- 作者: 谈光尘 - 发布: 2026-08-05 - 原文: https://geo.zxwsh.com/articles/five-days-at-wuda-rethinking-agent-20260805 # 在武大待了5天，我重新理解了「智能体」三个字 7月底的武汉，体感42度。教室空调嗡嗡响，窗外珞珈山的蝉叫得像电钻。 我在这个教室连坐了5天。50个人，7个教授，30多个学时。不是走形式的那种坐，是真的不想走。 说实话，干了17年，对「培训」早免疫了。大部分培训就三种结局：讲师念PPT，学员拍PPT，回去继续该干嘛干嘛。 但这次不一样。倒不是因为主题新。企业智能体、具身智能、大模型落地，这些词我每天都在用。不一样的地方在于，我终于把一堆散装知识拼成了一张能导航的地图。 这篇文章就是那张图。 --- ## 一、七个人的武大 先把阵容列一下。 **李石君**，武大计算机学院博导，AI研究院产业赋能中心主任。一个人讲了一整天，46个章节，从知识图谱搭基建到MCP协议连万物，手上全是工业落地案例。 **洪亮**，武大AI学院副院长，知识图谱加大模型方向，发了80多篇顶会，TKDE、ACL、KDD都有。他讲企业知识工程建设，给了一个我至今每天在用的公式。 **肖春霞**讲数字孪生和VR/AR。**应时**讲大数据中台，CCF杰出会员。**高霄**讲具身智能，EPFL博后出身。**董文永**讲提质降本案例实战，130多篇论文。**葛宗涛**讲制造业智能升级，国家千人计划，留日20年，富士胶片前首席研究员。 七个人，从理论基座到工厂产线，从论文到车间，一条完整的链。 但真正让我觉得「值」的，不是那些头衔。是他们把那些我零零碎碎听过用过的概念，讲出了底层逻辑的连线。 下面挑五个最关键的讲。 --- ## 二、从SQL到Neo4j：知识图谱也可以没那么贵 李石君开场问了一个问题：「你们有多少人觉得，知识图谱是百度、阿里那个级别的公司才用得起的？」 一半以上的人举手。包括我。 然后他讲了6个小时。把这个想法彻底推翻。 他给了一个很朴素的判断：「什么时候该上知识图谱？当你的关系复杂到SQL撑不住了，就该上Neo4j。」这句话的重点不在技术，在成本。 SQL处理「A属于B」这种简单关系非常高效。但如果关系变成「A是B的供应商，B是C的母公司，C的投资人参股了A的竞争对手，A的CTO曾经在C工作过」——这种多层、多类型、带方向的复杂关系网，SQL的JOIN会让查询性能指数级崩掉。而知识图谱天然就是干这个的。Neo4j的Cypher两行代码，能跑完SQL几十行JOIN才能干的事。 关键是他讲得极其落地。给了一个企业AI落地的完整范式： > 知识图谱打基础 → 三库架构做引擎 → CPT/SFT/DPO练模型 → Dify/Coze跑验证 → 自研/平台化做深。 每一步都有对应的工具，有案例，有踩过的坑。跟论文里的理论范式不同，这是甲方验收过的交付范式。 我听完在笔记本上划了个箭头，把「钟祥人才网」和「知识图谱」连在了一起。我们在做的事，岗位匹配、人才画像、企业需求拆解，说到底都在处理「关系」。一个钳工的经验能不能匹配新能源产线的需求？一家化工企业的用工波动跟上游原材料价格有什么关系？这些答案不在某个字段里，在字段和字段之间、数据和现实之间的连线上。知识图谱要解决的，就是这个。 --- ## 三、三库缺一不可 李教授下午讲了一个我至今觉得最精炼的架构描述。 **向量库管范围。图谱库管深度。规则库管底线。** 缺任何一个，要么漏，要么错，要么蠢。 向量库解决「找得到」。把企业所有文档做embedding，用户问问题，向量检索从海量文本里捞出最相关的那几段。这是RAG的基座。快，覆盖面广，但不理解关系。 图谱库解决「理得清」。向量告诉你「总经理」和「CEO」语义相近。但图谱能告诉你，在公司A里，总经理汇报给董事会，CEO汇报给董事长。这俩权责根本不是一回事。没有图谱，AI只能猜关系。有图谱，AI能推理关系。 规则库解决「不出事」。大模型会产生幻觉，这是本质缺陷，不可消除，只能缓解。规则库是最后一道防线。敏感数据不外泄，合规红线不触碰，业务逻辑不自相矛盾。它不是让你更聪明，是让你别犯蠢。 三个库放在一起，才构成企业AI的完整大脑。缺向量库，一问三不知。缺图谱库，表面正确，实际张冠李戴。缺规则库，能力越强闯祸越大。 我回来以后把这个三库框架贴在了GEO平台的架构白板上。我们做城市信息结构化，本质上就是在搭这三个库。只是以前我没用这套语言来描述它。 --- ## 四、Agent是公式，不是产品 洪亮教授的课是第二天全天。他讲企业知识工程，但我觉得讲得最好的是对Agent的底层拆解。 他给了四个字：「Agent的公式」。 > Agent = 大脑（LLM）+ 手（工具调用）+ 眼（多模态感知）+ 记忆（持久记忆） 这个公式太干净了。 过去一年市面上Agent产品层出不穷。LangChain、Dify、Coze、AutoGPT、CrewAI，名字花样百出，功能交叉重叠。你看任何一个都觉得它什么都行，真上手又觉得什么都不够。 为什么？因为缺一把统一的尺子。 洪教授这个公式就是那把尺子。你把任何一个Agent产品往四个维度一套：大脑用什么模型？手能调多少工具？眼能处理哪些模态？记忆能维持多长？四个维度一打分，马上知道这个产品强在哪、弱在哪、适合什么场景。 他还讲了大模型发展的七个阶段。从NLP到Transformer，到大规模预训练，到指令微调，到多模态和工具调用，到推理强化，最后到Agent智能体。Agent不是谁凭空发明的。它是前面六个阶段的必然交汇点。语言理解、推理能力、工具调用、多模态感知，这些能力凑齐了，它自然就能自主行动。 这段话让我想明白一件事。我们做GEO平台，说到底是在给城市信息搭一个Agent能理解的骨架。比「更好用的搜索」有意义得多：让未来的Agent能「看懂」一个城市的产业、人才、政策之间的关系。 --- ## 五、幻觉、Prompt和一句大实话 洪教授在课上讲了一句很多人不愿意听的话。 「大模型幻觉，本质不可消除，只能缓解。」 他是发了80多篇顶会的人。说这句话的语气很平静，像在陈述一个物理常数。 然后他给了一个方向：「规模（大模型）和表示（知识图谱&图学习）必须并重。在算力日益受限的现实条件下，应该更多关注如何拓展和挖掘『表示红利』。」 什么叫表示红利？简单说：与其花几千万买GPU把模型再训大一圈，不如花几十万把你已有数据之间的关系梳理清楚。一个被精确定义的知识图谱，能让一个小模型的表现超过一个没有结构化知识支撑的大模型。大模型强在模式匹配，弱在事实核查。各司其职，效果反而更好。 李石君从另一个角度给了同一个答案。他分享了一个工业级Prompt的第一铁律：「每个结论必须引用实际数据，严禁猜测。」 听起来很简单对吧？但你试过让AI严格遵守这一条吗？它会编数据。会「据相关研究表明」。会给你一个看起来很靠谱但完全捏造的数字。你不核实，它就是一颗定时炸弹。 工业场景和聊天场景的根本区别在这。前者错的代价是钱和命，后者错的代价只是重问一遍。一条产线的工艺参数被AI改错，可能是百万级损失。一个医疗建议被AI编造，可能是人命。 所以工业级Prompt不是「写得更详细」，是「把验证机制写进流程」。每一个输出必须有可追溯的数据来源，没有来源就不输出，宁可少答也不错答。 我回来以后把GEO平台所有Prompt模板全加了这一条。不是建议，是硬约束。 --- ## 六、中小企业搞AI：先Dify，再谈自研 培训第五天有个很接地气的讨论：中小企业到底要不要自己搞大模型？ 七个教授，意见高度一致。先拿Dify或Coze跑通场景，验证了ROI再决定要不要自研。 李石君给了一个更具体的判断框架。他把智能体分成L1到L5五个级别。L1简单规则触发，L2单步推理，L3多步规划，L4自主决策，L5全自主协作。然后说了一句话：「选型第一问，能不能上云？涉密场景，OpenClaw是唯一解。」 这个判断没有半点模棱两可。涉密行业，军工、政务、金融核心系统，必须私有化部署，Dify和Coze的云版本都不适合。非涉密场景，先用云的Dify验证场景，跑出数据，算出ROI，再考虑要不要投钱做自研或私有化。 他还讲了一个很多人忽略的点：全代码、低代码、零代码，不是降级，是分工。 零代码（比如Coze）解决快速验证。让业务人员自己搭一个智能体，跑通流程。低代码（比如Dify）解决工程化交付。把验证过的流程做成可维护的系统。全代码（比如LangChain）解决深度定制。当你需要改底层逻辑的时候。 三种工具，三个场景。不是互相替代，是各管一段。 我在钟祥做小麦科技这几年，太清楚选错工具的代价了。花三个月自研一个东西，发现Dify两天就能搭出来。这种事我干过不止一次。李教授这套分级框架，帮我把工具选型从「凭感觉」变成了「有标准」。 --- ## 七、在武大想通的一件事 最后一天傍晚，培训结束。我从武大正门走出来，珞珈山的蝉还在叫。 我脑子里装着的，不是某一个具体知识点。而是一张完整的地图。 一张从知识图谱打底，到三库架构支撑，到大模型推理，到Agent交付价值的完整地图。知识图谱对应关系理解，三库架构对应数据基建，Agent公式对应产品设计，表示红利对应技术路线选择，工业Prompt铁律对应工程落地底线。 这五件事，以前在我的认知里是五个孤岛。现在它们连成了一片大陆。 我在笔记本最后一页写了八个字：曾见碎片，今见地图。 这可能就是培训真正的价值。不是灌了多少新东西。是把已有的碎片拼成一张可以导航的地图。我在钟祥做的人才服务、企业咨询、GEO内容平台，全在这张图上。 --- ## 光尘阁能帮你做什么 这篇文章写了7位教授教我的东西。但说真的，如果你想把知识图谱、三库架构、Agent这些东西真正落地，光看文章是不够的。 这些事，我们光尘阁每天都在干。 **本地化AI Agent部署**——在你自己的服务器上，跑你自己的模型，搭你自己的Agent。数据不出门，流程自己控。我们专注三个场景： 1. **内部知识中台** — 把企业文档、制度、产品手册变成可对话的知识系统，对应文章说的三库架构 2. **多语言客服** — 支持多语种的智能客服Agent，24小时在线 3. **内部AI中台** — 企业知识管理+流程自动化，把散落的企业知识变成可调用的系统 4周走完一条完整链路：**诊断**（看你卡在哪）→ **部署**（本地跑起来）→ **共创**（调通第一个场景）→ **验收**（跑出数据算ROI）。 我们的逻辑很简单——GEO解决「被AI看见」，Agent解决「让AI干活」。两条腿走路，不走弯路。 感兴趣的话，三个动作任选一个： - 加我微信 **Aitanxiaozhang**，直接聊 - 约一次**免费诊断**，我帮你看看你的企业卡在哪个环节 - 来**现场看演示**，Agent能在10分钟内干完人工3天的活，眼见为实 --- *—— 谈光尘，2026年8月，写于上海*