企業級智能體，必須長在自己的業務里

24年開始，我陸續給幾個朋友的企業，做AI落地方向的技術產品顧問。

現在來看，當時的我把企業級AI工程化的落地，想得太簡單了。

一方面，傳統調參數式的模型調用，并不一定能滿足實際業務需求。另外一方面，安全和生態整合，是繞不開的長期復雜工程。

說實話，當企業AI顧問，壓力很大，交付很難，真正有產出有效果更不容易。

上個月，看到騰訊云智能體開發平臺ADP，新上線了“智能工作臺”。

我第一感覺是，終于有了個能「一句話用AI解決企業問題的好東西」，然后一想，似乎以前的公司AI顧問，都需要重新審視自己的價值了。

希望能給正在評估企業級Agent落地方案的朋友，提供一些真實的參考。

01 說話就能創建工作流，智能體開發更低門檻

第一次打開ADP智能工作臺的控制臺，感覺頁面非常簡潔。

沒有滿屏的術語和專業詞匯，就是一個大大的輸入框，寫著一句話：“連接知識，開啟智能工作方式。”

首先添加工作流生成助手 Skill，在對話框點擊Skills，選擇添加“ADP 工作流生成助手”。

試著輸入了一個場景：@ADP 工作流生成助手 skill，幫我做一個財務報銷審批的智能體。要求員工上傳發票圖片，自動識別發票抬頭、金額、稅號，跟公司財務系統的預算余額做比對，以及校驗是否符合報銷規則及對應額度，預算足夠且條件滿足就自動通過，預算不夠就走人工審批流程。

我輸完這段話，點了發送。

等我端著咖啡回來看到控制臺界面的時候，已經看到反饋了。

工作了將近兩百個節點，包括圖像識別節點、條件判斷節點、預算查詢API調用節點、多輪對話節點，還有異常處理分支。

每個節點的參數都已經預設好，還自動關聯了騰訊云官方提供的OCR插件。

我想搭建一個「客服助手智能體」，也是一樣，說出具體訴求，就可以生成工作流。

說實話，那一刻我的技術自尊心，受到了一點小的沖擊。

過去我做這種工作流，得先在白板上畫流程圖，然后寫Node.js代碼或者Python代碼調各種SDK，調試不知道多少遍才能跑通。

現在一個業務人員，只要懂自己公司的業務流程，用自然語言描述出來，平臺就能自動生成可執行的工作流。

特意花時間研究了一下，ADP背后的技術邏輯。

簡單來說，它把整個智能體開發流程做了降維。

以前你得懂工作流引擎、懂API集成、懂提示詞工程、懂RAG檢索、懂多Agent編排。

現在這些復雜的技術細節被平臺封裝成了底層能力，在業務層面只需要做一件事，就是描述想要的業務流程是什么。

平臺自動拆解你的需求，識別出需要哪些節點、需要調用哪些工具、需要什么樣的分支邏輯。

可以直接生成完整的工作流，通過應用構建導入，再在畫布上進行微調。

保存后就能發布到企業微信、公眾號、小程序或者你自己的APP里。

除了工作流自動生成，讓我覺得超出預期的另一個功能是多Agent自動編排。

我在真實場景應用的時候發現，ADP支持Multi-Agent模式，可以一句話自動創建一支會協作的Agent團隊。

系統自動判斷這個復雜任務需要拆解成幾個子任務，每個子任務安排一個專門的Agent負責，Agent之間怎么協作、信息怎么傳遞，通通自動生成配置。

開發過復雜Agent系統的朋友都知道，多Agent協作最大的痛點不是單個Agent的能力，而是它們之間的溝通機制和任務分工。

傳統做法需要手動配置每個Agent的角色定位、職責范圍、轉交規則、對話上下文管理，一套配置下來能讓程序員掉一層頭發。

但在ADP里，只需要在界面上選擇多Agent模式，描述一下你想要的協作場景，剩下的事情平臺自動搞定。

ADP把很多頂級的AI科研能力集成到了產品層面，但不是簡單的能力打包，而是真正考慮到企業實際場景中怎么用起來方便順手。

我覺得ADP智能工作臺做的最對的一件事，就是它把門檻降低到了業務人員可以直接參與的程度。

在我過去兩年的企業服務經驗里，最大的障礙不是技術不行，是業務和研發之間的語言不通。

現在ADP讓業務人員自己用自然語言描述業務流程，平臺自動生成技術實現。

中間的翻譯成本歸零了。甚至老板本人都能直接下達一線命令。

這在我看來才是真正意義上的降低AI落地門檻。

02 企業真正關心的，是AI和舊體系的融合

說實話，光會搭建智能體其實不算什么本事。

拿市面上任何一個Agent開發框架，花點時間總能搭出來一個能跑的東西。

真正讓我覺得ADP心思縝密的，是它這套被集成能力。

這就要說到我做企業服務以來最深的體會。

做再多漂亮的智能體應用，客戶最關注的問題其實就一句話：你怎么跟我的現有系統待在一起。

他們用的不是騰訊的ERP，不是阿里的CRM，是自己花了十幾年甚至幾十年慢慢建起來的IT系統。

這些系統里有幾十年的數據資產、大量定制的業務流程、嚴格的安全合規要求。

讓企業把這一切推翻重建來遷就你，那是絕不可能的。

ADP對被集成的理解，一開始就跳出了單點API的層面。

別家跟你講API，ADP直接扔給你一套完整的四層可插拔框架。

這才是企業真正關心的命脈。

能力層是我個人最感興趣的一塊。

ADP內置了150多種插件。包括Browser Use這種瀏覽器自動化工具、Computer Use這類計算機操作工具，還有微信支付MCP等。

但更讓我興奮的是Skill廣場的理念。

現在ADP的Skill廣場已經沉淀了120多個應用模板和100多個提示詞模板，覆蓋了經營管理、人力資源、財稅法務、醫療健康等多個場景。

我試著在Skill廣場里找到財務分析場景相關的Skill。

導入都很簡單，像裝個手機App一樣，點擊安裝就開始用了。在測試中我發現一個很有意思的細節，就是這些Skill不是簡單的功能綁定，而是帶著數據依賴關系、權限校驗邏輯、工具調用鏈路的一套完整能力單元。

像我想安裝一個銷售數據分析Skill，它不只是給一個聊天界面讓你問銷售額是多少，還能自動連接你的銷售數據庫、調用數據分析工具、生成可視化的報表。

做完之后的結果還可以被其他Skill繼續使用。

這種感覺很像樂高積木，即插即拔。

企業不用再每次從零開始構建業務能力，而是從Skill廣場拿不同的能力模塊組合起來，快速拼出自己需要的解決方案。

這種設計理念我覺得是抓住了企業級落地的核心矛盾。

企業級落地，一個核心矛盾是，很多時候，企業不想要一個全新的寫死的黑盒，推倒重來太冒險。

他需要的是一個可以跟他現有系統好好相處的、能夠慢慢長在他的系統土壤里的智能體。

ADP提供的就完全不是一次性交付產品，更接近持續生長、持續嵌入的能力底座。

底層還有安全層。

多租戶數據強隔離，用session_ id加應用級加底層數據三重隔離，不同租戶的數據物理上就分開了。

權限系統分平臺、空間、應用、知識庫四層，數據權限不等于功能權限這種復雜的權限模型也支持。

內容安全審核做了輸入和輸出的雙向掃描，敏感命中會返回is_evil字段，讓外部系統可以判斷是否要進行二次處理或阻斷。

部署方式支持公有云、私有云、混合云，金融和政務客戶可以私有化部署，確保數據不出域。

這些能力聽起來不算性感，有點枯燥，不如大模型什么的那么迷人。

但這些東西，才是企業真正敢把核心業務交給AI的基礎。

沒有這一層，上一層的花哨能力再多，客戶都不敢真正用起來。

03 ADP像個包售后的一站式企業服務專家

做過企業系統的人都知道一句話：系統上線才是痛苦的開始。

C端的Agent產品，糊弄一次對話可能就過去了。

用戶聊的不開心，劃走換下一個。但在企業內部，你糊弄不了。

員工問一個政策問題你答錯了，他會截圖發給主管。主管會問你們IT部門怎么搞的。然后你就得花半天時間翻日志查原因。

這種感覺，我太熟悉了。去年給朋友公司搭的客服系統翻車后，他半夜給我打電話，語氣挺委屈的，說你做的東西好像不太穩定，那個問題不該這么回答的。

我翻了好多條對話記錄，花了好久才定位到是某個知識塊解析不準導致檢索錯誤。

ADP在企業級可觀測這一塊的投入，我覺得是它跟C端產品拉開差距的核心。

從這個角度說，ADP和其他產品的思路差異，很像專業攝影機和智能手機的差別。智能機給你好看的照片，但你不知道怎么來的。

專業攝影機不僅給你照片，還把所有參數、元數據、拍攝過程完整記錄下來，方便你復盤和改進。

ADP就是給企業準備的這架專業攝影機。一切都要可追溯、可度量、可優化。

數據分析面板可以看消息數量、用戶數量、點贊數量。

數據大概有十來分鐘的延遲，按天、周、月導出明細都很方便。關鍵是每條對話的調用鏈都能追回去，用了哪些知識庫、調用了哪些工具、走的是哪條工作流分支，都在后臺記著。

我試著在測試問了一個需要調用外部API的問題，然后去運營后臺看它的調用鏈。果然每一步都清晰顯示著它怎么從知識庫找到相關信息、怎么調用遠程接口、甚至中間怎么做了幾次決策和分支判斷。

智能評測體系也值得一提。

ADP支持三種評測模式，裁判模型打分、代碼執行驗證、規則引擎評分。

可以拿同一個評測集對比不同模型的效果。我在測試的時候直接用前面導出的對話記錄作為評測集，跑了兩個版本的模型對比。報告直接告訴我新版本在哪些問題上表現更好，哪些反而退步了。

這樣一來，之前運營過程中積累的對話不再是維護負擔，反而成了推動智能體不斷進化的燃料，形成了一個很完整的運營閉環。

Token消耗和成本管控方面，ADP會在token_stat事件里實時返回輸入Token數、輸出Token數、總消耗、調用步驟。

應用級有賬戶余額管理，API調用超量會返回明確的錯誤碼。

對Token成本比較敏感的企業可以設置套餐包加超額計費的方式，騰訊云通常不會讓你在不知情的情況下產生過度消費。

以一個企業級智能體的完整生命周期來看，ADP把這個過程全都串起來了。

配置階段用自然語言生成工作流，調試階段在對話測試窗口看調用鏈驗證邏輯。評測階段跑多模型對比確保質量，發布階段一鍵分發到企業微信公眾號小程序和自己的自建應用。

運營監控階段有數據面板加對話記錄加智能分類來持續觀察，優化階段再把不滿意問題回流到知識庫或問答庫修正，回歸評測再上線。這就形成了一個閉環。

做企業級智能體的同行都知道，大模型本身的能力其實大家都差不太多。真正拉開差距的是在這套工具鏈上。你是不是能讓開發者在開發、調試的時候爽，讓業務人員在運營、優化的時候順手。在這一點上，ADP想得挺深的。

04 真正跑在業務里的AI

回到我開頭說的那句話。ADP智能工作臺，真的很像我曾經幻想過的那個樣子。

我幻想過有一天，我不用再去啃幾百頁的API文檔，不用再掉頭發去寫復雜的prompt，也可以在AI時代的創業機會面前，實現我口中那個精妙絕倫的業務需求。

我也幻想過，企業里面的每一個成員都不用再去翻墻注冊各種亂七八糟的國外AI應用，只需要像打開自家的ERP系統一樣方便地去使用公司內部專屬的企業級AI助手。

但我們所處的現實，總是比理想復雜得多。大模型本身的能力一直在快速迭代，可光有大模型遠遠不夠。

還得思考怎么把它接入你的數據庫，怎么跟你的CRM系統聯動，怎么在你的企業微信里跑得既快又安全，怎么讓業務人員也能參與優化這個系統的行為。

ADP智能工作臺，就是在回答這些問題。

它降低了AI應用構建的門檻，讓業務人員能直接參與。

它強化了企業級可觀測和運營閉環，讓AI應用能被持續管理優化。

它還構建了深度的被集成能力，讓智能體真正長在業務里，而不是懸浮在業務之外。

最好的AI，是你看不見的AI。

它內嵌在你日常工作的每分每秒里、無聲無息地變成你的超級外腦和最強輔助。

ADP就是試圖扮演這樣一個角色。它不是要取代誰，而是要成為企業數字化轉型中最堅實的那個底座。

在智能體從可用走向好用的這條漫長的道路上，我覺得ADP至少走在了正確的方向上，而且它走得很穩。

最后附上ADP的官網鏈接，想試的朋友可以去看看。

有任何使用上的問題，歡迎評論區跟我交流。

也希望騰訊云的官方團隊能夠多聽聽我們這些一線開發者的真實反饋，把這個產品做得更好。

騰訊云ADP官網：

https://cloud.tencent.com/act/pro/adp-pu-activity?from=29920