EN
澜码 - 菜单切换按钮
澜码 - 菜单关闭
首页 > 新闻中心 > 媒体报道 > 详情
专家知识的实时运营是AI Agent发挥业务价值的充要条件
去年，我们创新地提出了专家知识的数字化是AI Agent落地的必要条件，伴随着过去一年多在千行百业的实践，我们对于大语言模型应用怎样选择场景、怎样落地场景，怎样运营场景，有了更深的理解和体会，因此撰写了这篇文章与大家分享。

在分享实战经验前，我们先厘清两个在实际工作中被问到最多的问题：

1. AI Agent相比AI 1.0时代的应用，有哪些质的进化？
2. AI Agent和RPA/低代码的本质区别是什么？

AI Agent VS AI 1.0时代的应用：

处理的场景需求更个性化

 

我们发现，在许多很多高业务价值的场景，如贷款风险评估、信用卡分期等，AI 1.0时代的机器学习技术就能够发挥作用——通过专家、产品经理、工程师的协同合作，我们就能够构建出足够精确的决策型AI模型。

但是，当场景中存在很多个性化需求和需要较多定制化调整时，如对中小企业的尽调报告、股票分析等，传统的、规则驱动的AI 1.0时代的模型，由于它们往往是为了处理通用任务而设计，因此就难以处理需要较多定制化调整的场景的独特需求。

而AI Agent由于其自主性和学习能力，能够通过与环境的互动来改进和优化决策与行动，因此这类场景就比较适合AI Agent。

由此可见，AI 1.0时代的AI应用更适用于处理相对稳定和规则明确的业务场景需求，而AI Agent 则能够更好地应对和处理不确定性和变化性较高的情况。

AI Agent VS RPA/低代码：更自主

AI Agent 与 RPA（机器人流程自动化）和低代码有着明显区别。

RPA主要侧重于自动化重复的、规则明确的业务流程。

低代码则是侧重于快速开发应用，使非技术人员能够更轻松地创建应用程序。

AI Agent 则更强调智能性和自主性，能够理解和处理更复杂的问题。AI Agent能够通过感知环境、感知状态，独立思考后主动发起任务，并调用工具以完成给定的目标，并通过实践带来的反馈不断改进和自学习。

既然AI Agent已经比AI 1.0时代的应用和RPA/低代码在「智能」程度上已经有了更多本质的进步，那么时至今日为何仍未看到AI Agent“吞噬”掉整个软件世界的发生？

AI Agent发挥业务价值过程中所面临的挑战


今天大语言模型应用市场存在一个非常有趣的现象：一方面，众多云服务厂商和大模型厂商都在积极开放自己的应用市场或者Agent市场，另一方面，OpenAI年初高调推出的应用商店GPTStore 不到六个月就“烂尾”了，当下市场上更多的还是应用开发者在互卷。这个现象背后的原因是什么？

我觉得核心还是2个问题：

1. 互联网端目前已有的应用，其提供的价值尚未达到让消费者愿意付费的程度；

2. 尚未有一种有效的算法，能够将消费者需求与大型模型应用进行有效匹配；

 

无论是在互联网还是在移动互联网时代，让消费者愿意买单的前提是需要有「Killer Website/App」（杀手级的应用）。

 

至少在企业效率相关的垂类场景中，大模型或者AI Agent生成的质量十分关键。

以简历生成这个场景为例，虽然这是一个具体的垂类业务场景，但仍需要定制化的服务才能够真正满足用户的业务痛点。所以，越个性化的服务，越难以通过专家描述，一次性地完成专家知识的输入。

那么，AI Agent在实际业务场景中，如何迅速迭代？又要如何借助专家知识的不断输入、最大化地发挥业务价值呢？

专家怎样通过新的人机接口

迅速迭代AI Agent

 


专家在 AI Agent 的发展中扮演着不可或缺的角色，因为专家拥有深厚的行业知识和经验，能够为 AI Agent 提供必要的业务指导和建议。

在当前的企业服务中，许多工作场景都属于知识密集型工作，比如银行客户经理、投资顾问、律师等岗位，其工作的核心都是在理解和吸收非结构化数据。例如，法律专家需要在冗长的法规条款中筛选出适用于特定案件的法规，投资顾问需要深入研究大量的研究报告，从中提炼出有价值的行业信息等。

因此，新的人机接口就格外重要，它有可能改变我们与非结构化知识的交互方式，进而改变我们的工作模式。

AI文档搜索公司Hebbia的创始人兼 CEO George Sivulka 也说过：理解人类语言的人工智能将成为未来十年最具影响力的发明。


我们认为，在企服领域，根据业务痛点，首先能够确定需要用到的数据和知识，这些数据为AI Agent 的学习和决策提供了重要的依据。

在具体业务场景中，我们可以将业务数据拆解成Meta（元）数据，再根据专家知识的输入对这些Meta数据进行标签化。
(元数据是关于数据的数据，它描述了数据的属性和特征，比如数据的结构、来源、格式、含义和用途等。)

在具体场景中，利用AI Agent的实践，收集用户与系统交互过程中的反馈数据，并基于这些反馈进行反思和自我学习，从而迭代AI Agent的能力。


比如，在金融投资分析场景下，AI Agent可以根据对市场数据和专家知识的实时运营，为投资顾问提供更加精确的投资建议，还能实时获取市场变化信息并更新到投资策略的知识库中。

通过与投顾的实际交互，AI Agent能够收集到用户的反馈，例如投资建议未能满足用户的风险偏好等级，或收益率不高等信息。基于这些反馈，AI Agent能够发现新的个性化投资模型，并调整优化风险模型等参数的权重，从而指导并优化AI Agent的投资知识模型。

对企服而言，将企业数据与业务需求相结合，借助具有观察、学习、自适应和自动化等能力的 AI Agent 进行处理，然后将结果输出并与外部环境进行交互；同时，在建立了反馈机制后，AI Agent会不断地进行反思和自学习，从而发现业务中的新特征和关系，建立起动态领域的知识模型，这样一来， AI Agent 的能力就会得到快速迭代。

上一篇

下一篇

最新新闻