中年IT男的AI焦慮

深更半夜，老譚躺在床上輾轉(zhuǎn)反側(cè)睡不著，人到中年心事多，今年心事尤其多。

譚江今年36，是某大型IT硬件廠商的渠道技術(shù)支持部主管。

他每天要干的事兒，是給渠道培訓(xùn)、做技術(shù)支持、解答渠道各種產(chǎn)品問題：故障排查、產(chǎn)品配置、功能咨詢、備件流轉(zhuǎn)等。

一干就是10年，從客服小兵干到技術(shù)主管，“小譚”變“老譚”。

過去幾年，老譚順風(fēng)順?biāo)緲I(yè)績很穩(wěn)，渠道隊伍也不斷壯大，老譚覺得自己很吃得開。

渠道都很認(rèn)老譚，公司也把他當(dāng)寶。

但最近，老譚心里開始有點慌了——

大模型發(fā)展勢頭有點猛，各種智能體開始滿天飛，天天聽到有大公司因為AI裁員的消息。

當(dāng)然，更大的壓力來自內(nèi)部，老板大會小會上各種敲打：全員學(xué)AI！

老譚快被老板給敲麻了…

如果AI真能解決大多數(shù)標(biāo)準(zhǔn)化問題，那自己這幫技術(shù)支持團隊，還能剩下什么價值？

老譚的AI“邪修”路

老譚開始琢磨自己的出路↓

不會寫代碼，但懂業(yè)務(wù)、懂產(chǎn)品知識、懂渠道需求，也大致了解AI的能力邊界。

怎么把AI用到實際工作中？而不是等著AI把自己淘汰？

思前想后，老譚覺得就從自己最熟悉的工作入手，也鼓搗個「渠道技服智能體」。

不光能把自己部門的一些重復(fù)性、基礎(chǔ)性的咨詢搞定，還能7×24小時提供服務(wù)，緩解一下部門人手不足的現(xiàn)狀。

于是，老譚開始四處找方案，搞實驗。

看看是不是真有傳說中那種「零基礎(chǔ)、無代碼，一鍵開發(fā)智能體」的方案。

一圈試下來，老譚發(fā)現(xiàn)，市面上智能體開發(fā)平臺很多，但大部分都是搞通用智能體的，不擅長應(yīng)對復(fù)雜的企業(yè)級場景和需求。

比如，掛上知識庫不好使，復(fù)雜的工作流也跑不通，更不用說當(dāng)下最熱門的多智能體協(xié)作了。

在老譚看來，這種高階的企業(yè)級智能體，得找專業(yè)開發(fā)團隊定制。

一籌莫展之際，老譚猛然發(fā)現(xiàn)，騰訊云新發(fā)布了一個「智能體開發(fā)平臺」，據(jù)說是專門針對企業(yè)級復(fù)雜場景。

老譚是騰訊元寶的重度用戶，也體驗過開發(fā)通用智能體的騰訊元器，覺得都不錯，現(xiàn)在這個新平臺，讓老譚瞬間看到了一絲希望。

于是，老譚趕緊登錄平臺，立馬開試。

這一試不要緊，他發(fā)現(xiàn)自己打開了新世界——

騰訊云智能體開發(fā)平臺如何征服企業(yè)級用戶

這個「騰訊云智能體開發(fā)平臺」，主打大模型應(yīng)用定制，面向企業(yè)級場景。

從底層云智算基礎(chǔ)設(shè)施到熱門模型、原子能力，再到智能體開發(fā)、應(yīng)用場景，功能相當(dāng)齊全。

像老譚這樣的企業(yè)運營人員，即便沒有代碼基礎(chǔ)，也能快速上手。

基于應(yīng)用范式快速配置大模型應(yīng)用，簡單修改配置項后即可發(fā)布。

這其中，最讓老譚嘖嘖佩服的，是平臺提供了RAG型、Workflow型、多Agent協(xié)作型三大類開發(fā)框架。

每種開發(fā)路徑都細(xì)節(jié)滿滿，而這，才是企業(yè)級智能體開發(fā)與通用智能體開發(fā)的最大差異。

一、如何搞定知易行難的RAG？

RAG這東西，一說人人都知道，一搞人人都喊難。

企業(yè)級場景下，有很多私有數(shù)據(jù)、專業(yè)知識，通用大模型在預(yù)訓(xùn)練甚至后訓(xùn)練的時候，都學(xué)不到。

此時，用RAG知識庫的方式，給大模型提供一份外掛，就好比是一份小抄。

這樣，就能讓大模型迅速與企業(yè)專有場景結(jié)合。

通用知識題會做，專業(yè)情景題也會答。

但是，RAG這個看起來很簡單的技術(shù)，實際落地卻非常難。

小抄人人會做，但是能覆蓋所有知識點，而且還臨場發(fā)揮考100分，就太難了。

四大落地難點讓老司機都望而卻步↓

RAG落地難題①

企業(yè)知識格式多樣、排版復(fù)雜、圖文并茂，還包含各種形態(tài)的表格、子元素，機器很難快速抓住精髓，而且傳統(tǒng)OCR技術(shù)識別精度低，元素易丟失。

老譚深有感觸，公司那些產(chǎn)品文檔，五花八門的，自己肉眼看都費勁，機器就更難處理了。

鵝廠怎么破呢？

騰訊云智能體開發(fā)平臺提供全鏈路的企業(yè)多模態(tài)知識處理解決方案，涵蓋復(fù)雜文檔解析、切分、檢索、推理、生成。

在多模態(tài)知識導(dǎo)入和解析環(huán)節(jié)，鵝廠拿出來了專業(yè)的OCR大模型解析引擎。

覆蓋復(fù)雜版面分析、元素子圖識別，準(zhǔn)確還原閱讀順序，識別準(zhǔn)確率提升30%！

同時，鵝廠還有業(yè)界首個語義切分大模型。

相比傳統(tǒng)的正則切分方式，語義切分有助于更好的還原文檔含義，顯著提升回答完整性。

RAG落地難題②

企業(yè)知識庫中大量結(jié)構(gòu)化表格，數(shù)據(jù)龐大，檢索困難，更有非標(biāo)表格惹人煩。

你以為光是非結(jié)構(gòu)化的多模態(tài)文檔難入庫？

其實，企業(yè)里大量存在數(shù)據(jù)庫、電子表格里的知識，也很棘手。因為這些結(jié)構(gòu)化的表格，動不動就數(shù)萬行、上百列，讓人吃不消。

比如，老譚手里這份超過10萬行的產(chǎn)品價格表，就是大難題。

此時，鵝廠又拿出了一個利器↓

基于LLM的embedding模型，可以輕松對付這種大表格，同時支持Text2SQL能力，處理標(biāo)準(zhǔn)大表單表及跨表檢索。

企業(yè)中還有些“變態(tài)”的表格——

雖然樣子是表格，但其實是變形的、嵌套的非標(biāo)準(zhǔn)表，沒法用Text2SQL精確檢索。

怎么對付呢？

遇到無法使用Text2SQL的不規(guī)則大表，鵝廠綜合使用表格摘要檢索、關(guān)鍵詞檢索、向量檢索，三板斧齊下，提升問答準(zhǔn)確率。

RAG落地難題③

用戶對話信息多模態(tài)，包含圖文交錯等復(fù)雜信息輸入。而召回時，知識庫中對應(yīng)的文檔同樣圖文交錯。

在這個環(huán)節(jié)，用戶提問往往不按套路出牌，動不動圖文混排、粘貼拷貝，一股腦的塞進(jìn)來，分分鐘把模型問暈。

同時，知識庫的文檔也是圖文混排，難以組織出有條理的答案。

我鵝超聰明，多模態(tài)理解一流。

能夠精準(zhǔn)理解對話中的圖文關(guān)系，并能精準(zhǔn)組織出圖文并茂的答案。

RAG落地難題④

嚴(yán)肅場景，對模型判斷模糊知識、無關(guān)知識的能力要求高。

企業(yè)場景都是嚴(yán)肅場景，回答要精準(zhǔn)、明確。但在實際執(zhí)行RAG時，可能無法在知識庫中找到精準(zhǔn)答案。

比如用戶問題很模糊，檢索的時候，找到多個相近答案，但無法確定具體哪個更匹配。

此時，鵝廠會根據(jù)上下文語境，結(jié)合檢索結(jié)果綜合判斷。

并可以進(jìn)行追問澄清，了解用戶的明確意圖。

對于無法檢索到有效答案的問題，給出拒答回復(fù)。

絕不自己加戲，從而避免用檢索到的無關(guān)數(shù)據(jù)對用戶產(chǎn)生誤導(dǎo)。

同時，鵝廠還提供領(lǐng)先的知識管理能力，比如問答對自動生成與校對，文檔對比與對比后決策。

總之，依靠這一系列“鵝操作”，RAG落地的難題終于有解啦。

二、如何搞定曲折復(fù)雜的企業(yè)工作流？

利用RAG功能，老譚完成了技術(shù)咨詢問答智能體的搭建。

接下來，老譚想要更上層樓，開發(fā)一個維修工單流轉(zhuǎn)的工作流智能體，又遇到不少難題。

工作流落地難題①

復(fù)雜業(yè)務(wù)場景，涉及流程分支和業(yè)務(wù)接口多，僅依賴模型自主規(guī)劃準(zhǔn)確率不高

雖然現(xiàn)在深度思考模型很厲害，具備強大的自主規(guī)劃能力。

但很多企業(yè)級的復(fù)雜場景，涉及眾多流程分支和接口，大模型靠自主規(guī)劃，很難跑明白。

面對這樣的復(fù)雜業(yè)務(wù)流程，鵝廠提供可視化拖拉拽編排能力，零代碼構(gòu)建工作流。

編排平臺具備10+畫布節(jié)點，靈活調(diào)用大模型、知識庫、插件、工具、代碼、子工作流，輕松完成復(fù)雜流程創(chuàng)建。

工作流落地難題②

對話與流程耦合，工作流節(jié)點難以靈活跳轉(zhuǎn)。

有些高難場景，比如對話與流程耦合，工作流需要回退操作，這流程就走到死胡同了。

鵝廠通過內(nèi)置全局視野Agent，負(fù)責(zé)接管對話，識別全局意圖、靈活跳轉(zhuǎn)（包括回退）。

不止如此，鵝廠還提供了PDL流程描述語言。

遇到超級復(fù)雜的工作流，可以把畫布轉(zhuǎn)換成PDL，通過Agent理解全局流程，更加靈活地處理“超綱”工作流。

三、如何搞定全員互卷的多Agent協(xié)作？

在用工作流搞定維修工單流轉(zhuǎn)智能體后，老譚徹底飄了。

他決定干個大活，玩玩多智能體協(xié)作，把一線支持崗、二線支持崗、維修工單崗、滿意度回訪崗組團一起扛活。

聽起來很復(fù)雜吧？

但用了騰訊云Multi-Agent開發(fā)框架，一切都變簡單。

零代碼創(chuàng)建多Agent

全面兼容OpenAI Agents SDK 產(chǎn)品定義，支持零代碼創(chuàng)建 Multi-Agent。

整個過程只需三步①創(chuàng)建Agent→②添加多Agent→③配置轉(zhuǎn)交關(guān)系↓

在添加多Agent小伙伴的時候，既可以選官方預(yù)置的各種基礎(chǔ)功能Agent，也可以直接新建自己的專用Agent，再添加↓

想不到吧，一個組團干活的Agent小隊，瞬間就搞定了。

豐富的MCP插件

提供豐富的精選MCP插件，并支持自定義MCP插件。

像老譚這種履歷，可沒本事開發(fā)各種各樣的功能模塊。

沒關(guān)系，平臺預(yù)置了豐富的鵝廠內(nèi)外部插件，兼容MCP，開箱即用。

另外，鵝廠還特別貼心，把自己的專業(yè)RAG能力“封裝”成一個知識庫檢索智能體，作為“Agentic雇傭兵”，來支持復(fù)雜問題回復(fù)。

四、如何搞定智能體的權(quán)限管理？

老譚深知，搞定各種形態(tài)的智能體功能還不夠，在企業(yè)級場景，智能體的安全、權(quán)限管理非常重要。

而安全方面，恰恰也是騰訊云智能體開發(fā)平臺的特色↓

鵝廠支持平臺級、平臺級、知識庫級多層權(quán)限體系管理，可以與企業(yè)的組織架構(gòu)、崗位角色打通，也可以設(shè)置黑白名單。

中年IT男，踏上AI快車道

經(jīng)過一周琢磨和嘗試，老譚開發(fā)的系列智能體上線了！

他嘗試著分享給部門同事和幾個熟悉的渠道伙伴，以及自己的老板。

結(jié)果，得到一致好評。

老板剛參加WAIC2025回來，看罷老譚的成果大受震撼，立即在各部門推廣，還給老譚部門批了一大筆用云預(yù)算。

接下來的日子，老李徹底沉迷了。

儼然成了AI開發(fā)小能手，不光教同事們應(yīng)用智能體，還讓自家的娃上了AI開發(fā)興趣班——

學(xué)習(xí)用「騰訊元器」開發(fā)通用智能體。

元器用起來就更6了，海量模板，一鍵做同款。

還能充分利用騰訊生態(tài)，有微信公眾號、騰訊文檔、微信支付MCP的加持。

短短一個月，老譚就完成了蛻變，從「AI焦慮癥」患者，變成了「AI依賴癥」患者，并且成功“傳染”給了身邊的每個人。

這次經(jīng)歷，也讓他深深意識到——

AI時代，中年人才是最有核心優(yōu)勢的一群人，他們可以憑借豐富經(jīng)驗、業(yè)務(wù)沉淀，更好的駕馭AI，讓自己變得更加不可替代！