ITPub博客

排产这活，很多工厂现在还是计划员盯着Excel和白板连轴转，订单一变、设备一坏，整张表推倒重来，靠的是脑子和经验，不是系统。对于制造业来说，AI智能体这么火，能不能直接拿来做动态排产，比人排得快、排得准？能，但不是简单粗暴地把人换成AI就完事。排产的难点很少卡在算法本身，真正拖后腿的，是订单变化、物料约束、产线瓶颈、人工审批、异常回退这五件事叠在一起，还分散在ERP、MES、APS好几个系统里。算

舆情监控行业有一个很奇怪的现象。企业购买的系统越来越贵，监测范围越来越广，后台大屏也越来越炫，但真正遇到突发事件时，公关负责人还是会在微信群里问：“这条消息谁先核实？”“需要通知法务吗？”“客服那边怎么回复？”“领导知道了吗？”系统已经发现了风险，人却还在临时拉群。这恰恰暴露了传统舆情监控最尴尬的边界：它可以告诉企业哪里着火了，却很少负责把消防队叫来，更不会跟进火有没有扑灭。现在，AI智能体开始进

上个月，一家制造企业的信息化负责人问了我一个很实际的问题：我们内部用Claude Code写代码，效果还行，能不能把这套模式直接搬到供应商付款审批上，让一个通用Agent去跑财务、风控、客服这些业务？我的答案是：能跑起来，但大概率跑不稳。原因不在于模型能不能理解任务，而是代码Agent和业务Agent面对的根本不是同一类问题。代码Agent处理的是一个高度结构化、可回滚、可测试的仓库，业务Agen

我们在讨论AI Agent时，有个认知偏差特别常见，就是把风险全部归因于大模型幻觉，好像只要模型更准、上下文更长、知识库更完整，Agent就能自然进入业务系统似的。其实现实中，一个回答错误的聊天机器人，最多影响一段文字，但一个被授予系统权限的Agent如果在采购、财务、客服、政务、制造或金融流程里继续执行，错误就可能变成审批、录入、转账、报送或工单流转。往深了看，避免大模型幻觉在业务流程中变成错误

AI Agent真的能进入企业的业务系统里面办事吗？真得看情况。采购要查供应商资质，财务要核对piaoju和流水，客服要分派工单，政务要校验材料，制造要识别库存差异，Agent一旦从聊天框走进业务流程，系统权限、接口边界、审批节点、异常处理和操作留痕这些现实问题都会浮现出来。MCP的走红，正好踩中了这个问题。按照Model Context Protocol官方说明，MCP是一个用于连接AI应用与外

中小企业做自动化，最怕的就是项目上线后算不清账。一个流程如果每月只跑几次、规则经常变、还要大量人工判断，即便接入AI Agent，也很难形成稳定ROI。财政部、工信部在2025年中小企业数字化转型城市试点通知中提出，要面向企业真实需求，开发一批行业属性强、赋能效果优的“小快轻准”解决方案，并通过产业真实场景验证人工智能、数据要素等新技术赋能中小企业提质增效的可行路径。政策口径已经很明确，中小企业自

7月17日，2026世界人工智能大会（WAIC 2026）在上海开幕，1100余家企业参展，智算、具身两大赛道各汇聚超200家企业。往年人形机器人展台大多是台上挥手、寒暄互动，今年风格变了，智元、宇树、傅利叶等企业集中推出量产机型，搭建汽车、物流实景产线，智元远征A3 Ultra在现场演示电池装配、精密拧螺丝、物料拆垛等工业流程，智元机器人累计下线量已突破1.5万台。机器人从展厅走进产线，这件事本

Anthropic这两天放出一份最新报告，专门测试大模型拿到系统权限之后会不会"背着人办事"。结果分成四类：泄露不该说的机密、删除关键账户、篡改记录数据、甚至骗过人类监督者。其中一个财务造假场景里，AI被要求配合篡改记录，Grok 4.3在20次测试里改了19次，GPT-5.4改了17次。另一个场景更有意思，Claude Opus 4.5发现一份安全评估结果对外报告可能有误，先

两份研究报告先后给企业AI泼了盆冷水。Gartner在2025年年中预测，到2027年底，超过40%的agentic AI项目会被取消，原因是成本失控、业务价值说不清楚、风险管控跟不上。同一年，MIT发布的《生成式AI的鸿沟》报告更直接：企业已经在生成式AI上投入了300亿到400亿美元，但95%的组织到目前为止没拿到任何可衡量的商业回报。报告给出的解释很扎心，问题不在模型能力，也不在监管，而在于

最近在看AI Agent的相关教程，遇到两个词：ReAct和Plan-and-Execute，前者强调的是边思考边行动，后者强调的是先规划再执行，如果放在个人开发者Demo里，这更像是两种技术路线，但放到企业场景里，它其实对应的是一个更现实的问题：企业到底能不能接受一个Agent一路“看情况处理”？有些教程喜欢把ReAct讲得很灵活，它的典型过程是“思考、行动、观察”循环，也就是模型先判断下一步该

很多人第一次听到"财务智能体"，脑子里冒出来的画面，还是一个能写报表、能答财务问题的聊天机器人，把 Excel 扔进去，让它总结一下收入变化，解释一下费用波动，或者吐出一段"经营分析"文字。这确实也有用，但如果财务智能体的本事就止步于"帮我写几段分析"，那它离真正的企业级财务自动化，说实话还差得远。财务工作难的地方，并不是有没有报表，是报

最近搜一搜"从0到1搭建AI Agent"，大概率会刷到同一个模板：接入一个大模型，写几行提示词，注册一个查天气或者查火车票的工具，让 Agent 自己判断什么时候该调用工具。跑通的那一刻，确实会让人有种"智能体也就这样"的错觉。这类教程当然有用。它能帮你在最短时间里搞懂 ReAct、Plan-and-Execute、工具调用、记忆、工作流编排这些基础概念，

最近，“AI Agent工程师”成了一个很热的岗位。技术社区里有人讨论LangGraph、MCP、ReAct、Plan-and-Execute，也有人研究多智能体协作、工具调用、工作流编排。招聘市场上，不少企业也开始把“Agent开发经验”“大模型应用工程化”“熟悉RAG和工具调用”写进岗位要求。但如果把这个问题放到企业落地现场，答案可能没有那么简单。AI Agent工程师当然要懂模型、懂框架、懂

金融行业到底能不能用AI Agent？这个问题现在被问得越来越多。但在银行、券商、保险、基金这些机构里，真正让人犹豫的，往往不是AI会不会回答问题，而是它能不能安全进入真实业务流程。资料审核、财务共享、监管报送、反洗钱排查、贷前尽调、账户报备、客户运营、风控监测，这些工作大量存在于金融机构日常运营中，它们高频、重复、跨系统，而且对准确性要求很高。单看业务形态，金融行业并不缺AI Agent和智能自

“企业级AI Agent正在从演示系统走向生产现场。”过去一年，几乎所有企业都能感受到这种变化。大模型能力提升很快，MCP、工作流编排、多Agent协同、RPA+AI等概念也在密集出现。一个能回答问题、生成文档、调用工具的Agent，已经不难做出来。真正困难的地方，通常出现在第二步。当Agent从会议室里的Demo进入财务、采购、客服、政务、制造、金融运营等业务现场，它面对的就不再是“模型回答得准

AI Agent走红之后，RPA行业很多人都在说，既然智能体已经能理解指令、拆解任务、调用工具，企业还需要装RPA吗？这个问题看似在讨论技术替代，实际上混淆了两类技术的能力。RPA解决的其实是“如何稳定执行”的问题，AI Agent解决的是“如何理解和编排”的问题。前者更像企业流程里的机械臂，后者更像能够读懂任务目标的调度员。真正进入生产环境后，企业并不需要一个只会自由发挥的智能体，而需要一套能理

最近，腾讯正在测试微信内嵌AI Agent智能体入口，根据目前曝光的信息，用户未来可能通过自然语言直接向AI提出需求，由AI自动调用微信生态中的小程序完成查询、预约、下单、支付等操作。比如说用户只需输入“帮我找一家附近适合家庭聚餐的粤菜馆”，AI就能够结合位置、预算、评价等信息完成筛选，并进一步进入订位、导航甚至支付流程。如果只是增加一个AI聊天入口，这件事其实并不新鲜。过去两年，几乎所有互联网平

企业在选择AI智能体平台时，其实真正难的不是找到能用的产品，而是判断背后的公司是否具备持续交付的能力。一个平台今天跑得通，不代表明年还能跟上你的业务演进；一家公司今天有产品，不代表它真正理解你的行业。这次我们不评测产品界面，而是从公司视角切入，看它的技术底蕴、产品矩阵、行业落地深度、生态布局、信创适配、商业化成熟度，逐一拆解当前国内主流AI智能体平台背后的开发公司，帮助企业决策层、战略投资方和生态

选平台这件事，很多企业踩过同一个坑：用一套通用平台试图覆盖所有场景，结果要么跑不稳，要么数据安全过不了审，要么开发完发现根本无法对接内部系统。其实这个问题的根源在于，企业级智能体的场景差异远比我们想象中大。譬如说，一个面向C端用户的订票助手，和一个处理银行贷前尽调的合规智能体，对平台的要求几乎是两套标准。现在我们从实际场景出发，梳理当前主流平台的适配逻辑，帮助技术负责人在选型时少走弯路。企业级场景

很多企业的IT负责人最近都在头疼一件事，为了拥抱AI，公司尝试用市面上流行的通用大模型平台搭了几个智能助手，但在处理闲聊、写写公文时还行，一涉及公司内部的财务核算、供应链查询或人力资源流转，这些智能体往往就成了“人工智障”，要么连不上业务系统，要么满嘴胡诌。为什么企业级智能体落地这么难？因为企业的核心诉求不是“对话”，而是“准确执行”。今天我们不谈虚的，直接从架构与路径切入，拆解如何为公司快捷、安