戳的文字——AI 判斷精華片段——輸出時間戳——腳本裁剪拼接。腳本工具本身不是 AI，但很適合干這種事。你告訴它第5秒到第10秒剪出來，第20秒到第30秒拼進去，它就能干。

第三個坑是質量。比如Skill 里要寫清楚：提取一個3分鐘左右的切片；提取以后必須拼合好，不能一個個碎片扔給我;每次剪完以后，要告訴我為什么這么剪;不能為了完成任務而不顧質量；必須保證語義完整、邏輯完整。

這個“為什么”很重要。就像你找了個編導，剪完一個視頻，不管好不好，都要問一句：你為什么剪成這樣？所以視頻切片最能體現模型和工具的分工：模型負責判斷內容價值，腳本負責穩定執行動作。不要讓模型硬扛所有任務，也不要讓工具去做判斷。

第五，CRM：把銷售口述結構化成客戶字段。

CRM是我覺得最能體現 Agent 價值的場景之一。很多企業沒有預算上一套完整 CRM，但多維表格已經足夠支撐大多數中小團隊的客戶管理需求。關鍵不在于“自然語言操作表格”，而在于一線員工不需要復雜系統培訓，也能把業務事實寫進系統。

比如我直接告訴 AI：你現在幫我分析一下我名下的客戶，看看哪個成交率更大。它會去讀多維表格里的數據，然后判斷客戶價值、贏單概率、丟單風險，并給出優先跟進建議。然后我再告訴它：幫我新增一個客戶商機，金融行業，公司名叫 **公司，最近報價 30 萬，把這條記錄加進去。它會先確認，確認后直接寫入表格。

這里最有價值的地方是：銷售不需要搞清楚字段邏輯，只需要用自然語言說清楚業務事實。系統負責把它翻譯成字段：

- 客戶名稱；

- 行業；

- 預算；

- 項目階段；

- 最近溝通；

- 預計金額；

- 成交概率；

- 跟進人；

- 下一步動作。

字段一旦結構化，后面才能接客戶優先級分析、商機新增、跟進提醒、權限確認。當然，權限是前提。你要讓 AI 操作飛書、釘釘、企微里的表格，就要給它相應授權。我們在飛書對接時，是新建一個應用，基于這個應用開放不同權限，再告訴它能幫我干什么。沒有權限，它想改也改不了。

更高級的動作，是能力組合。我會直接告訴它：分析我的客戶畫像，結合當前 AI 領域的熱點，幫我推薦幾個適合做自媒體的選題。它給我推薦制造業相關選題，理由是我正在跟進的客戶里有多個制造業客戶；也推薦電商相關選題，理由是客戶里電商占比最高。

CRM 數據是一個基礎能力，熱點分析是一個基礎能力。兩個能力組合起來，就形成了一個業務級方案。所以一定要基于真實客戶畫像做內容選題，而不是拍腦袋選題。

如果再往前走，有了選題，能不能生成圖？生成圖之后，能不能直接發布？這就是基礎能力的繼續疊加。每往前組合一步，價值就乘一次。

最后，Agent 的核心，是讓判斷進入系統。

這就是我理解的 AI Agent 的核心邏輯：一個數據源，加上一套基于業務邏輯的 Skill 組合，就能形成一個真正有價值的解決方案。模型當然有影響，但核心還是兩件事：第一，你的數據源能不能打通。第二，你的業務邏輯能不能用 Skill 穩定表達出來。

最后，我想說，從委托階梯到記憶分層，從 Skill 的優先級到觸發條件，從通道的生態選擇到視頻切片的 token 優化，再到 CRM 的權限配置，每一個點背后都有邏輯。在這個過程中，AI 不會替代你的判斷、選擇和創造。但它能讓你的判斷更快落地，讓你的選擇有更多數據支撐，讓你的創造有更低執行門檻。

未來真正學會用 AI 的人，不是更懂技術的人，也不是最早用上工具的人，而是那些用AI開始做真正屬于人的事情的人——判斷、選擇、創造。

PS：

見實會員最新游學活動來了：。

我們將一起前往孩子王、奧特萊斯、秋水伊人、優比熊、周大生、千百度、JOYMARK等企業游學，還有一場「小紅書增長」主題私享會，歡迎下方加入見實會員一起。

↘更多私域服務對接：