當下，AI Agent正迎來全球性發(fā)展大爆發(fā)，AI產(chǎn)業(yè)的下一個大階段已拉開序幕。然而，在大模型能力突飛猛進、AI產(chǎn)業(yè)鏈被重塑的同時，尋求殺手級應用也成為業(yè)界共同面臨的核心命題。

為此，5月15日盛景舉辦以“面向技術(shù)經(jīng)理的AI Agent開發(fā)”為主題的投后賦能培訓，線上線下聯(lián)動吸引近300名參與者，其中數(shù)十家科技賽道的盛景被投企業(yè)創(chuàng)始人攜骨干團隊現(xiàn)場出席。

盛景網(wǎng)聯(lián)高級合伙人、AIC人工智能創(chuàng)業(yè)孵化器創(chuàng)始合伙人顏艷春，從技術(shù)落地和產(chǎn)品經(jīng)理的角度，深度拆解了“如何打造AI Agent爆款應用”這一破局命題，助力被投企業(yè)跨越“從技術(shù)到價值”的鴻溝，在智能體革命中搶占戰(zhàn)略高地。

盛景網(wǎng)聯(lián)董事長、盛景嘉成創(chuàng)投創(chuàng)始合伙人彭志強，也在活動中做了深入點評，犀利指出“只從技術(shù)談技術(shù)是死路一條，一定要從結(jié)果反推”。AI應用技術(shù)開發(fā)要回歸“第一性原理”——商業(yè)意識與結(jié)果導向。

這一務實主張，既為活動奠定基調(diào)，亦彰顯盛景投后賦能的長期使命——以深度認知與實戰(zhàn)賦能，助力被投企業(yè)在智能時代逆勢突圍。

小編將兩位大咖的發(fā)言分享精編如下，以饗讀者，enjoy~

盛景網(wǎng)聯(lián)董事長

盛景嘉成創(chuàng)投創(chuàng)始合伙人彭志強

硅谷流傳著一句廣為認同的用人法則：“用最少、但最好的人，做最重要的事?！?/p>

什么才是最重要的事情？什么才是最好的人？這其實就是“關(guān)鍵任務，關(guān)鍵人才”，兩者之間要匹配，要match。

對技術(shù)經(jīng)理而言，真正的挑戰(zhàn)不僅是判斷什么是“最好的人”，更在于如何識別“最重要的事”。這個答案必須回到AI應用開發(fā)的第一性原理：商業(yè)意識與結(jié)果導向。

隨著大模型底座能力的躍升，AI應用開發(fā)的模式也正在發(fā)生根本變化。未來技術(shù)的核心價值，不再是技術(shù)本身，而是其能否創(chuàng)造“結(jié)果”。這一趨勢催生了“RaaS（Result-as-a-Service，結(jié)果即服務）”的商業(yè)模式：企業(yè)必須敢于以結(jié)果定價、以結(jié)果收費、以結(jié)果盈利。如果一項技術(shù)不能帶來清晰的商業(yè)閉環(huán)，那它的存在就缺乏持續(xù)意義。

當今SaaS和傳統(tǒng)軟件的服務邏輯正遭遇徹底重構(gòu)。大模型具備廣譜能力，堪稱“1萬米寬、10米深”的技術(shù)平臺，幾乎可以勝任所有輕量任務。因此，如果你的產(chǎn)品只是實現(xiàn)表層數(shù)字化，極易被通用大模型直接替代。唯有將AI的能力聚焦于“1米寬、1000米深”的垂直場景中，真正服務于特定結(jié)果，才有可能建立競爭壁壘。所以，只從技術(shù)談技術(shù)必然是死路一條，一定要從結(jié)果反推！

對于“最重要的事”，過去大多數(shù)人普遍認為競爭對手重要，但盛景一直強調(diào)：要用99%的時間研究客戶，1%的時間研究競爭對手。從內(nèi)部的工作角度來講，要用90%的時間研究客戶需求，10%的時間開發(fā)產(chǎn)品。

原因在于，絕大多數(shù)的開發(fā)都是在浪費時間、浪費人工、浪費金錢，體現(xiàn)在產(chǎn)品或服務上，就是無法達到預期的銷售額。所以，真正需要花時間精力的地方，是在研究客戶的需求上，而不是盲目開發(fā)一個沒人用沒人買的產(chǎn)品。

基于此，今天的AI應用一定要堅決控制研發(fā)投入，這里的控制投入不是給員工降薪，而是要聚焦客戶的剛需，且最終必須能賺到錢。這也是技術(shù)經(jīng)理要時刻提醒自己的重點。

那么如何才能做到“少投入大產(chǎn)出”？一定要堅持核心大單品邏輯。先把一個最主要的應用做深做透，應用要同時符合前述兩個條件：客戶剛需能被滿足、企業(yè)能夠賺到錢。否則研發(fā)費就不值得花。然后，這一主要應用要從MVP（Minimum Viable Product）做起。

什么是MVP？推薦一部紀錄片形式的電影《大創(chuàng)業(yè)家》，影片講述了麥當勞的創(chuàng)業(yè)過程。你會看到麥當勞高速餐廳的雛形，居然是用粉筆在網(wǎng)球場上畫出來的，所有員工在畫出的場地里模擬工作時的操作，不斷實踐不斷修改，最后根據(jù)圖紙定制化打造出高效廚房，讓出餐時間從30分鐘縮短到30秒。這就是MVP。

當前，AI時代已經(jīng)來臨，希望大家能運用這些新的認知，走在AI的正確道路上，少投入大產(chǎn)出，把握住這一波AI RaaS的時代機會。

面向技術(shù)經(jīng)理的AI Agent開發(fā)

——盛景網(wǎng)聯(lián)高級合伙人、AIC人工智能創(chuàng)業(yè)孵化器創(chuàng)始合伙人顏艷春

2024年，AI創(chuàng)業(yè)在全球范圍內(nèi)持續(xù)升溫，硅谷尤為顯著。Y Combinator（YC）最新一批項目幾乎100%都與AI相關(guān)，OpenAI黑幫前員工所創(chuàng)的十五家初創(chuàng)企業(yè)累計估值已達2500億美元，這不僅預示著AI的資本浪潮，更反映出一個關(guān)鍵趨勢的確立：AI將全面重塑產(chǎn)業(yè)格局，開啟以“結(jié)果交付”為核心的智能體經(jīng)濟。

AI正在以前所未有的速度重塑企業(yè)的權(quán)利版圖，AI Agent 的崛起標志著人類正式進入“結(jié)果經(jīng)濟”時代。尤其對創(chuàng)業(yè)公司而言，產(chǎn)品定義不再是對功能的簡單組合，而是從結(jié)果出發(fā)的系統(tǒng)性再構(gòu)。很多企業(yè)延續(xù)著舊有的軟件思維方式，試圖在傳統(tǒng)框架中塞進大模型組件，最終難以走出困境。真正突破的關(guān)鍵，是徹底拋棄“舊馬車裝新引擎”的思維。

因此，下一個偉大十年，是一個“結(jié)果經(jīng)濟”的十年，強調(diào)結(jié)果交付的RaaS（Result as a Service）型智能體產(chǎn)品的開發(fā)是其中的核心之一。

尤其對于創(chuàng)業(yè)公司而言，如何走出屬于自己的成長曲線？最難的其實是對產(chǎn)品的定義。

守舊會限制我們的行動力。如果我們?nèi)匀谎匾u過去傳統(tǒng)軟件的開發(fā)邏輯，是不可能開發(fā)出一個偉大的智能體產(chǎn)品。

打個比方，大模型就像是蒸汽機，蒸汽機是一個偉大的發(fā)明，對于蒸汽機來說火車是一個偉大的應用，但火車并沒有滲透到每一個家庭里。

反而是德國人本茨先生把蒸汽機小型化，發(fā)明了單缸發(fā)動機，這又是一大創(chuàng)舉，但是它在最初定義產(chǎn)品的過程中，卻不能算作一個偉大的產(chǎn)品經(jīng)理。為什么？這是去年我在奔馳博物館看到的人類第一輛汽車：在三輪馬車這樣一個老的硬件上加裝了單缸發(fā)動機。

同樣的還有諾基亞，它在自己傳統(tǒng)的鍵盤手機上加了一個觸摸屏，便認為可以與喬布斯的蘋果手機抗衡，結(jié)果可想而知。

它們都沒有真正的改變世界。

反觀是亨利·福特，領導了世界的汽車工業(yè)革命，用自動組裝線生產(chǎn)出了廉價的T型車，讓汽車這個最初的“昂貴玩具”真正走進大眾生活，令普通工薪階層也能買得起，美國由此成為“跑在輪子上的國家”。福特汽車改變汽車工業(yè)的同時，也讓自己崛起為世界上最大的車企之一，至今仍在汽車行業(yè)占有重要一席。

所以一個偉大的產(chǎn)品經(jīng)理作用是非常重大的，但要沖破慣有的舊思維，重新歸零，實際上也是最難的一件事。

回到現(xiàn)在，DeepSeek的崛起充滿了大模型“下凡”的意味。它不僅是中國創(chuàng)新的覺醒，更是撕開了AGI工業(yè)化的鐵幕，就像福特T型車碾碎馬車時代。

未來十年，將會發(fā)生三個重大改變：

第一，AI大模型將從奢侈品變?yōu)樗娒夯A設施，AIOS（Artificial Intelligence Operating System，人工智能操作系統(tǒng)）的“Android時刻”其實已經(jīng)到來；

第二，未來將誕生上千億AI智能體和機器人大軍，軟件工業(yè)將第一次成為AI勞動力；

第三，AI+產(chǎn)業(yè)，將迎來真正的生產(chǎn)力核聚變時刻。

從AI智能進化的趨勢來看，大模型從感知AI、生成式AI，現(xiàn)在已經(jīng)進入到智能體AI，未來3-5年有可能會看到物理智能大突破的時刻。

那么當下的智能體革命意味著什么呢？宣告了AGI通用人工智能，進入福特T型車流水線工業(yè)化量產(chǎn)時代。

而DeepSeek帶給各行各業(yè)的巨大改變，體現(xiàn)在每一個智能體都可以真正運行在若干個小模型之上，這種小模型可能運行在我們的手機、耳機、AI眼鏡、AI桌玩、機器人里。

那么智能體未來的機會是什么？護城河到底在哪里？其中非常關(guān)鍵的，就是互聯(lián)網(wǎng)的公開的數(shù)據(jù)集。很多人認為把私有數(shù)據(jù)集準備好就可以了，其實是還遠遠不夠。

在私有數(shù)據(jù)集之外，清楚記錄人類實時的、動態(tài)的互聯(lián)網(wǎng)的公開數(shù)據(jù)集也是價值巨大的，我們需要從大量的2C用戶、2B用戶數(shù)據(jù)找到真正的我們需要的信息，這將是一個考驗。在這個過程中，數(shù)據(jù)飛輪也將變得更為重要。

不可否認，私有數(shù)據(jù)集的作為護城河依然有很大價值，而真正形成你能力的，還是你的思維鏈 (Chain-of-Thought, CoT) 或思維樹 (Tree-of-Thought, ToT) 數(shù)據(jù)，這些記錄了模型推理過程的數(shù)據(jù)。嚴格來講，DeepSeek本身就是一個智能體，它之所以能夠很好地回答問題，得益于其背后80萬條規(guī)模的COT數(shù)據(jù)，這構(gòu)成了它最核心的競爭力壁壘。

所以，眼下企業(yè)無論是做消費品市場2C的用戶，還是做工業(yè)品市場、產(chǎn)業(yè)互聯(lián)網(wǎng)平臺抑或是出海，要建立自己的智能體，就要想盡辦法通過各種渠道先收集數(shù)據(jù)，因為未來數(shù)據(jù)會越來越貴。

未來在研、產(chǎn)、供、銷、服、人、財稅、物、IT、合規(guī)、每一個節(jié)點做智能體的開發(fā)，都離不開小參數(shù)高性能的小模型的支持，這正是小模型時代智能體的邊際成本很快變成零。

同時我們認為，小模型有一個超長尾的分布效應，首先各個行業(yè)這種中大型的模型，領域的中小模型、產(chǎn)品的模型或者企業(yè)的模型、個人模型，將來都要形成自己的小模型的能力。而且從整個開發(fā)的UI來說，智能體不僅可以運行在手機、iPad上，還可以運行在AI眼鏡、機器人上，賦能各行各業(yè)，機會非常多。

具體來講，智能體一般有三個容器：AI分身、機器人、AI智器。它們會成為我們?nèi)祟惞杌缘耐?，我們不僅僅是開發(fā)軟件，而是迎來了一個新的互聯(lián)網(wǎng)時代：

• 2007年，iphone開啟移動互聯(lián)網(wǎng)時代，60億消費者已經(jīng)實時連接；

• 2022年，ChatGPT、DeepSeek開啟開啟AI時代；

• 未來30年，所有人類和他們上千億的AI智能體（包括AI分身、機器人、智器）實時連接，進入智能體互聯(lián)網(wǎng)時代。智能互聯(lián)網(wǎng) 3.0 遵循梅特卡夫定律，其價值可能會超過現(xiàn)有互聯(lián)網(wǎng)價值的 100 倍。

那么智能體的第一性（本質(zhì)）到底是什么？是AI勞動力。如果忽視這一點，就不可能開發(fā)出任何一款偉大的智能體產(chǎn)品。而可以預見的是，未來也沒有公司可以僅靠一款智能體打天下，一定是若干種智能體組隊形成一個“能力池”。

那么智能體產(chǎn)品規(guī)劃應該怎么做？無論是2B還是2C，都可以用這四個象限來呈現(xiàn)，時間（效率型、殺時間型）是橫坐標，情商/智商是縱坐標。

舉例來說，AI購物、AI教練、AI營養(yǎng)師、AI醫(yī)生智商越高，就越能獲得用戶的信任。而AI銷售、AI主播、AI旅行、AI冥想教練，顯然不能只懂產(chǎn)品，還需要有共情的能力，所以單培養(yǎng)高情商這一方向，就有可能會誕生出非常好的智能體公司，并且這四個象限種中的每一個關(guān)鍵詞，也都存在誕生千億甚至萬億美金級別經(jīng)濟體的可能性。

真正有潛力的Agent，不一定最聰明，但一定是最能形成“情感連接 + 結(jié)果價值”的復合體。要構(gòu)建這樣的Agent，不能只依賴模型本身的能力，更需要在人設、語氣、角色記憶、場景適配等維度進行精細設計。AI Agent開發(fā)從此不再是工程導向的過程，而是兼具交互設計、心理學、語言建模與商業(yè)思維的跨學科融合。

DeepSeek的成功正是這種新范式的縮影。它不僅是一種模型架構(gòu)的革新，更是智能體范式落地的標志。在其背后，支撐它核心競爭力的并非參數(shù)量本身，而是規(guī)模龐大、持續(xù)優(yōu)化的思維鏈（Chain of Thought, CoT）數(shù)據(jù)。這些數(shù)據(jù)記錄了問題被理解、被拆解、被解決的全過程，為智能體的推理能力提供了“演化基因”。

第二勞動力的崛起

自亞里士多德定義“第一性原理”以來，我們總在追問：某個現(xiàn)象背后最基本、不可再分的本質(zhì)是什么？若將這一哲學鏡頭投射到當下AI智能體的浪潮中，或許我們會得出一個驚人的結(jié)論：智能體的第一性，并非代碼、模型、或數(shù)據(jù)，而是勞動力。它不是一段等待調(diào)用的函數(shù)，而是一位等待派遣的“數(shù)字員工”。

當AI智能體變成基本勞動力單元，組織將迎來深度重構(gòu)。公司不再是各部門之間的接口，而是一個基于“任務流”的系統(tǒng)。每一個任務，從生成需求到資源調(diào)配到結(jié)果交付，都由AI智能體網(wǎng)絡自動完成。Clay AI、Deel、Harvey、Sierra、Cursor、Synthflow 等先鋒公司，正是在這樣的架構(gòu)下進行自我演化。

而如果AI智能體的本質(zhì)是一種勞動力形態(tài)，那么軟件世界的價值錨點也必須重構(gòu)。從“賣功能”走向“賣結(jié)果”，從“軟件工具”演化為“勞動力即服務（Result-as-a-Service，RaaS）”。這不僅僅是商業(yè)模式的更新?lián)Q代，更是一次生產(chǎn)力與生產(chǎn)關(guān)系的根本性遷移。企業(yè)不再為工具買單，而是為智能體帶來的真實商業(yè)結(jié)果買單，這背后是一場軟件業(yè)“賣代碼”到“賣勞動力”的深刻物種進化。

這一變化的底層驅(qū)動力在于，AI 正在成為“第二種勞動力”。傳統(tǒng)的軟件賣的是“授權(quán)”——授權(quán)你使用這套系統(tǒng)、這個功能。而 RaaS 賣的是“結(jié)果”——賣我?guī)湍阃瓿闪耸裁础?/p>

員工的角色，也將重塑。不再是“崗位職能”的執(zhí)行者，而是智能體編排的“導演”和“編舞者”。管理者將像一位編曲師，利用一支支由AI構(gòu)成的“數(shù)字交響樂隊”來完成目標的落地。

而這一切的極致狀態(tài)，就是“一人獨角獸公司”的出現(xiàn)。通過構(gòu)建1000個專用智能體協(xié)同的系統(tǒng)化方法論，一個人就能完成產(chǎn)品、市場、銷售、客服、財務、合規(guī)甚至戰(zhàn)略的全部運作。這樣的創(chuàng)業(yè)者，不再依賴“擴招”或“融資”，而是靠“智能協(xié)作密度”贏得未來。

傳統(tǒng)SaaS軟件的時代，以“賣代碼”和“賣功能”為核心，用戶為界面、模塊、調(diào)用次數(shù)買單，這種模式的價值錨點清晰但也漸趨疲軟。進入智能體時代，AI不僅僅是工具，而是一支可以24小時不眠的“數(shù)字勞動力軍團”，真正替代甚至超越人類完成重復性、高強度且需要情緒理解的任務。

SaaS時代有它的黃金年輪——云端部署、多端協(xié)同、按月計費，曾被譽為“永不凋零的訂閱之花”。企業(yè)為模塊、接口、并發(fā)數(shù)買單，軟件公司為功能堆砌、用戶習慣而卷生卷死。彼時的競爭邏輯，是誰跑得快，誰定義了“供給效率”的邊界。

AI Agent 正在不動聲色地改寫規(guī)則。你不再為“系統(tǒng)”買單，而是為“結(jié)果”付費——銷售額提升了多少，退貨率下降了多少，客戶滿意度上升了多少。這不是理想主義者的幻夢，而是實打?qū)嵲谄髽I(yè)財報里兌現(xiàn)的現(xiàn)實。

由OpenAI前高管Bret Taylor與Google前重臣Clay Bavor創(chuàng)立的Sierra，是這場革命的先鋒。其誕生源自一個樸素但深刻的觀察：傳統(tǒng)客服SaaS平臺雖多，但企業(yè)依然需要雇傭大量坐席人員，系統(tǒng)雖在，卻“成果未至”。它的誕生源于對傳統(tǒng)SaaS模式的深刻洞察：企業(yè)采購客服軟件后，仍需投入大量人力操作，初始成本高企卻效果難測。Sierra摒棄按席位收費的舊邏輯，開創(chuàng)“結(jié)果即服務”（RaaS）模式，讓企業(yè)為實際解決的客戶問題付費，而非工具的使用權(quán)。

2023年在硅谷成立的 Sierra AI，也許是這一潮流的先行者。他們提供的不是 又一個CRM 軟件，也不是另一個“聊天客服平臺”，而是一位全?！癆I 銷售代表”——可以7×24小時接待客戶、講解產(chǎn)品、推薦方案、推動轉(zhuǎn)化和成交完成支付，乃至在后續(xù)幾天持續(xù)追蹤復購和滿意度跟蹤。并且不斷通過真實對話優(yōu)化自身話術(shù)與策略，甚至根據(jù)你的品牌語氣調(diào)整表達風格。

更重要的是，它不再按使用時長或并發(fā)數(shù)計費，Sierra 不按月收費，而是根據(jù)實際成交的銷售額分成。這不是在賣軟件，而是在雇傭一位“永不抱怨、永不疲憊”的數(shù)字銷售員。你可以把它想象成一個超級銷售員，它不需要 KPI 壓力。而在實際案例中，Sierra 已在多個 DTC 品牌中幫助完成百萬級美金的閉環(huán)交易，交付結(jié)果，變現(xiàn)。在一家北美DTC品牌中，Sierra接管了夜間客服與銷售任務，僅三個月便交付了超過180萬美元GMV，轉(zhuǎn)化率提升68%，退單率下降42%。它不僅是“解決方案”，而是真正成為公司KPI的一部分——交付結(jié)果，參與分成，承擔風險。

另一家快速崛起的 RaaS 公司是 Clay AI。他們不是給你銷售工具，而是直接給你一條智能銷售流水線。自動找客戶、自動生成 cold email、自動追蹤反饋，再自動調(diào)整策略。你要的不是一個更好用的 CRM，你要的是更高的轉(zhuǎn)化率。這是一家用 AI 自動發(fā)現(xiàn)客戶、生成郵件、進行互動跟進的銷售鏈平臺。它不是“教你怎么做銷售”，也不是“提高 SDR 的效率”，而是替你直接完成這部分銷售動作。用 Clay 的公司無需招募大批 Cold Email 寫手與數(shù)據(jù)爬蟲，它們只需設定目標客戶類型，然后等待 AI agent 自動找人、撰寫郵件、追蹤打開率并根據(jù)反饋不斷微調(diào)策略。

Clay AI則以其獨特的FETE框架（Finding-Enriching-Transforming-Exporting）撬動了AI勞動力的經(jīng)濟價值。Claygent智能體融合75個數(shù)據(jù)源，整合LinkedIn、Salesforce等商業(yè)數(shù)據(jù)平臺，通過深度學習為客戶挖掘高價值銷售線索。OpenAI客戶拓展項目中，Clay單月幫助企業(yè)發(fā)現(xiàn)了1200萬美元的潛在訂單，客戶為此支付了20%GMV分成，實質(zhì)是雇傭了一支永不疲倦、不斷學習優(yōu)化的“數(shù)字銷售軍團”。在這場變革中，軟件商不再是簡單工具提供者，而是業(yè)務價值的直接貢獻者，AI勞動力的“皇冠上的夜明珠”開始閃耀。

11X AI的案例則將RaaS的“結(jié)果驅(qū)動”模式推向極致。作為AI銷售助理的創(chuàng)新者，11X采用“零底薪+3-5%GMV分成”模式，為客戶打造了一個可復制的AI銷售團隊。其智能體Alice和Jordan不僅支持30種語言，還通過模擬人類語音特征（如停頓、咳嗽）提升客戶溝通的真實感和親和力，客戶銷售線索因此暴增120%。11X的客戶續(xù)費率高達95%，顯示出基于結(jié)果的商業(yè)模式極大地提升了客戶滿意度和粘性。公司最近7600萬美元融資背后，是資本對RaaS商業(yè)邏輯的認可：AI銷售代表正成為企業(yè)可復制、可擴展的印鈔機。

作為企業(yè)財務自動化的明星公司，Ramp正是RaaS模式在B2B SaaS領域演進的典型案例。它不再只是提供報銷管理工具，而是構(gòu)建了一整套“AI財務助理”，幫助企業(yè)主動發(fā)現(xiàn)節(jié)省空間、優(yōu)化支出結(jié)構(gòu)并預測現(xiàn)金流波動。Ramp以“節(jié)省的錢”作為計費基礎，客戶支付的是一個明確的ROI。例如，某科技公司通過Ramp自動發(fā)現(xiàn)并砍掉了14個冗余訂閱，年節(jié)省支出超過27萬美元。這類用結(jié)果換付費的機制，正讓傳統(tǒng)的“訂閱制”看起來過時而低效。這個看似簡單的機制，背后卻是強大的自動識別、談判建議與系統(tǒng)接入能力的支撐——AI 在扮演著財務顧問的角色，并用“節(jié)省額”而非“功能量”來計價。它通過 AI 來識別企業(yè)中所有不合理的支出，幫助你談判供應商，優(yōu)化預算。

在全球范圍，RaaS 的浪潮也不再局限于銷售和財務。例如 Adept，這家由前 OpenAI 成員創(chuàng)立的公司，打造的智能操作系統(tǒng) Agent 可以自主完成如“查找房源并預約看房”、“搜集公司資料并生成競品對比”這樣的復雜任務。Adept 的目標從來不是成為另一個工具集，而是構(gòu)建“懂事、能做”的數(shù)智員工。Fixie AI 則更進一步，它專注為企業(yè)部署定制化 Agent，不再出售代碼，而是出售“問題的解決方案本身”。

“勞動力”就從人類的勞動力變成了AI勞動力，而當智能體大規(guī)模進入人類市場以后，所產(chǎn)生的改變是巨大的。

未來，每個人、每個組織、每個國家乃至每個軍隊都能低成本訓練并部署，一支由高智商或高情商的智能體和機器人組成的AI勞動力團隊。

0 1

如何系統(tǒng)性構(gòu)建AI Agent：

從0到1的實踐路徑

打造一個真正可用、可成長、可商業(yè)化的AI Agent，并非簡單地調(diào)用大模型接口或拼裝幾個插件，而是一個結(jié)構(gòu)化、系統(tǒng)化的設計過程。近年來，我通過與全球范圍內(nèi)的各個開發(fā)團隊進行交流，總結(jié)出從0到1構(gòu)建智能體產(chǎn)品，你需要知道的七件事。

第一，要選擇明確的任務場景。你的智能體從一開始就要越垂直越好，越小越好，越能夠產(chǎn)生效果越好。比如“自動報價”、“客服引導”、“文件分析”就是很明確的任務場景。

第二，設計角色人格。過去我們開發(fā)智能體，可能只考慮智商，數(shù)據(jù)不要有幻覺等，但如今我們要創(chuàng)造既有高情商又有高智商的復合智能體時，在做產(chǎn)品設計時，人設該如何設置，它的語氣、能力邊界、個性該如何調(diào)整時需要考慮的。

第三，設定調(diào)用權(quán)限與數(shù)據(jù)源。哪些API可調(diào)？有哪些文件？什么工具？從一開始做產(chǎn)品設計時就要想起楚。比如設計一個物流的智能體系統(tǒng)，智能體（機器人）之間要協(xié)同完成包裹的分揀，其實就是相互調(diào)用的權(quán)限，數(shù)據(jù)源開放程度的綜合呈現(xiàn)。

第四，構(gòu)建初版意圖識別與執(zhí)行流。僅把數(shù)據(jù)簡單喂給AI，效果并不會好，手動標注高質(zhì)量的小樣本的數(shù)據(jù)是非常重要的。這一階段真的需要某一領域的專家來識別用戶意圖，做相應的標注，并與執(zhí)行形成閉環(huán)，循環(huán)往復。

第五，加上記憶與反饋機制。好的智能體系統(tǒng)一定要有記憶的反饋，執(zhí)行的反饋。最開始別太復雜，可以先只記錄“是否完成任務”“完成的好不好”。因為沒有反饋就沒法訓練，且智能體的后訓練階段，很多人并不重視，這樣出來的智能體基本沒法用，浪費時間。

第六，用10個真實用戶內(nèi)測。觀察他們?nèi)绾握`用、用偏、用錯，這些數(shù)據(jù)非常寶貴。這些“異常路徑”往往揭示出產(chǎn)品設計的盲區(qū)。

第七，建立你專屬的數(shù)據(jù)飛輪。隨著用戶使用增加，逐步收集“高質(zhì)量成功案例”、“反復失敗樣本”、“偏好偏移趨勢”等關(guān)鍵數(shù)據(jù)點，不斷優(yōu)化Agent的行為策略，從而構(gòu)建出專屬的核心壁壘。

0 2

構(gòu)建有效 Agent 的三個核心思想

Anthropic 公司的工程師 Barry Zhang 在 AI Engineer 工作坊上做了一場名為“如何構(gòu)建有效的 Agent”的分享。其中的三個核心思想，我認為同樣適用于國內(nèi)的智能體開發(fā)，結(jié)合案例來做一下深入分析。

具體來看，構(gòu)建有效 Agent 的三大要點分別為：

1、不要為所有事情都構(gòu)建智能體。構(gòu)建智能體的成本相對較高，且可能存在潛在的錯誤累積風險。許多任務使用簡單的工作流程或直接調(diào)用大型語言模型就能很好地完成，無需構(gòu)建復雜的智能體系統(tǒng)。

比如，AI 銷售公司 Clay，它預定義了工作流與智能體分層。在客戶數(shù)據(jù)整合中，70%的流程使用聯(lián)邦學習框架的預定義工作流（如FETE框架的Finding、Enriching步驟），僅在高價值線索篩選、動態(tài)定價等需要實時決策的場景，才啟用Claygent智能體。

2、保持簡單。簡單的系統(tǒng)更易于理解、調(diào)試和維護。核心邏輯是從最小可行智能體（MVA）起步，通過模塊化降低復雜度。

Sierra 作為一個AI客服平臺，它的做法是，先部署“工單分類”單一功能智能體，驗證效果后再擴展至“賠償計算”“話術(shù)推薦”等模塊。

3、像智能體一樣思考。其核心邏輯是，通過“開發(fā)者-智能體認知對齊”提升任務完成率，避免工具與環(huán)境的“信息差”。

比如在給智能客服對話 Agent設計對話流程時，要充分考慮用戶可能的提問方式和意圖，因為通常情況下，用戶提問不會長篇大論，可能只有兩三個關(guān)鍵詞，所以針對這類模糊的用戶提問，設置智能體要先進行簡單的意圖確認，再提供相應的答案。同時，對智能體的回答進行嚴格的測試和評估，確保其準確性和友好性。

0 3

技術(shù)與商業(yè)挑戰(zhàn)：

智能體落地的三重障礙與應對策略

盡管AI智能體在功能演示與理論模型層面已取得突破，但真正落地為可用、可靠的產(chǎn)品系統(tǒng)，仍面臨嚴峻挑戰(zhàn)，具體可分為技術(shù)層面、商業(yè)層面與倫理風險三大類。

在技術(shù)方面，“幻覺”問題依然是智能體最致命的隱患。即使是最先進的大模型，在缺乏足夠上下文或任務約束時，仍可能產(chǎn)生看似合理但實則錯誤的信息。這在業(yè)務場景中尤其危險，可能造成決策誤導、客戶投訴，甚至合規(guī)風險。同時，多輪推理所帶來的延遲問題也顯著影響用戶體驗，當響應時間超過3秒，用戶中斷率將大幅上升。此外，安全性控制不到位也可能導致API誤調(diào)用、數(shù)據(jù)泄露或違規(guī)操作，這些都要求在系統(tǒng)層引入“最小權(quán)限+沙盒機制”進行約束。

在商業(yè)層面，智能體所面臨的第一個門檻是用戶信任的建立周期。即使Agent準確率很高，用戶也可能在早期因一次錯誤而失去信心，尤其在醫(yī)療、法律、財務等高風險領域，用戶更傾向于依賴人工判斷。同時，Agent的ROI（投資回報）難以在短期內(nèi)量化，給內(nèi)部預算審批帶來阻力。第三則是護城河問題——簡單依賴API集成的大模型應用極易被競品復制，必須通過數(shù)據(jù)飛輪、業(yè)務鏈路或垂直模型微調(diào)建立差異化能力。

在倫理層面，智能體還面臨算法偏見、透明性不足以及數(shù)據(jù)隱私合規(guī)等挑戰(zhàn)。訓練數(shù)據(jù)中潛藏的結(jié)構(gòu)性偏見，可能在Agent行為中被放大，甚至引發(fā)爭議性結(jié)果；與此同時，許多用戶可能無法判斷自己正在與Agent而非真人互動，這帶來了交互公平性問題；GDPR、PIPL等合規(guī)法規(guī)對數(shù)據(jù)采集與處理也提出了更高要求。

0 4

為什么

智能體優(yōu)先落地在“銷售”場景？

如前文所述，當智能體大規(guī)模進入人類市場以后，將會引發(fā)巨大的改變，不僅是“勞動力”的形式，也包括商業(yè)模式。而商業(yè)付費方式的巨大變革也隨之而來，即從傳統(tǒng)的功能訂閱（SaaS）轉(zhuǎn)變?yōu)榘唇Y(jié)果付費（RaaS）的價值分成模式。

眾所周知，每一個公司都有一張損益表，我們把全世界所有的智能體，大致分成了8大類（如下圖）。比如，供應鏈智能體解決的是BOM（物料清單）成本的問題，工業(yè)機器人智能體解決的是工人成本的問題。

你會發(fā)現(xiàn)，在損益表的每一個節(jié)點、每一行都可以看到智能體的身影，AI 智能體覆蓋藍領工人以及大量白領的工作場景是完全可能的，包括前端的AI銷售，中后臺的 AI面試、AI 會計等。那么面對這8大類智能體，你的重點要放在哪里？這是需要認真思考的。

從生意的底層邏輯來看，我們認為，AI銷售是最可能實現(xiàn) RaaS 模式（按結(jié)果來付費）的場景。銷售是企業(yè)中最明確“以結(jié)果衡量價值”的場景之一。不同于客服、招聘、財務等職能，銷售的每一次轉(zhuǎn)化都可被清晰量化，直接反映在營收曲線上。這使得銷售智能體天然適配RaaS（Result-as-a-Service）模式，即企業(yè)愿意“按結(jié)果付費”，而不是按使用時間、調(diào)用次數(shù)或賬號數(shù)量定價。

以往 SaaS 的本質(zhì)是賣工具，收的是工具（功能）的訂閱費。

從客戶視角看，軟件或者 SaaS 公司仍是個 IT 公司，在客戶的心理賬戶中只有千分之一到千分之三的預算；如果我們把 AI 看成一個勞動力，比如一個銷售的智能體，就完全改變了這個邏輯，可以按效果實現(xiàn) 3% 甚至 10% 的收費。

比如 CLay、Sierra、11X 等公司從傳統(tǒng)軟件訂閱模式，發(fā)展到按任務收費或基于任務與結(jié)果的混合定價模式。Sierra 可以幫助像 OpenAI 或者谷歌等公司搜索或者打電話，按照銷售金額分傭 3% ~ 8%。

此外，大多數(shù)企業(yè)主對銷售的態(tài)度是“只要能賣出，就愿意分成”，這在實踐中為AI銷售智能體的商業(yè)模型提供了快速閉環(huán)的基礎。無論是按簽約金額分成，還是按轉(zhuǎn)化線索計費，銷售Agent都可以在短周期內(nèi)創(chuàng)造可感知的回報，進而推動更大規(guī)模的部署與復制。

這也意味著，未來那些能夠創(chuàng)造銷售收入的智能體將在 AI 勞動力市場中占據(jù)重要地位，就如同奪得皇冠上的夜明珠一樣。

0 5

技術(shù)與數(shù)據(jù)維度：

SaaS vs RaaS（AI銷售+AI中后臺）

上述問題清晰之后，我們從技術(shù)和數(shù)據(jù)維度，來對比一下傳統(tǒng)SaaS和AI銷售智能體，以及AI中后臺智能體之間的不同：AI智能體不僅是用戶體驗的升級，更代表著軟件產(chǎn)品底層邏輯的徹底變化。RaaS（Result-as-a-Service）與傳統(tǒng)SaaS（Software-as-a-Service）之間的差異，不僅體現(xiàn)在計費方式和業(yè)務邏輯，更體現(xiàn)在技術(shù)框架、數(shù)據(jù)路徑與模型策略上。

傳統(tǒng)SaaS以“模塊化功能 + 規(guī)則系統(tǒng)”為核心，通過用戶界面觸發(fā)預設流程，實現(xiàn)標準化任務的自動化。其價值依賴于用戶覆蓋面與流程效率的提升，但數(shù)據(jù)增量的邊際價值往往有限。例如，CRM系統(tǒng)中的用戶行為數(shù)據(jù)并不直接增強系統(tǒng)能力，更多用于運營統(tǒng)計。

相比之下，RaaS中的AI智能體基于大模型與強化學習技術(shù)構(gòu)建，強調(diào)任務結(jié)果與能力迭代之間的閉環(huán)反饋。尤其是在銷售智能體場景中，系統(tǒng)通過實時收集對話內(nèi)容、客戶響應、成交結(jié)果等數(shù)據(jù)，不斷微調(diào)推理路徑、話術(shù)策略和行動優(yōu)先級，形成“結(jié)果驅(qū)動能力 → 能力提升帶來更多結(jié)果”的數(shù)據(jù)飛輪。

但AI銷售智能體則要更加開放，是一個多渠道的數(shù)據(jù)整合，包括公開數(shù)據(jù)、合作伙伴數(shù)據(jù)、客戶授權(quán)數(shù)據(jù)等，甚至需要抓取競爭對手的一些數(shù)據(jù)。

在數(shù)據(jù)來源結(jié)構(gòu)上，SaaS主要依賴企業(yè)私有數(shù)據(jù)；而銷售智能體需要整合多元化的信息源：包括公開網(wǎng)絡數(shù)據(jù)、用戶授權(quán)數(shù)據(jù)、合作伙伴數(shù)據(jù)，甚至實時抓取競爭對手市場動態(tài)。這種“數(shù)據(jù)開放性”帶來了更強的感知能力，但也要求更高的權(quán)限控制與隱私合規(guī)能力。

另一方面，傳統(tǒng)SaaS并不涉及模型推理路徑的訓練；而RaaS智能體的核心資產(chǎn)之一是思維鏈（Chain of Thought, CoT）數(shù)據(jù)——即模型是如何逐步拆解用戶意圖、判斷任務路徑、執(zhí)行行為并收到反饋的。這些推理鏈數(shù)據(jù)，是推動模型持續(xù)進化、構(gòu)建競爭壁壘的核心。

不過，值得注意的是，銷售智能體問世以后，就基本可以看做是“透明的”，別人也會來“偷學”你的CoT，接入到自己的數(shù)據(jù)中。所以，依然還是要具備動態(tài)的、實時的對全網(wǎng)數(shù)據(jù)的搜集抓取能力。

同時，新的付費模式也完全有可能產(chǎn)生。比如，AI中后臺智能體按底薪付費，每個月收固定底薪，完完全全數(shù)字員工的邏輯。再比如，AI銷售智能體可以按商品交易總額（GMV）提成付費。甚至未來還有可能出現(xiàn)AI員工勞動力平臺，共享邏輯按次付費，比如你可以在平臺上聘請AI律師、AI員工等。

0 6

AI Agent將賦能

每一個人、每一個企業(yè)、每一個產(chǎn)業(yè)

當智能體構(gòu)建出來之后，如何為產(chǎn)業(yè)服務？

去年 11 月底正式發(fā)布了 MCP 協(xié)議，所有的智能體、模型以及數(shù)據(jù)源都可以通過該協(xié)議進行連接。它會帶來一種新的商業(yè)模式，我稱之為 “A2A 模式”，即 Agent to Agent（智能體到智能體）的新商業(yè)模式。

而世界級的品牌和企業(yè)家完全有可能借助消費者到制造商（C2M）、企業(yè)到工廠（b2f，產(chǎn)業(yè)路由器）以及智能體到智能體（A2A，智能體路由器）的模式，重新改變每個行業(yè)的命運，改變每個市場的競爭格局。

簡單舉例，你可以運用專注不同垂直領域的智能體找線索、聯(lián)系客戶，歸集需求之后合并同類項，通過智能體和產(chǎn)業(yè)互聯(lián)網(wǎng)，對接供給端的產(chǎn)業(yè)集群，由此創(chuàng)造出千億規(guī)模經(jīng)濟體的可能性是存在的。

當這一天到來的時候，在智業(yè)文明的偉大召喚下，我們希望每個行業(yè)都能夠被重新構(gòu)建一遍。

0 7

智能體的核心結(jié)構(gòu)與記憶機制

要理解智能體的構(gòu)建，首先可以參考一個業(yè)界公認的精簡表達，即：AI Agent=大模型+記憶+規(guī)劃+工具使用。

而對于AI Agent 系統(tǒng)而言，用戶在與其交互過程中產(chǎn)生的信息和數(shù)據(jù)都可以認為是Agent的記憶，而記憶支持AI Agent的決策和行為。

那么從數(shù)據(jù)架構(gòu)角度，如何讓智能體擁有“前世今生”的記憶呢？設計原則只有一個：讓智能體的每一次的行為都應“可解釋、可學習、可復現(xiàn)”。

長期記憶包括：用戶身份、歷史偏好、情感畫像等，除了要經(jīng)?？偨Y(jié)以外，還要把它寫到相應的數(shù)據(jù)庫里。

短期記憶也很重要，它決定了每次你與智能體的對話質(zhì)量。另外還有工具調(diào)用日志，Agent調(diào)動工具、API的行為軌跡，要記到我們的日志系統(tǒng)里，要把它結(jié)構(gòu)化。

用戶的反饋也非常重要，點擊率、滿意度打分、重試次數(shù)等，都需要記錄寫進JSON日志，便于開發(fā)團隊進行優(yōu)化。

下圖是一個極簡的RaaS智能體結(jié)構(gòu)，用戶通過WEB瀏覽器進入，在通過前端與智能體的主機建立連接，遠程開始通過A2A的協(xié)議去調(diào)用LangGraph智能體，或者谷歌智能體和Crew Al智能體，當然現(xiàn)在智能體的開發(fā)平臺有很多。

我們設計了一個RaaS智能體服務平臺應用架構(gòu)，當然并非短期能開發(fā)完，但想強調(diào)的是，在整個過程中，最重要的要先把AI銷售智能體做出來，當轉(zhuǎn)化率達到一定程度后，再考慮投資流量，最后才是履約智能體的建立。以電商平臺為例，它們大部分都有履約能力，將來開發(fā)時稍微對接之后相對是容易的。

智能體產(chǎn)品迭代是一個持續(xù)優(yōu)化的過程，比傳統(tǒng)軟件產(chǎn)品更復雜?；谖覀儗lay等成功案例的研究，推薦以下結(jié)構(gòu)化的智能體迭代策略：

1. 基于數(shù)據(jù)的智能體迭代模型

迭代周期 = 收集數(shù)據(jù) → 分析失敗模式 → 優(yōu)化策略 → 驗證效果 → 再次收集數(shù)據(jù)

2. 迭代四階段詳解

• 第一階段：快速原型期（1-4周）- 目標：驗證核心功能可行性- 方法：- 使用現(xiàn)有LLM能力實現(xiàn)MVP- 只關(guān)注1-2個核心場景- 手動標注50-100組高質(zhì)量訓練數(shù)據(jù)- 關(guān)鍵指標：基本功能完成率

• 第二階段：內(nèi)部測試期（2-6周）- 目標：消除明顯的體驗斷點- 方法：- 10-20名內(nèi)部用戶使用- 重點收集"卡殼時刻"數(shù)據(jù)- 實施A/B測試優(yōu)化提示工程- 關(guān)鍵指標：關(guān)鍵任務成功率、響應時間

• 第三階段：小規(guī)模用戶期（1-3月）- 目標：構(gòu)建數(shù)據(jù)飛輪機制- 方法：- 100-500真實用戶使用- 建立用戶反饋收集機制- 根據(jù)反饋訓練專用微調(diào)模型- 實施標簽化的錯誤追蹤- 關(guān)鍵指標：任務完成率、用戶滿意度

• 第四階段：規(guī)?；A段（持續(xù)）- 目標：持續(xù)學習優(yōu)化- 方法：- 實施自動化數(shù)據(jù)收集與分析- 建立"成功案例庫"- 開發(fā)用戶偏好個性化引擎- 智能體行為主動調(diào)優(yōu)- 關(guān)鍵指標：重復使用率、推薦率、商業(yè)ROI

0 8

智能體的用戶旅程五步曲

無論是移動互聯(lián)網(wǎng)還是AI時代，有一個大的共同點就是：要有用戶思維，你永遠要站在用戶的角度去思考。AI Agent 的真正價值，不僅在于“能不能完成任務”，而在于“用戶是否愿意持續(xù)使用”。因此，從產(chǎn)品設計的視角，智能體的成長路徑本質(zhì)上是一段“用戶與數(shù)字人格逐步建立信任”的演化過程。

Agent 用戶旅程（User Journey）是一個從“陌生工具”到“信任拍檔”的演化過程，它與傳統(tǒng)SaaS產(chǎn)品的旅程非常不同，更像是在運營一個“準人格體”的數(shù)智員工。整個過程一共有五個階段：

第一階段：喚醒，從陌生到初識。在用戶第一次接觸時，通過快速成功、認知共鳴，令其“一見鐘情”的能力。比如在使用智能體時第一句歡迎詞，或者能夠通過簡短的對話就能快速清楚使用者的意圖等。

第二階段：建立信任，從工具到習慣。就是用戶在使用幾次之后，仍能理解用戶的想法，并準確執(zhí)行，讓用戶覺得“靠譜”。注意這一階段信任的建立，不僅是靠成功率本身，更多是靠出錯可控及反饋的呈現(xiàn)，很多時候把Agent決策過程的思維鏈展示出來，能加速信任的建立，比如DeepSeek為什么用戶體驗那么好，這這有很大關(guān)系。

第三階段：人格綁定，從助手到拍檔。隨著用戶與智能體交流得越來越久，通過長期行為一致性塑造出的特定喜好。可以通過語調(diào)的訓練，命名換膚等操作讓用戶更有參與感，或者提供“Agent成長記錄”：“過去30天你教會了我4件事”。讓用戶有當老師、調(diào)教智能體的成就感。

第四階段：任務飛輪，從使用到依賴。這一階段用戶開始用Agent處理多個高頻任務，由于有了基礎數(shù)據(jù)，經(jīng)過路徑優(yōu)化之后，系統(tǒng)也更懂他們的流程偏好，用戶開始出現(xiàn)“我更喜歡Agent來做這件事”的心理轉(zhuǎn)變，就會產(chǎn)生依賴。

在這一階段，在功能設計上一定要有任務自動化鏈條，這是任務飛輪的關(guān)鍵。舉個例子，Clay此時加入Lead Management Flow，不是只寫郵件，而是整合成“篩選-寫信-追蹤-歸因”一體化。智能體開始推薦任務，比如根據(jù)客戶的行為，智能體建議下周主動觸達他們，使用者根據(jù)智能體的任務建議，安排見面或會議。

第五階段：社交裂變，從個人信任到公開推薦。這個時候個人信任建立起來以后，用戶就會公開推薦，曬出自己與Agent協(xié)作的成果，主動傳播。

11X與Notion AI的玩法很像：完成一個任務后生成可視化“戰(zhàn)報卡片”，促使用戶分享到X平臺或朋友圈。

這一過程中，激勵機制的建立很重要。比如任務完成后的可視化“戰(zhàn)報卡片”，內(nèi)容可以是：“我用Agent完成30封郵件發(fā)送，回復率35%”。又或者可以是Agent生成的“周報”：“你與Agent上周共處理X任務，回復率Y%，節(jié)省Z小時”等等。

有兩點需要注意：第一，Agent旅程 ≠ 功能使用，這與過去做SaaS軟件傳統(tǒng)的開發(fā)不一樣。第二，用戶與智能體逐步共建信任，是一個過程，相當于用戶與智能體一起在進化。

0 9

智能體開發(fā)落地9個關(guān)鍵事項

推動Agent真正落地，還需要一系列架構(gòu)、工具與管理機制支撐。以下是九項關(guān)鍵落地事項：

1、Agent運行核心依賴

以下圖中的“資深購物顧問”為例，我們要跟智能體的各種數(shù)據(jù)源要打穿，從客戶端到大模型工具的調(diào)用，到開發(fā)的平臺，再到外部的WEB端的數(shù)據(jù)以及公共資源的實時的獲取，另外還有沙盒，生成文件、文件暫存、代碼執(zhí)行，包括整個建立虛擬的環(huán)境，這些都是我們開發(fā)Agent的核心。

2、多智能體協(xié)作關(guān)系

如前文所述，單個智能體肯定不能成事兒，很難形成閉環(huán)。數(shù)據(jù)飛輪、增長飛輪、業(yè)務飛輪和產(chǎn)品飛輪要轉(zhuǎn)動起來，背后都是智能體集群，或者說智能體的協(xié)作關(guān)系非常重要。

比如，未來活動推廣、商品推薦、智能銷售代表、資深購物顧問再到訂單交付等智能體，要共同協(xié)作才能完成一張訂單的所有流程。所以此時需要調(diào)度智能體（Coordinator Agent），類似于一個“智能體編排器”。讓每個獨立的功能體，通過message passing和狀態(tài)共享協(xié)作完成任務。技術(shù)選型可參考LangGraph（用于agent workflow graph）或CrewAI（類協(xié)作框架）。

多智能體協(xié)作目前大概有5種組織方式（如下圖）

3、人格訓練手法

智能體的人格是它的“沉默提示”（silent prompt），由以下三部分構(gòu)成：語言風格訓練（Tone Finetuning）、行為策略訓練（Action Policy）、人格標簽嵌入（Persona Embedding）

4、界面設計與平臺適配：Agent UI設計，支持Mobile和DeskTop

需要注意到是，對于用戶的需求最初Agent并不知道，所以最初始的意圖設計，需要相關(guān)領域的資深專業(yè)人士來做，因此未來意圖工程師會變得很重要。在做原型的時候，就要把相關(guān)數(shù)據(jù)喂進去并開始標注。

5、渠道集成和商家集成

國內(nèi)目前企業(yè)微信相對友好，飛書、釘釘也很支持，抖音、小紅書現(xiàn)在也在跟進，它們現(xiàn)在都開始支持MCP，因此智能體的接入相對容易。將來對于企業(yè)自己的不同客戶，由于產(chǎn)品不同，偏好不同，怎么去調(diào)API企業(yè)內(nèi)部的知識庫，你不可能用一套智能體去服務所有客戶，此時MCP就為我們提供了非常好的工具。

6、項目管理工具選擇，用于Agent執(zhí)行項目任務管理和自身開發(fā)項目管理

Agent不僅是業(yè)務執(zhí)行者，也可成為項目協(xié)調(diào)者。支持任務分解、進度跟蹤、資源管理等功能。

7、選擇關(guān)鍵技術(shù)選擇參考

8、產(chǎn)品迭代策略

引入用戶反饋 → 策略優(yōu)化 → 行為更新 → 效果驗證的學習閉環(huán)，保障Agent持續(xù)成長。

Clay 智能體進化閉環(huán)很重要，如何確保智能體全天候24小時自主學習、自主進化和自主行動。

9、數(shù)據(jù)飛輪：AI智能體的永動機

“智能體不是一次性交付，而是持續(xù)學習的循環(huán)?！睙o論什么是哪種智能體，最終肯定需要時間驗證，不能指望一開始就效果很好，通常需要三個月的數(shù)據(jù)飛輪，把 COT（包括公有數(shù)據(jù)、私有數(shù)據(jù)）轉(zhuǎn)動起來，形成數(shù)據(jù)飛輪效應，才能慢慢找到感覺，切入目標賽道，找到可以放大的機會。數(shù)據(jù)飛輪一旦高速自主、自動轉(zhuǎn)動，智能體將越用越聰明。

0 10

數(shù)據(jù)飛輪：AI智能體的“永動機”

在 AI 智能體系統(tǒng)中，真正決定智能邊界的，從來不是參數(shù)量的多少，而是有沒有構(gòu)建起一種可以自我進化的生態(tài)機制。這，就是數(shù)據(jù)飛輪的本質(zhì)：一種通過用戶使用—模型反饋—性能優(yōu)化—再次使用的正向回路，讓智能體越用越聰明，越走越快，最終走向“自增長”。

你可以把它想象成 AI 的“代謝系統(tǒng)”——沒有代謝，再強的模型也終將衰老；一旦代謝通暢，哪怕一個小模型，也能煥發(fā)出遠超初始邊界的生命力。

數(shù)據(jù)飛輪不是神話，而是一種結(jié)構(gòu)性優(yōu)勢。它無法被輕易復制，因為它要求產(chǎn)品設計、數(shù)據(jù)架構(gòu)、反饋機制與組織運作的協(xié)同共振。只有當一個 AI 系統(tǒng)進入了真正的飛輪狀態(tài)，它才不再依賴燒錢獲客、運營留存，而是依靠內(nèi)在學習實現(xiàn)自我增長。在未來的智能體互聯(lián)網(wǎng)中，每一個頂級系統(tǒng)都將是飛輪的藝術(shù)品，每一個推動飛輪轉(zhuǎn)動的用戶，都是這個生態(tài)體的隱形共創(chuàng)者。

人類與 AI 的默契，也許從未如此深刻。不是誰在控制誰，而是在共同進入一個越來越聰明的循環(huán)。

飛輪不是結(jié)構(gòu)，而是循環(huán)

數(shù)據(jù)飛輪并不是一個靜態(tài)結(jié)構(gòu)，而是一組彼此嵌套、層層加速的循環(huán)機制。最基礎的，是“數(shù)據(jù)—模型—反饋”的自學習回路：用戶使用產(chǎn)品，系統(tǒng)收集行為數(shù)據(jù)，經(jīng)標注與清洗反饋進訓練體系，生成更優(yōu)模型，再推向用戶使用。

這個回路聽起來簡單，真正的威力在于：反饋不是“平均值”，而是“結(jié)構(gòu)性改進信號”。

比如 Perplexity 的搜索系統(tǒng)，不會因為某條結(jié)果沒被點擊就粗暴判定其錯誤。它會結(jié)合關(guān)鍵詞置信度、語境相似度、用戶偏好歷史等維度，推測“可能失敗原因”，并將這些精細誤差反哺模型生成策略。這種“類認知修正”，讓飛輪不是盲轉(zhuǎn)，而是精準校準，越轉(zhuǎn)越準。

飛輪的加速器：信任—任務—遷移

進入中階層級后，飛輪變成一個“任務成功率—用戶信任度—數(shù)據(jù)質(zhì)量”的復合回路。

模型答得越準，用戶越信；信任越強，就會把更多復雜任務交給系統(tǒng)，生成的反饋也越高質(zhì)量。Clay 正是依賴這種機制，在聯(lián)系人事務管理中推動智能體從“輔助”到“代理”。一次聯(lián)系人提醒設置，不僅完成了任務，更留下了一個包含動機、語境、后果的行為鏈——這種“有意圖的行為數(shù)據(jù)”，遠比傳統(tǒng)CRM里的標簽記錄更適合 fine-tune 模型。

共創(chuàng)飛輪：用戶即訓練者

再進一步，就是“人機共創(chuàng)飛輪”。

以 HeyGen 為例，用戶在生成視頻后常會進行微調(diào)，比如二次配音、調(diào)整語速、更改人設。這些操作不僅體現(xiàn)用戶品味，更為系統(tǒng)提供了極有價值的學習信號——人是怎么“改寫 AI 輸出”的。

HeyGen 開發(fā)了一種基于編輯日志反向生成提示詞的新機制，讓模型理解人類的修改邏輯。這種“從共創(chuàng)中學習”的能力，是模型真正“理解用戶”的關(guān)鍵。

一旦飛輪真正運轉(zhuǎn)起來之后，所形成的不是線性增長，而是乘數(shù)效應，這正是飛輪的真正奇妙之處。每一個用戶行為都會帶來兩個回報：一是完成當下的任務，二是推動系統(tǒng)向未來變得更好，使系統(tǒng)變得比一秒前更聰明。

用戶不是數(shù)據(jù)的產(chǎn)出者，而是系統(tǒng)的共同訓練者。他的每一次猶豫、微調(diào)、贊同、沉默，都會成為模型成長的養(yǎng)料。AI 不再是被動的應答者，而是一位有意識的觀察者、學習者與協(xié)作者。

這就是數(shù)據(jù)飛輪的“增強回路”（reinforcing loop）之所在——它的增長不是靠市場拉動，而是靠內(nèi)在學習。你用它一次，它記住你；你用它一百次，它理解你；你不再使用它，它反思你為何離開，并優(yōu)化下一位用戶的體驗。

這背后的哲學近乎優(yōu)雅：AI 不再只是一個被動響應的工具，而是一個主動進化的生態(tài)體。你的行為、情緒、偏好、反饋，甚至沉默，都會成為它成長的燃料。

飛輪是一種系統(tǒng)性競爭力

飛輪從不是神話，它是一種結(jié)構(gòu)性優(yōu)勢。

它依賴的不是某個功能點，而是設計、維護、監(jiān)管、反饋系統(tǒng)的全鏈條協(xié)同。真正成熟的飛輪，不依賴燒錢拉新，也無需運營死磕留存。它靠的是——系統(tǒng)內(nèi)部的學習能力。

在未來的智能體互聯(lián)網(wǎng)中，每一個頂級 AI 系統(tǒng)，都將是一部飛輪藝術(shù)品：既能從千萬人那里習得智慧，也能為每一個人定制回應。而每一個推動飛輪轉(zhuǎn)動的用戶，本質(zhì)上也都是這個系統(tǒng)的隱形共創(chuàng)者與訓練者。

這也許是 AI 與人類最深層的默契：不是誰控制誰，而是我們正在共同進入一場“越來越聰明的循環(huán)”。

數(shù)據(jù)飛輪的構(gòu)建與運轉(zhuǎn)

如果說大模型是智能體的“認知大腦”，那么數(shù)據(jù)飛輪就是它的“代謝系統(tǒng)”。沒有飛輪，模型再強也會在時間中枯萎；有了飛輪，哪怕起點很低的系統(tǒng)，也可能在不斷的自我進化中煥發(fā)出驚人的能力。

數(shù)據(jù)飛輪的本質(zhì)是一種正反饋循環(huán)，讓每一次交互都反哺系統(tǒng)本身。你可以把它想象成一個自學習機器的“新陳代謝”：用戶交互產(chǎn)生數(shù)據(jù)，數(shù)據(jù)優(yōu)化模型，模型提供更好服務，從而帶來更多更高質(zhì)量的用戶交互，飛輪由此滾動起來。

實際上，飛輪并不是一個，而是多個協(xié)同存在的系統(tǒng)層級網(wǎng)絡，常見的有行為數(shù)據(jù)飛輪、標注反饋飛輪、人機協(xié)同飛輪與業(yè)務閉環(huán)飛輪。每一種都像是一個感官與肌肉系統(tǒng)，連接著用戶、模型與場景之間的信息循環(huán)。

行為數(shù)據(jù)飛輪是最基礎的一環(huán)，比如在 Perplexity 上，用戶的點擊、跳出、持續(xù)閱讀時間，都會反饋進模型的排序邏輯中，進而影響后續(xù)用戶看到的結(jié)果組合。而 Clay 在其聯(lián)系人推薦引擎中，通過用戶是否收藏、忽略、設置提醒等動作來“投票”優(yōu)化個性化優(yōu)先級。

標注反饋飛輪更進一步，涉及對結(jié)果質(zhì)量的顯性評價。像 HeyGen 這樣的產(chǎn)品中，用戶對生成視頻進行微調(diào)、二次配音、調(diào)整語速，其實每一個動作都蘊含著模型“哪里做錯了”的線索。這類“弱標注信號”經(jīng)過結(jié)構(gòu)化提取，能讓模型獲得極強的迭代能力。

人機協(xié)同飛輪則是飛輪系統(tǒng)中的“共同演練場”。在一些高價值場景中，如 Sierra 的客戶支持智能體，模型往往并不直接給出終極答案，而是先列出幾個可能路徑，由人工運營團隊選擇最佳方案。這一過程中，人的判斷力提升了模型的質(zhì)量，而模型也在不斷吸收人的決策習慣。就像是在訓練一位學徒，逐步掌握師傅的手藝，甚至最終青出于藍而勝于藍。

在這個過程中，人機之間的邊界變得模糊：不是誰指揮誰，而是像合奏那樣，彼此的節(jié)奏彼此成就。Sierra 正是依靠這種“共同演練”的機制，讓其智能客服在 B2B 企業(yè)中迅速形成差異化優(yōu)勢。據(jù)稱，他們的智能體已能自動處理 70% 以上的請求，而剩下的 30% 也在持續(xù)學習中，不斷縮小人機差距。

最后是業(yè)務閉環(huán)飛輪，這是一種更具戰(zhàn)略意義的飛輪系統(tǒng)，它將數(shù)據(jù)、服務、商業(yè)目標串成一個封閉循環(huán)，推動系統(tǒng)在真實商業(yè)環(huán)境中自我成長。例如 Scale AI，不僅為客戶提供數(shù)據(jù)標注服務，更通過部署端到端閉環(huán)的智能體系統(tǒng)，把“數(shù)據(jù) → 模型 → 場景 → 反饋 → 數(shù)據(jù)”變成可計量、可監(jiān)控的高速通道。這種閉環(huán)不僅加速了模型訓練，也創(chuàng)造了數(shù)據(jù)的復利價值。

總結(jié)來看，數(shù)據(jù)飛輪不只是讓模型更聰明，更是讓智能體像生命體那樣具備“成長性”。它不是外掛的優(yōu)化手段，而是系統(tǒng)本身的一種存在方式——像細胞代謝那樣持續(xù)演化，像生態(tài)系統(tǒng)那樣多層協(xié)同。

未來，誰能構(gòu)建出多層協(xié)同、自我進化的數(shù)據(jù)飛輪系統(tǒng)，誰就掌握了 AI 智能體時代真正的“永動機”。

飛輪啟動：預熱式訓練

當然，飛輪不可能憑空啟動，也沒有哪一個飛輪從一開始就自然運轉(zhuǎn)。在最初的“冷啟動期”，往往需要設計一套“偽數(shù)據(jù)—真優(yōu)化”的流程。早期系統(tǒng)往往要依賴人工冷啟動，甚至模擬用戶行為來生成初始反饋。冷啟動階段最需要的，不是用戶增長，而是偽數(shù)據(jù)的真實感。

Sierra 在早期開發(fā)客戶支持智能體時，專門招募運營人員模擬用戶投訴流程，讓模型在“假裝真實”的對話中逐步形成應對邏輯。通過假裝真實的交互來錘煉模型輸出。這種“預熱式訓練”提供了飛輪起步所需的初始扭矩，一旦性能達到臨界點，用戶的自然使用行為便會接替人工，加速整個系統(tǒng)進入指數(shù)級自我增強。

這個“偽數(shù)據(jù)—真優(yōu)化”的階段極為關(guān)鍵，這個階段沒有大規(guī)模用戶數(shù)據(jù)，但通過“人扮用戶”+結(jié)構(gòu)化反饋，打出了模型最初的磨合弧線。直到系統(tǒng)回答能力達到某個臨界點，飛輪才真正進入正向加速。這個階段，就像點燃一枚火箭所需的“初始推力”，并非靠市場拉動，而是靠結(jié)構(gòu)設計。一旦系統(tǒng)表現(xiàn)達到臨界點，用戶自然會留下更真實、更復雜的反饋，飛輪才真正進入正向加速期。

數(shù)據(jù)飛輪就是一個代謝系統(tǒng)

在理解人工智能系統(tǒng)的自我進化機制時，數(shù)據(jù)飛輪是一組極具穿透力的隱喻。如果說大模型是智能體的“認知大腦”，那么數(shù)據(jù)飛輪便是它的“代謝系統(tǒng)”。正如生命體無法依靠一次性智慧維持長期活力，AI 系統(tǒng)也無法僅靠預訓練參數(shù)維持性能領先。真正決定智能邊界的，不是算力，也不是參數(shù)量，而是系統(tǒng)是否構(gòu)建起了持續(xù)反饋、自我演化的生態(tài)循環(huán)。飛輪不轉(zhuǎn)，模型終將衰竭；飛輪一旦啟動，哪怕起點平平，也能滾出燎原之勢。

這個飛輪并非單一結(jié)構(gòu)，而是一組嵌套交錯、彼此強化的回路：行為數(shù)據(jù)、用戶反饋、模型優(yōu)化、場景拓展，在一次次交互中織成一張巨大的學習網(wǎng)絡。在 Perplexity 的搜索引擎中，用戶的每一次點擊、跳出與停留時長都會被記錄下來，不是作為統(tǒng)計參考，而是參與模型生成策略的“結(jié)構(gòu)性修正”。如果一個結(jié)果沒有被點擊，系統(tǒng)并不會草率地得出“這答案不好”這一結(jié)論，而是分析上下文語義、關(guān)鍵詞置信度、用戶過往偏好等線索，從而生成失敗的可能原因。這些推理反哺進模型訓練，使每一次失誤成為下一次成功的基礎。飛輪在這里不僅轉(zhuǎn)動，更是在有意識地“校準”。

而在 Clay 的聯(lián)系人智能體中，數(shù)據(jù)飛輪則更像一場帶有情感色彩的交互舞蹈。每當用戶對推薦聯(lián)系人采取收藏、忽略、設提醒等操作，系統(tǒng)都會捕捉這些動作背后的動機和判斷，從而調(diào)整后續(xù)推薦的優(yōu)先級。這不僅僅是“行為投票”，更是系統(tǒng)對“人類關(guān)系邏輯”的逐步學習。久而久之，AI 不只是記住你在找誰，更理解你為什么在這個時刻、以這個方式去聯(lián)絡這個人。

Netflix 的數(shù)據(jù)飛輪是另一個極致案例，它將數(shù)據(jù)反饋延伸到內(nèi)容創(chuàng)作本身。從觀眾的觀影偏好中提煉出類型、節(jié)奏、演員偏好，再反過來指導原創(chuàng)劇集的制作方向。你看到的《紙牌屋》不是編劇拍腦袋想出來的，而是 Netflix 從千萬人次數(shù)據(jù)中“反演”出的敘事策略。連劇集封面都在實時 A/B 測試中進化，不同觀眾看到不同視覺封面，系統(tǒng)據(jù)此學習視覺誘因背后的心理機制。這種“觀看—調(diào)整—共創(chuàng)”的機制，使得用戶不再只是消費者，而成為了內(nèi)容共創(chuàng)的無形合作者。

飛輪不是神話，它是一種結(jié)構(gòu)性優(yōu)勢。它需要設計、維護、監(jiān)管和反饋系統(tǒng)的全鏈路聯(lián)動。也只有當一個 AI 系統(tǒng)進入了飛輪狀態(tài)，它才真正具備“自增長”的能力，而不是靠燒錢堆用戶、靠運營拉留存。

在未來的智能體互聯(lián)網(wǎng)中，每一個頂級系統(tǒng)都將是飛輪的藝術(shù)品：它既能從千萬人那里習得智慧，也能為每一個人量身定制回應。而每一個推動飛輪轉(zhuǎn)動的用戶，本質(zhì)上都是這個系統(tǒng)的共同訓練者與隱形共創(chuàng)者。這也許是 AI 與人類協(xié)作最深層的默契——不是誰控制誰，而是共同進入一種越來越聰明的循環(huán)。

案例：CLay AI的飛輪故事

Clay AI 的故事，是一個關(guān)于數(shù)據(jù)飛輪如何與人性深度融合的范本。作為一款定位于「關(guān)系智能體」的產(chǎn)品，Clay 并不滿足于做一個靜態(tài)的聯(lián)系人管理工具，而是試圖捕捉人與人之間復雜而微妙的關(guān)系脈絡。它的飛輪機制建立在一種“行為即偏好”的理解之上——每一個用戶的動作，不只是操作，而是關(guān)于他們?nèi)穗H認知的線索。當你收藏某個聯(lián)系人，系統(tǒng)記錄的不是“你喜歡這個人”，而是“在這個上下文中，你認定了此人值得未來聯(lián)系”；當你忽略或刪除一條建議，系統(tǒng)便更新自己的“社交地圖生成器”，嘗試理解你不感興趣的并不僅是這條記錄本身，而是你當前人生階段的關(guān)注重心。

這種對數(shù)據(jù)的深加工能力，使得 Clay 不僅能識別聯(lián)系人之間的關(guān)系強度，還能逐漸預測用戶在何種情境下愿意重啟舊聯(lián)系，或者推遲某個提醒。更重要的是，Clay 將這些微觀行為轉(zhuǎn)化為用于微調(diào)其大語言模型的動態(tài)信號，從而讓推薦結(jié)果越來越貼近用戶的社交習慣。這種個性化不是靠粗暴的標簽打分實現(xiàn)的，而是一種長期浸潤式的交互反哺，就像一個貼身助理在觀察你如何判斷重要與否、親疏遠近。

Clay 的飛輪已經(jīng)在很多用戶中實現(xiàn)了自我驅(qū)動：用得越多，推薦越準；推薦越準，使用頻率越高，產(chǎn)生的數(shù)據(jù)也越豐富。這種正向反饋，不是靠補貼和提醒推動的，而是源于一種細水長流的信任感——AI 懂你，不是因為它看了你的數(shù)據(jù)，而是因為它“理解”了你的行為邏輯。而理解，本身就是關(guān)系的最高形式。

在 AI 進入深水區(qū)的今天，Clay 提供了一個重要啟示：最好的智能，不是驚艷的回答，而是無聲的陪伴；不是快速的反應，而是對你的長期理解。飛輪不是炫技的手段，而是連接人與系統(tǒng)之間真實默契的橋梁。

案例：亞馬遜的飛輪

在談論亞馬遜的數(shù)據(jù)飛輪時，人們常常聚焦于那張經(jīng)典的“成長飛輪圖”——客戶體驗驅(qū)動流量、吸引更多賣家、帶來更大規(guī)模經(jīng)濟，從而進一步壓低價格、提升體驗。那張圖像是電商的心臟泵動節(jié)律，但它真正的奇跡發(fā)生在轉(zhuǎn)向數(shù)據(jù)智能之后。當這個飛輪被AI系統(tǒng)接入、由數(shù)據(jù)實時驅(qū)動時，它從一個物理系統(tǒng)蛻變成一個智能生態(tài)。此時的亞馬遜，已不是一個“賣書的公司”，而是一個用數(shù)據(jù)寫劇本、用AI配速的全球物流與消費計算機。

從用戶的第一個點擊開始，亞馬遜便啟動了一套精密的行為記錄系統(tǒng)。這一系統(tǒng)不僅記錄“買了什么”，還記錄用戶在頁面上停留了多長時間，是否瀏覽了評論，是否點進了類似商品頁，甚至是否在最后一刻放棄購買。每一次猶豫都是信號，每一次選擇都是標簽。而這些微小的信號積累起來，構(gòu)成了用戶畫像的“細節(jié)紋理”，為推薦算法訓練提供養(yǎng)料。它不僅知道你買過什么，更能判斷你將要買什么——甚至你還沒意識到你會買它。

推薦引擎是這套飛輪中的主角之一。它像是一名無形的私人導購，熟知你的興趣與需求變化，并通過協(xié)同過濾與深度學習模型生成高度個性化的商品列表。這種推薦不是簡單地“人買了你也買”，而是“理解你是誰后，為你準備好了下一步的驚喜”。當用戶點擊推薦商品時，這種個性化反饋又進一步豐富了模型的輸入，形成了正反饋閉環(huán)。而每一輪優(yōu)化都不只是提升銷售額，更是提升了“系統(tǒng)認知用戶的能力”。

但這只是飛輪的一側(cè)。另一邊，是亞馬遜在語音交互上的探索——Alexa。這個家居助手聽起來像一個小工具，實則是一個語音數(shù)據(jù)的富礦。在數(shù)億次的對話請求中，Alexa不僅理解人類的語言，更開始理解人類的“意圖結(jié)構(gòu)”：什么時候我們在尋找商品，什么時候只是在問天氣，什么時候其實是在尋找一種情緒陪伴。每一次語音互動，都是語義識別系統(tǒng)的一次試煉，每一條語音命令都成為訓練模型的真實語料。Alexa 的成長，不依賴于工程師的調(diào)參，而依賴于全球用戶的實時使用，讓模型逐步掌握自然語言的模糊性與上下文之間的流動。

而這還只是“前臺”的用戶端。在亞馬遜的“后臺”，另一個更龐大也更隱秘的飛輪在高速運轉(zhuǎn)：倉儲與物流的智能化。從用戶下單的那一刻起，系統(tǒng)便開始自動匹配最優(yōu)的發(fā)貨路徑，動態(tài)調(diào)度揀貨員與機器人協(xié)同作業(yè)。在某些物流中心，這已經(jīng)不再是人類在貨架中穿梭，而是機器人在無聲地滑動，甚至會“預判”訂單趨勢，在你下單前就把商品提前移動到最近的出貨口。這種前置調(diào)度的背后，是對數(shù)百萬訂單行為的長期建模，是對節(jié)假日波動、地區(qū)喜好、天氣因素等變量的系統(tǒng)整合。在這個飛輪中，訂單越多，模型越精準，效率越高，客戶體驗越好，訂單又繼續(xù)增長——一個看不見的強化學習系統(tǒng)在幕后演奏物流交響樂。

更妙的是，亞馬遜把這一飛輪機制“外包”給了世界——這就是 AWS（Amazon Web Services）的魔法所在。AWS 并不僅僅是一個云服務提供商，它是另一個“飛輪中的飛輪”。每一個企業(yè)將其系統(tǒng)托管在 AWS 上，每一次 API 的調(diào)用、每一次延遲反饋、每一次容量爆表，都會被記錄、分析、反饋。AWS 基于這些行為數(shù)據(jù)持續(xù)優(yōu)化其底層架構(gòu)和產(chǎn)品體驗，從 Lambda 到 S3，從 Bedrock 到 SageMaker，每一個服務的進化，都是由數(shù)百萬開發(fā)者與企業(yè)用戶“共創(chuàng)”的結(jié)果。這個飛輪的妙處在于，它不僅獲取數(shù)據(jù)，還通過服務讓用戶自發(fā)貢獻更多數(shù)據(jù)，從而實現(xiàn)“邊用邊優(yōu)化、邊優(yōu)化邊吸引更多用戶”的動態(tài)系統(tǒng)。

換句話說，亞馬遜真正的競爭力并不在于某一項技術(shù)多領先，而在于它構(gòu)建了一個可以不斷自我學習、自我增強的多層飛輪系統(tǒng)。它不靠一個大腦來運轉(zhuǎn)，而靠一張由數(shù)據(jù)回路織就的“神經(jīng)網(wǎng)絡”——每個節(jié)點都能反饋、每個環(huán)節(jié)都能學習。推薦系統(tǒng)是認知神經(jīng)元、Alexa 是感知神經(jīng)元、倉儲是運動神經(jīng)元，而 AWS 則像是一個不斷拓展的外部大腦。

這個飛輪之所以難以復制，不僅因為亞馬遜擁有海量數(shù)據(jù)，更因為它對反饋機制的理解與設計近乎偏執(zhí)。它深知，單純的數(shù)據(jù)本身不會轉(zhuǎn)動飛輪，唯有將數(shù)據(jù)置于正確的鏈路中、激活其流動性，才會釋放復利。而要做到這一點，需要的不只是技術(shù)實力，更是一種“系統(tǒng)性創(chuàng)造”的文化能力——跨團隊協(xié)作、統(tǒng)一目標感、對延遲回報的長期信仰。

亞馬遜的飛輪也早已超越傳統(tǒng)推薦引擎的邏輯，成為了涵蓋推薦系統(tǒng)、物流系統(tǒng)、語音交互、企業(yè)云服務在內(nèi)的復雜自進化網(wǎng)絡。用戶購買行為不僅優(yōu)化推薦算法，還會推動倉儲物流 AI 優(yōu)化揀貨路徑，影響 Alexa 的語義理解能力，甚至提升 AWS 在全球開發(fā)者社區(qū)的微服務設計。這個飛輪的本質(zhì)是：每一個用戶行為，都會在不同系統(tǒng)間激發(fā)“多重反饋”，最終歸一為體驗的整體提升。這不是某一模型的精進，而是整個生態(tài)的聯(lián)動。

案例：Netflix的飛輪

在所有數(shù)據(jù)飛輪案例中，Netflix 的原創(chuàng)內(nèi)容優(yōu)化飛輪是最具“導演性”的一環(huán)，它將觀眾的喜好數(shù)據(jù)直接反饋至劇集的策劃與制作環(huán)節(jié)，從而構(gòu)建起一種數(shù)據(jù)驅(qū)動的“反演創(chuàng)作”機制。這個飛輪的魅力在于，它不僅提升了點擊率和續(xù)訂率，更重要的是改變了影視內(nèi)容創(chuàng)作的范式，從“導演拍什么你看什么”變成了“你想看什么我來拍什么”。

這套機制的起點，其實是極其細膩的行為數(shù)據(jù)：不僅僅是“看沒看完”這樣粗粒度指標，更包括快進的時間點、暫停的位置、退出的時機、重看的片段、甚至在多設備間切換播放的方式。每一個行為都成為一條“情緒線索”，在系統(tǒng)中被打上標簽：緊張、高能、無聊、心動、沖突升級……然后這些標簽被匯聚成了用戶的“觀看情緒畫像”。

以此為基礎，Netflix 便能夠?qū)⑦^往幾十萬小時的影視內(nèi)容切分成若干“情緒段落”，并基于這些數(shù)據(jù)去訓練模型判斷：哪種結(jié)構(gòu)組合、哪種節(jié)奏變化，更容易讓用戶持續(xù)觀看甚至“一口氣追完”。在這一過程中，推薦系統(tǒng)、A/B 測試、片頭封面選擇，以及后期剪輯的方式，全部被納入了數(shù)據(jù)反饋鏈路中，形成一個從“情緒識別”到“結(jié)構(gòu)重建”的完整閉環(huán)。

然而，飛輪真正加速的轉(zhuǎn)折點出現(xiàn)在 Netflix 決定拍《紙牌屋》時。這個項目在傳統(tǒng)內(nèi)容公司中或許需要依靠資深制片人的經(jīng)驗、導演的風格偏好和演員號召力來拍板，但 Netflix 卻反其道而行之：他們先觀察到政治題材、美劇+英劇混搭結(jié)構(gòu)、凱文·史派西與大衛(wèi)·芬奇的受歡迎程度，這幾個要素在各類劇集中都表現(xiàn)出色，于是“數(shù)據(jù)共振”的結(jié)果便是：用大數(shù)據(jù)去“預測”這部劇應該火，然后再拍。這個邏輯在當時遭到不少傳統(tǒng)影視從業(yè)者的嘲笑，甚至被視為“反創(chuàng)意”，但結(jié)果證明，數(shù)據(jù)理解的觀眾心理，反而可能比創(chuàng)作者自己更清晰。

從此之后，Netflix 不再只是一個播放平臺，它開始像算法工程師一樣“編寫劇情”，像數(shù)據(jù)科學家一樣“選角”，甚至像運營產(chǎn)品一樣“調(diào)節(jié)情緒節(jié)奏”。在《怪奇物語》《獵魔人》《愛死機》等原創(chuàng)作品中，觀眾能感受到的是一種近乎精準的“審美合謀”，仿佛每一幕、每一節(jié)奏變化，都踩中了某種群體共識的節(jié)拍。這種精準來自模型對“人群潛意識”的理解，而非單一用戶的喜好。

進一步說，這個飛輪之所以強大，不是因為它有“最多的數(shù)據(jù)”，而是因為它掌握了“正確的反饋鏈路”：從內(nèi)容感知到行為采集，從行為采集到模型訓練，從模型訓練到創(chuàng)作反饋，每一步都經(jīng)過了精密的工程設計與組織協(xié)作。這種鏈路的難度在于跨職能融合——讓內(nèi)容制片人、AI 工程師、產(chǎn)品經(jīng)理、運營團隊一起參與飛輪設計，而不是割裂地工作。飛輪之所以難以復制，本質(zhì)上是因為這種“文化共振”的組織形式稀缺，而不是技術(shù)壁壘本身高不可攀。

如今，這套飛輪已被進一步延伸至全球化語境。Netflix 會基于不同國家地區(qū)的觀影數(shù)據(jù)，捕捉出本地觀眾的內(nèi)容偏好，然后反哺投資策略。例如，在韓國用戶中，懸疑、復仇、青春劇表現(xiàn)亮眼，于是他們先后推出《王國》《黑暗榮耀》《京城怪物》，結(jié)果不僅本地大火，還逆流沖上全球榜單，帶來了新的用戶增長和數(shù)據(jù)源擴展。于是一個“內(nèi)容本地化 → 全球熱播 → 用戶數(shù)據(jù)豐富 → 更好內(nèi)容投資”的復合飛輪便開始加速。

可以說，Netflix 并不是靠“猜用戶喜歡什么”成功的，而是通過構(gòu)建系統(tǒng)，讓自己變成那個“不斷猜得更準”的組織。數(shù)據(jù)飛輪不是一次性的勝利，而是一種持續(xù)進化的能力。這種能力的關(guān)鍵，不在于一開始就能預測未來，而在于每一次預測都在被行為數(shù)據(jù)實時修正，從而讓“系統(tǒng)性智慧”不斷自我增強。就像是一個會寫劇本的鏡子，鏡中投射的是我們自身的欲望、情緒與好奇，而 Netflix 做的，僅僅是比任何人都更敏銳地捕捉到了這一點。

如果說 Netflix 是用數(shù)據(jù)創(chuàng)作劇情的導演，那么亞馬遜則是用數(shù)據(jù)運行國家的宰相。它規(guī)劃、調(diào)度、預判、分發(fā)，每一環(huán)都在向智能化演進，但又不失對人類基本需求的把握——想要更快、更便宜、更準確地得到所需。它讓一家公司變成了一臺沒有終點的優(yōu)化機器，一旦轉(zhuǎn)動，便難以停下。正如貝索斯所言：“我們唯一不變的，是對變化的偏執(zhí)?！倍@種偏執(zhí)，正是數(shù)據(jù)飛輪真正轉(zhuǎn)動的燃料。

0 11

COT：讓 AI 像人一樣思考

在人類認知中，“會答”與“會想”是兩碼事。前者是對問題的回應，后者是對世界的理解。在構(gòu)建 AI 智能體的過程中，越來越多工程師意識到一個殘酷事實：大模型的答案雖多，卻缺乏鏈條，它們可以回答問題，卻常常無法“思考問題”。

Chain of Thought（思維鏈）推理，正是對這一缺口的回應。它并不是一個特定算法，而是一種促使模型逐步構(gòu)建邏輯過程的范式轉(zhuǎn)變。當你讓模型“先想后答”，它所展現(xiàn)的能力會產(chǎn)生質(zhì)變。原本無法處理的多步計算、條件推理、道德判斷，開始變得清晰、有條理、甚至令人信服。

我們可以把 COT 想象成一條通向“可信”的小徑。沒有它，模型的每一次輸出都像是在黑箱中擲骰子；有了它，AI 的思維過程被“拉出來”，成為可以閱讀、可以優(yōu)化、甚至可以共情的軌跡。在教育、醫(yī)療、金融、法律這些對邏輯嚴謹性有極高要求的場景中，COT 推理為 AI 提供了一種“可解釋的透明”，讓人類第一次真正看見了機器是如何“得出這個答案”的。

Perplexity 在回答學術(shù)類搜索時引入了思維鏈技術(shù)，讓用戶不僅能看到結(jié)論，還能一步步回溯推理路徑；Sierra 在處理客戶投訴時，通過讓智能體在內(nèi)部“思考三種解決方案再匯總”來生成更為穩(wěn)妥的建議；Clay 在判斷一個聯(lián)系人優(yōu)先級時，不是簡單地根據(jù)標簽排序，而是引入了“交互頻率—任務相關(guān)性—用戶歷史行為”三重推理路徑，從而得出更自然的建議。

思維鏈的真正價值，不是讓 AI 更聰明，而是讓 AI 更“像人”。它給了模型一種“暫停”的能力——先別急著回答，先把問題想清楚。而這正是人類智慧最迷人的特征。

0 12

常見誤區(qū)與深刻教訓

智能體開發(fā)從來不是復制模型的參數(shù)，更不是搬運 GPT 的 API。許多創(chuàng)業(yè)者在踏入這個新領域時，往往帶著開發(fā)傳統(tǒng)軟件的舊思維，結(jié)果一次次撞在看不見的墻上。

最典型的誤區(qū)之一，是將“擁有一個大模型”視為勝利的終點。事實上，大模型只是一個尚未成形的引擎，它缺乏對真實場景的感知能力。你可以用它生成優(yōu)美的文案，但無法確保它在十萬用戶互動時依舊穩(wěn)定。聰明的團隊會讓模型從一開始就浸入具體任務，貼近用戶的行動軌跡與反饋行為，讓訓練從實驗室走進街頭。

另一個反復出現(xiàn)的陷阱，是誤以為“數(shù)據(jù)量越大，智能越高”。智能體不是靠吞噬信息成為神，而是靠結(jié)構(gòu)化反饋形成認知。這就像一個讀遍圖書館的人未必比一個經(jīng)歷真實生活的人更有判斷力。真正推動模型演化的，是精準標注、高質(zhì)量互動、失敗樣本的提煉與再利用。

你要開發(fā)一款AI銷售智能體，如果一開始訓練的時候，就把所有銷售團隊成員的全量數(shù)據(jù)喂給它的時候，哪效果一定很差的。我們在觀察一個開發(fā)項目的過程中，從deepSeek R1的后訓練過程哪里得到啟發(fā)。我們只喂給人類親自標注的小樣本高質(zhì)量的績效靠前的20%銷售過去與客戶互動的數(shù)據(jù)，反而轉(zhuǎn)化率超過了人類銷售的平均水平。

同時那些未被轉(zhuǎn)化的客戶對話數(shù)據(jù)，也是寶貝。這也解釋了為何 Sierra 更關(guān)注“未成功客服”的對話，而非滿意度高的案例；為何 HeyGen 的核心進化機制在于“用戶手動微調(diào)后的視頻數(shù)據(jù)”，而非一開始就生成的版本。

不少團隊也忽略了智能體的“人格穩(wěn)定性”。一個系統(tǒng)如果今天輸出一套語氣，明天又完全改變風格，用戶很難建立信任。這背后涉及提示工程、后訓練一致性以及上下文保持機制的穩(wěn)定化。Perplexity 為此設計了“多回合上下文繼承邏輯”，確保用戶在連續(xù)提問中能獲得風格連貫、立場一致的回答。

智能體產(chǎn)品的失敗，往往不是技術(shù)問題，而是反饋機制出了問題。系統(tǒng)不知道自己做得好不好，沒人告訴它哪里錯了，也沒有結(jié)構(gòu)化方式修正。這種“無回音開發(fā)”狀態(tài)，是一場看似高效實則盲目的內(nèi)卷。正是在這一點上，構(gòu)建數(shù)據(jù)飛輪變得如此重要。飛輪不僅用于增強模型，更用于構(gòu)建一個“系統(tǒng)能聽懂自己行為”的世界。

還有一個常被低估的風險，是人機邊界的模糊性。AI 做得越像人，用戶對它的要求就越像對待一個人。一旦模型犯錯，用戶會從容錯切換成批評模式。這在法律、醫(yī)療、教育等高敏感行業(yè)尤其危險。如果團隊沒有清晰的可解釋機制與責任歸屬定義，任何一次模型“胡說八道”都可能引發(fā)巨大的信任崩塌。

因此，構(gòu)建一個智能體系統(tǒng)，必須是一種“反脆弱式”的工程過程。不是構(gòu)建一個完美的模型，而是構(gòu)建一個即便出錯也能自我修復的系統(tǒng)。不是追求一次性上線，而是打造可以迭代的認知基礎設施。不是依賴某個“超級天才工程師”，而是搭建一支能不斷與模型共舞、與現(xiàn)實互動的運營機制。

AI 的不確定性，是風險，也是財富。在舊軟件世界中，錯誤是BUG；而在智能體世界中，錯誤是下一次成長的門票。前提是你有系統(tǒng)接得住它。

0 13

技術(shù)經(jīng)理五點行動建議

基于上述分析和預測，技術(shù)經(jīng)理應采取的五點行動建議：

1. 從高ROI場景切入

聚焦銷售、客服、報價等業(yè)務閉環(huán)明確、結(jié)果可量化的場景，以低投入驗證高回報路徑。

2. 構(gòu)建跨部門能力矩陣

組建“智能體開發(fā)小隊”，由提示工程師、模型調(diào)優(yōu)專家、業(yè)務專家組成，形成高效協(xié)同機制。

3. 打造數(shù)據(jù)資產(chǎn)護城河

啟動私域數(shù)據(jù)收集、企業(yè)知識庫構(gòu)建與用戶反饋機制，構(gòu)建智能體的獨占知識基礎。

4. 制定分階段實施路線圖

明確12個月內(nèi)的四個階段目標：MVP驗證 → 內(nèi)測試用 → 數(shù)據(jù)飛輪 → 多Agent協(xié)同部署。

5. 重構(gòu)產(chǎn)品與商業(yè)模型

從功能驅(qū)動轉(zhuǎn)向結(jié)果驅(qū)動；將Agent作為新產(chǎn)品線規(guī)劃；設計從用戶信任到任務依賴的完整旅程。

結(jié) 語：

擁抱智能體革命，

共創(chuàng)結(jié)果經(jīng)濟時代

彭志強董事長從商業(yè)本質(zhì)出發(fā)，強調(diào)了AI應用開發(fā)必須以“結(jié)果導向”（RaaS）為核心，聚焦客戶剛需并實現(xiàn)商業(yè)閉環(huán)。顏艷春老師則深入剖析了智能體的第一性是勞動力，AI Agent的技術(shù)趨勢、產(chǎn)品構(gòu)建方法論和落地關(guān)鍵，指明了打造爆款智能體應用的路徑，并同樣強調(diào)了“AI勞動力”和RaaS模式的重要性。

兩位老師的分享共同揭示了AI Agent時代的巨大機遇與挑戰(zhàn)。對于技術(shù)經(jīng)理而言，理解并踐行“結(jié)果導向”的商業(yè)思維，掌握從0到1構(gòu)建智能體的方法，并有效驅(qū)動數(shù)據(jù)飛輪，將是在這場智能革命中搶占先機的關(guān)鍵。未來已來，智能體將深刻重塑各行各業(yè)，我們應積極擁抱變化，以創(chuàng)新和實干共同開創(chuàng)“結(jié)果經(jīng)濟”的新十年。