接口方面，企业内部的OA、ERP和CRM系统本身也在升级，API接口可能在一个版本后发生Breaking Change，如果没有兼容性评估和预升级管理，AI Agent可能某天突然调用失败。我的判断是：Demo验证的是模型能不能回答问题，四项工程验证的是系统能不能持续运转。启动AI Agent项目之前，值得逐项核对知识库的切分策略和评估方案是否确定、工作流的异常分支和人工介入节点是否画完、系统集成

接口方面，企业内部的OA、ERP和CRM系统本身也在升级，API接口可能在一个版本后发生Breaking Change，如果没有兼容性评估和预升级管理，AI Agent可能某天突然调用失败。我的判断是：Demo验证的是模型能不能回答问题，四项工程验证的是系统能不能持续运转。启动AI Agent项目之前，值得逐项核对知识库的切分策略和评估方案是否确定、工作流的异常分支和人工介入节点是否画完、系统集成

类似的场景在供应链管理中同样存在：库存低于预警线时，智能体可以生成补货建议，但能不能直接向供应商下单，涉及预算权限和合同条款。数据边界不仅是权限管理问题，还涉及数据流向——某些行业监管要求特定数据不能离开企业内网环境，即使做了脱敏处理也要评估合规风险。在项目启动之前，值得花时间逐项梳理六类边界——决策、执行、数据、表达、人工介入、异常回滚——每一项都应形成明确的规则文档，并纳入后续的功能验收标准。

类似的场景在供应链管理中同样存在：库存低于预警线时，智能体可以生成补货建议，但能不能直接向供应商下单，涉及预算权限和合同条款。数据边界不仅是权限管理问题，还涉及数据流向——某些行业监管要求特定数据不能离开企业内网环境，即使做了脱敏处理也要评估合规风险。在项目启动之前，值得花时间逐项梳理六类边界——决策、执行、数据、表达、人工介入、异常回滚——每一项都应形成明确的规则文档，并纳入后续的功能验收标准。

判断方案是否安全，可以检查Agent的每次数据读取是否都经过了权限校验。测试环节不能只依赖传统软件的确定性判断方法，Agent的输出是生成的，同一问题可能给出不同表述，正确性判断需结合人工评估和样本验证。采购合同包含条款、金额明细和审批流程三种结构的内容，一刀切的固定长度分段会把表格中的金额信息切碎，检索返回的片段不完整。正式接入OA审批和财务数据库后，情况完全不同——AI无法正确解析旧版PDF发

判断方案是否安全，可以检查Agent的每次数据读取是否都经过了权限校验。测试环节不能只依赖传统软件的确定性判断方法，Agent的输出是生成的，同一问题可能给出不同表述，正确性判断需结合人工评估和样本验证。采购合同包含条款、金额明细和审批流程三种结构的内容，一刀切的固定长度分段会把表格中的金额信息切碎，检索返回的片段不完整。正式接入OA审批和财务数据库后，情况完全不同——AI无法正确解析旧版PDF发

判断方案是否安全，可以检查Agent的每次数据读取是否都经过了权限校验。测试环节不能只依赖传统软件的确定性判断方法，Agent的输出是生成的，同一问题可能给出不同表述，正确性判断需结合人工评估和样本验证。采购合同包含条款、金额明细和审批流程三种结构的内容，一刀切的固定长度分段会把表格中的金额信息切碎，检索返回的片段不完整。正式接入OA审批和财务数据库后，情况完全不同——AI无法正确解析旧版PDF发

讲实在话, 我起初也蛮抵触AI的。去年公司宣称要弄个啥AI智能体, 那时我心里所想的是: 又冒出来一个花哨的玩意儿, 估摸用两天就会被丢至角落积灰了。结果呢？真香。

低代码平台搭建速度快，适合相对标准化的场景，复杂业务逻辑的定制空间有限，当业务需求超出平台预设能力时往往需要回归代码开发。但实际业务中，售前咨询需要匹配商品参数和促销规则，售后退换货需要核对接收状态和退款流程，物流查询需要对接订单系统接口，促销场景需要判断优惠叠加规则。如果在需求阶段没有拆解到这个粒度，开发完成后再补场景，知识库结构和工作流逻辑都要推倒重来，而且已经产生的对话数据需要重新标注，工作

讲实在话, 我起初也蛮抵触AI的。去年公司宣称要弄个啥AI智能体, 那时我心里所想的是: 又冒出来一个花哨的玩意儿, 估摸用两天就会被丢至角落积灰了。结果呢？真香。