把大模型接进自己的业务系统,要过四道关:先用清楚你说的智能体到底指什么、接 MCP 这类协议会多开哪些口子、模型前面要不要单独加一层、真上业务时又卡在哪一步。
决定上 AI 项目,第一年最可能遇到什么问题?数据、人才、预期管理,踩过坑的人总结了这些经验。
企业里做对话入口,难的不是让助手一直说下去,而是划清三条边界:什么必须答、什么必须停、什么必须转人工。这篇讲这三条各自按什么标准判断,以及每一次停和转怎么留下一条日后查得回来的记录,不然转接只是把访客推回原地。
几十到几百篇的企业知识库,检索的瓶颈通常不是找不到语义相似的段落,而是每篇的说明没有配对、命中的那一篇没有被真读进去。这篇按本站的实现分三层:目录层给每篇配一句能被当摘要用的说明,预读层让回答前真读一遍最命中的那一两篇,最后给出什么时候该上…
换模型的决策权不在提示词写得好不好,而在有没有一套能重复跑的评测集。这篇讲我自己那份最小评测集怎么搭:三十五条问题按七个桶分什么、一条用例上的判断为什么这么写、怎么判分(不要求逐字匹配)、什么时候该加新条。
多数团队把注意力放在选模型和提示词上,真正卡住交付的是「这个助手能看哪些数据、能代替访客提交什么、越界了怎么拦」这一层;这一层做在服务层还是只做在提示词里,决定了后面能不能换模型。