本文整理自 AICon深圳2026 主题分享：王仿 — 从大模型到 AI 执行系统：构建企业级可控 Agent 体系，演讲时长 39 分钟。通过 Ai好记 音视频转图文笔记工具进行转录与智能总结，以下为精炼后的会议笔记内容。

---

你们的Agent项目是不是也卡在Demo阶段——演示的时候跑得挺好，一上生产就各种翻车？

王仿在AICon深圳2026上直接点破了原因：个人辅助工具70%-80%的准确率就够用了，但企业应用必须达到90%以上才敢上线。 这不是一个优化问题，而是一个系统工程问题。从Demo到生产，中间差了整整一套AgentInfra层。

四大卡点，卡住90%的Agent项目

卡点一：场景选不准

最常见的做法是选"做错也没关系"的边缘任务，比如客服问答、行政机器人。这类任务确实安全，但价值稀薄，不值得投入真金白银。而真正需要AI介入的人力密集型和知识密集型场景，又因为复杂度太高而不敢碰。

卡点二：复杂业务逻辑讲不清楚

王仿举了一个包装材料质检审核的例子。60-70项审核标准，背后十几份国家法律法规文件且不断更新；审核字段在不同类目（猫粮vs狗粮）、不同出口国家（越南vs菲律宾）标准完全不一样；实体别名、型号参数表述方式千差万别。

业务专家要花很长时间才能把这些逻辑讲清楚——不讲清楚，一做就错。

卡点三：跨系统集成困难

企业内部系统远比想象中复杂，Agent要调用的API可能横跨五六个部门、七八个系统，每个系统的权限管控、数据格式都不一样。

卡点四：ROI算不清

上线之前，谁也不知道这套Agent系统到底值不值。老板要算账，但Agent的ROI不能简单按"节省了多少人力"来算，因为它的价值可能体现在流程优化、错误率降低、响应速度提升等多个维度。

王仿特别提醒了一个容易犯的错：“有些人做起来都费劲的任务，你试图交给AI，结果肯定不可信。”

八大维度，影响Agent的准确率

为什么企业级Agent必须达到90%以上准确率？因为影响准确率的因素太多了，任何一个环节出问题，结果就不靠谱：

维度	典型问题
上下文准确性	Agent忽略历史对话中的关键信息
知识准确性	引用过时或错误的知识条目
Skill设计质量	功能边界模糊，执行超出预期
工具选择准确率	调用错误的API或系统
执行准确率	超时、失败时无合理兜底策略
状态一致性	长链路任务中状态丢失
长链路可靠性	单步出错导致整个链路崩溃
Runtime准确率	底层运行时环境不稳定

一个典型例子：客服场景中用户问"产品有没有美白效果"，无约束时Agent可能根据成分推断"肯定有"。但这句话可能违反广告法，消费者可以投诉虚假宣传。边界标准不明确，Agent一定会说错。

解决思路：蒸馏"任务"，而不是蒸馏"人"

很多企业踩过的一个坑是"数字员工"思路——试图用模型蒸馏一个人的能力，把这个人变成数字员工。

王仿指出这是错的：人面临的任务和标准在不断变化，你蒸馏一个不断变化的东西，根本做不到。

更务实的路线是"任务蒸馏"。进出口报关、供应商审核、质检报告这类有明确SOP的任务，才是最容易落地的切入点。具体做法是按三层结构定义：

• 业务事实：任务要解决什么问题？比如"新品增长"还是"去库存增长"，聚焦哪个平台
• 业务约束：哪些可以做？品牌调性、预算、ROI的底线在哪里
• 可执行动作：调用哪些系统？权限如何控制？结果如何写回？

这个过程需要大量投入。王仿给出的时间分配很有参考价值：40%-50%的时间与业务专家共创，让专家讲清楚边界、目标、逻辑；真正开发时间仅占30%；剩余20%-30%是上线陪跑阶段。

八个核心系统，构成AgentInfra层

业务翻译完成后，进入工程化阶段。AgentInfra层包含八个核心系统，覆盖从"理解需求"到"执行交付"再到"持续优化"的全链路：

1. 业务翻译系统：将业务需求转化为Agent可理解的契约
2. 知识引擎：结构化存储与检索企业知识
3. Skill研发管理系统：定义、注册、维护原子执行能力
4. 定制化Runtime：Task与Skill的绑定、执行与调度
5. 多Agent协作引擎：复杂场景必然涉及多Agent协作，需要解决任务拆解、路由、并发控制以及每个Agent的专业边界控制
6. Trace可观测体系：全链路追溯——每个步骤调用了什么知识、什么工具、返回了什么结果，全部可查
7. 质量复核与异常判断：任务完成后的自动校验
8. 自学习语料系统：通过Trace数据持续优化Agent质量

实践效果：从半小时到分钟级

一个具体的落地案例：报关审核。前端提交大量商品图片、Excel文件，过去需要人工逐一解析几十个字段，审核校验，生成报关文件、装箱单、合同——人工完成一次需半小时以上。

AI化改造后，邮件附件拖入系统自动形成任务流，20个报关需求自动生成20个任务流，自动解析、分析、判断，核心节点加一道人工校验。四五十个任务半小时处理完，过程可追踪、有留痕。

以前一个人一天处理三四十个报关单就到顶了，现在同样的时间能处理上百个，效率提升3倍以上。

最后一个洞察：框架比Agent本身更有价值

王仿最后分享了一个重要结论：Agent本身不具备复制性。

自然堂的导购机器人搬到欧莱雅完全不适用，医疗场景的方案搬到教育场景也得重来。但搭建过程的框架是具备复制性的——流程有流程模板，任务有任务模板。

这意味着什么？意味着你不需要每次从零开始造Agent。只要把AgentInfra层搭好，后续不同场景的Agent落地，就是"套模板、填内容"的事。

这才是AgentInfra层的真正价值：不是给每个企业造一个Agent，而是给每个企业一套能造Agent的流水线。

---

以上内容由Ai好记转录整理。Ai好记是一款支持音视频转录与总结的AI学习助手，支持解析B站、抖音、小宇宙等平台链接及本地/网盘音视频文件，转文字后自动截取PPT关键帧，生成精华速览、思维导图和结构化图文笔记，帮助你把几小时的会议内容变成可搜索、可复习的图文笔记。