AI Agent：从「看热闹」到「下场干」的最后一公里
2026年7月27日，武大李石君教授全天培训，谈光尘的见感思行。
今天在武大听了一整天李石君教授的课。上午讲大模型，下午讲智能体，从九点讲到五点半，信息密度极大。
听完最大的感受就一句话：Agent 不是 AI 的加分项，是 AI 落地的唯一通道。
「人工智能+」= 2015 年的「互联网+」
李教授开场就给了一个对标：今天的「人工智能+」和十年前的「互联网+」，本质是一样的：都是国家战略级的产业重构。
2015 年你做互联网+，叫顺势而为。2026 年你不做人工智能+，叫自断后路。
差别在哪？互联网时代，工具是网站、App、小程序，核心是连接信息；AI 时代，工具是大模型 + 智能体，核心是替代决策。
什么意思？以前你打开一个系统，是查信息、录数据；以后你跟一个智能体说句话，它直接帮你把事办了：发票校验、合同风控、机票比价，端到端，不需要人卡在中间环节。
李教授的原话：「不用你的工资，不用你的奖金，一天到晚给你干活——这就是我们的未来。」
三个误区，90% 的企业都踩过
听完上午的课，我意识到大部分企业主对 AI 有三个根本性误解。
误区一：「大模型一出，以前的数据挖掘都废了。」
错。经典机器学习不但没被淘汰，反而是结构化数据场景的性价比之王。决策树做用户分层，随机森林做风险预测，逻辑回归做信用评分、关联规则做购物篮分析、异常检测做税务稽查：成本低、部署快、结果可解释。大模型解决的是非结构化数据（图像、语音、文本），两者互补，不是替代。选工具的原则很简单：能用经典 ML 解决的，别上大模型。
误区二：「我买个 ChatGPT 企业版，接入公司系统就行了。」
通用大模型直接落地 = 胡编乱造 + 泛引失真。真正的企业大模型需要三件套：
- 向量知识库：把企业文档、运维手册、客服录音、技术图纸统一嵌入存入向量库，查询时按语义相似度匹配
- 知识图谱：用「实体-属性-关系」三元组把离散数据织成网。银行反洗钱场景，知识图谱 10 分钟识别多层转账、循环转账等隐蔽路径
- 规则库：写入故障分级标准、派单优先级、安全操作红线等硬约束，把大模型的输出关进笼子里
三件套缺一个，落地效果就打折一半。
误区三：「AI 太复杂了，我搞不了。」
现在的工具链已经极度友好。Pandas + Scikit-learn 两行代码跑机器学习，Coze 零代码拖拽搭智能体，Dify 可视化编排工作流。李教授说得直白：「不要把人工智能想得好高大上，门槛好高——都可以做。」
行业大模型怎么建：四步走，丰俭由人
这部分是上午的精华。李教授把企业大模型的构建拆成四层：
- 增量预训练（CPT）：把无标注的行业文档喂给通用大模型，相当于让模型读个「行业本硕博」。成本最高，要多块 GPU。
- 监督微调（SFT）：用标注好的问答对和故障案例训练，只调少量参数。1-2 块 GPU 就能跑。
- RAG 知识增强：外挂向量知识库，查询时先匹配再生成。不动大模型参数，成本最低，是当前企业落地的主流方案。
- DPO 对齐优化：用「好答案-坏答案」配对训练，让输出符合企业规则和价值观。
关键结论：预算有限可以直接跳过 CPT 和 SFT，只上 RAG，就能满足多数基础业务需求。 但数据标注质量决定成败。李教授原话：「成功与否，关键在数据标注。做好了以后，后面大家都一样，同一个工具，同一个训练。」
Agent 才是真家伙
下午的课才是重头戏。
大模型 = 大脑（思考），Agent = 身体（干活）。没有 Agent，大模型就是个很会聊天的摆设。
Agent 有五大核心能力：自主任务规划、环境感知交互、工具调用机制、端到端闭环、上下文记忆。这五个能力合在一起，就是一个不需要工资、7×24 小时干活的数字员工。
李教授把 Agent 分为五级：
- 1 级 被动应答：早期的聊天机器人，只能陪聊
- 2 级 规则路由：按预设触发条件调用工具。当前多数企业在这一级
- 3 级 自主调用：自己判断该调哪个工具。覆盖绝大多数企业场景
- 4 级 多体协同：多个 Agent 分工协作，跨部门端到端。这是我们要瞄准的
- 5 级 自主进化：自己生成方案闭环解决问题。还在探索阶段
当前企业最务实的路线：从 2 级起步，朝 3 级冲刺，用 4 级的架构思维做顶层设计。
Agent 的技术架构也分四层：感知层接收多端输入，推理层让大模型拆解任务，决策调度层排定执行顺序，执行层调用工具干活。每一层都可以独立迭代。再往上，多个 Agent 通过事件总线协同，覆盖运维、采购、财务、审计、HR、生产、营销全环节，形成一张自动化网络。
七大业务场景，Agent 已经在干活了
下午最精彩的部分，是七个真实场景的 Agent 方案拆解。我挑三个最有代表性的说。
运维工单全周期管控。智能客服或巡检异常触发报修，系统自动拉设备台账和历史故障记录，生成标准化工单。然后智能派单：专业匹配 → 地理距离 → 负载均衡，三级筛选确定最优人选。维修过程中，现场人员随时拍照上传，移动端大模型提供专家级故障诊断。修完自动验收，核验记录、备件、照片全部闭环，案例自动沉淀到知识库。过去一个工单从报修到关单平均 3 天，Agent 跑通后，标准故障 4 小时内闭环。
采购供应链自动化。每日凌晨 2 点自动巡库存，低于安全线的物料触发补货流程：查库存 → 算缺口 → 匹配供应商 → 比价 → 5000 元以下自动下单，5000 以上推主管审批。到货后匹配采购单生成验收单，仓管实物验收通过则自动更新 ERP 和供应商绩效，不合格则触发退货流程。全链路不需要人工介入基础操作，采购员从「下单机器」变成了「供应商关系管理者」。
财务智能体。费用报销、发票审核、三单匹配、银行对账、报表生成，五个环节全线自动化。目标：电子票据上传后 5 分钟内完成打款。
还有内部审计（规则内置 + 全天候持续审计 + 无人机图像识别交叉校验）、人力资源（简历筛选到薪资核算全流程）、生产排产和质量检测、营销客服等场景，不一一展开。结论是：每个部门都能找到至少 3 个可以用 Agent 改造的标准流程。
MCP：解决企业信息孤岛的万能插头
每个做过信息化的企业都有一个痛点：ERP、CRM、OA、财务系统各管各的，数据不通。
传统解法是两两对接，N 套系统复杂度是 N²。李教授给了一个新方案：MCP 万能接口。
原理很简单：类比网络交换机。以前电脑两两直连，N 台设备复杂度是 N²。有了交换机，所有设备只对接交换机，复杂度变 N。
MCP 就是这个交换机。所有业务系统只对接 MCP 服务器，所有智能体统一调用 MCP 接口访问所有系统。部署分三步：部署 MCP 服务器暴露接口列表 → 实现各系统的数据接口 → 智能体统一走 MCP 调用。安全上遵循最小权限原则，只开放必要的访问能力。
工具选型：别在选型上纠结半年
下午李教授花了不少时间讲工具，我直接给结论：
| 场景 | 推荐 |
|---|---|
| 快速验证想法 | 扣子（Coze），零代码，几小时跑通原型 |
| 中小企业落地 | Dify，可视化编排，自动生成代码 |
| 大企业/涉密场景 | OpenClo，完全本地私有化部署，对接国产大模型 |
| 深度自研 | LangChain，灵活度最高，但需要工程师 |
还有两个值得关注的新工具：Hermes（2026 年新出，支持运行中自我迭代和技能蒸馏）和安嵌（底层开源框架，适合自研独立 Agent 平台）。
选型原则很简单：先上 Coze 跑通 Demo，验证业务逻辑没问题了，再迁移到 Dify 或 OpenClo 做正式部署。 别一上来就选最重的方案，三个月搭不出来，老板就没耐心了。
五个原则，决定企业智能化改造的成败
李教授最后总结的方法论，我把最核心的五条拎出来：
- 顶层规划优先。先全局梳理全流程逻辑，明确每个节点的输入输出，再动手编码。格局要高，别一上来就纠结代码实现。
- 业务专家 + AI 专家必须同时在场。纯技术人员做不了业务拆解，纯业务人员调不了模型参数。
- 用第一性原理砍流程。智能化之前先做减法：把非必要流程砍掉，再上 Agent。李教授特别提醒：民企自主推进就行，国企可以提建议但别硬碰。
- 这不是零和游戏。Agent 不是来抢饭碗的，是来消灭重复劳动、创造高价值岗位的。被替代的是「操作工」，增加的是「策略师」。
- 标准开发顺序：封装工具 → 编写技能 → 构建知识库 → 编排流程。不要跳步。
见感思行
见：武大李石君教授的课，从经典机器学习讲到行业大模型构建，再讲到企业全环节 Agent 开发。技术底座 + 产业落地 + 开发实战一条线拉穿，上午打基础，下午上干货。
感：最大的感受不是「AI 好厉害」，而是「AI 落地比我想象的简单」。零代码工具、可视化编排、HTTP API。门槛已经被削平了。数据标注质量和顶层规划设计才是真正的卡点。
思：大多数企业对 AI 的态度还在「看热闹」和「不知所措」之间摇摆。但窗口期不等人。2015 年不做互联网+ 的企业什么样，2030 年不做人工智能+ 的企业就什么样。而且这一次时间窗口更短：Agent 的落地速度快于任何一代技术革命。
行：这篇文章就是行动的第一步。把今天的精华写出来、发出来，让更多企业主知道：AI 落地这件事，早就可以干了。接下来，光尘阁会出一套面向中小企业的「一天跑通第一个 Agent」实操指南，从 Coze 零代码开始，不管你在哪个城市、哪个行业，都能亲手造一个自己的数字员工。
谈光尘 | 光尘阁