企业考虑为某项工作定制AI智能体时，通常同时在比较另外两条更快的路：让员工自己用通用AI，或者买一款现成的AI工具。三条路都能产出东西，差别在于企业自己的事实、规则和做法放在哪里，出了错由谁发现、怎样修正。
可以用做衣服来理解。通用AI像一匹好布料，谁拿去都能裁，但每次都要自己量、自己裁；现成工具像成衣，按多数人的身材做好，穿上就能用，不合身的地方只能将就；定制智能体是量体裁衣，交付的除了衣服，还有尺码、试穿记录和以后怎么改。
三条路的分界：企业上下文由谁承担
| 对比项 | 员工自己用通用AI | 购买现成AI工具 | 定制AI智能体 |
|---|---|---|---|
| 企业事实和规则放在哪里 | 员工每次在对话里重新交代，或只在员工自己脑子里 | 放进工具允许配置的位置，超出部分放不进去 | 整理后写进智能体的知识与规则 |
| 流程按谁的走 | 按员工个人习惯 | 按产品预设的通用流程，企业调整自己去适应 | 按企业这项任务的步骤和检查点 |
| 结果稳不稳定取决于 | 用的人会不会问、肯不肯核对 | 任务和产品设计场景是否贴合 | 资料是否现行、检查点是否设对、上线后有没有人维护 |
| 做得好的人离开后 | 好用的做法多半随人带走 | 工具还在，企业自己的做法仍在人身上 | 做法留在智能体和交接文档里 |
| 更适合 | 个人辅助、探索、低频多变的工作 | 通用性强、各家做法差不多的任务，如会议纪要、通用写作辅助 | 高频、依赖企业特有经验、结果能由具名的人判断对错的任务 |
三条路不是谁取代谁。比较常见的顺序是：员工先用通用AI，企业再从中挑出一项反复做、做法又因人而异的任务来定制。一项任务如果现成工具已经覆盖得很好，就没有必要为它定制；企业如果连这项任务的做法都还说不清，定制也无从下手，先把做法写下来更要紧。
还有一个常见误会：定制未必是从头开发一套软件。很多情况下，是在合适的平台上完成配置、调试和测试；部署在哪个平台、数据怎样处理，按项目确认。定制的价值在于企业的做法被整理和固定下来，而不在于代码是不是从头写。
一次定制交付，企业应当拿到五样东西
远恒AI的单个AI智能体定制，主要交付方向是下面五项。签约前可以逐项问清：每一项最后以什么形式交到企业手里。
- 任务与使用角色梳理：写清这项任务什么时候触发、谁在用、输入什么、产出交给谁、谁判断对错。交付后企业应当看到一份说得清边界的任务说明，哪些情况不归这个智能体处理，也写在里面。
- 企业知识、术语和规则整理：把这项任务依据的现行资料、内部叫法、不能说的话和好坏样例整理出来。整理中发现的版本冲突、无人负责的资料，应当作为问题交回企业确认，而不是让AI自行补齐。
- 工作流程与关键检查点设计：把任务拆成步骤，标出资料不足时在哪里追问、出现例外时在哪里停下、哪些产出必须交人确认。哪些判断应当留给人，可参考企业把工作交给AI智能体时必须留给人的判断。
- 智能体配置、调试和测试：用企业的真实样例反复跑，记录错在哪里、改了什么。企业拿到的不只是能用的智能体，也应当看到测试用了哪些样例、哪些问题已经修正、哪些仍需人工把关。
- 使用说明、交接和必要培训：使用者知道在哪里用、怎样提交输入、结果怎样核对；企业内部维护人知道资料变了怎样更新、出错报给谁。
这五项背后对应任务、知识、流程和审核四层定义，详见企业智能体定制真正该定制的是什么。
具体范围、周期、部署平台、维护方式和数据处理要求按项目确认，签约前应当写进方案。AI需要用账号或接口实时读取、写入OA、CRM、ERP等业务系统的数据，或一件事要跨几个系统才能办完时，已超出单个智能体定制的范围；只通过报表、导出文件取数、产出交人确认后再录入的，仍可以在单个智能体里完成。多组织、系统对接、私有化部署及专项服务保障等复杂需求，可根据项目组织联合评估与交付。
企业要准备的，主要是人
定制交付里，不少答案只有企业能给。至少要有下面四样到位：
- 示范人：这项工作在公司里做得最好、愿意讲出做法的人。智能体学的是他的做法；他讲不出来，配置就只能靠猜。
- 验收人：能直接判断结果对不对的人，通常是这项任务产出的接收人或主管。他要在配置前参与定下通过标准，在测试中逐条判断对错。
- 真实样例：过去实际发生过的输入，以及企业认可的输出。只有输入、没有认可的输出，就无法判断智能体做得好不好。
- 内部维护人：上线后资料变了由谁更新、使用反馈由谁收集。
还是用量体裁衣来说：布料和手艺可以由服务方出，量尺寸的时候本人得在场。企业只提需求、不出人，做出来的东西很可能只是一个套了公司名字的通用AI。
如果准备过程中发现好几个岗位要用同一批资料，或者不同部门需要分开空间和权限，单个智能体可能不是合适的起点，可以考虑企业AI工作站；工作站上线前怎样准备，见企业AI工作站上线前的三张清单。
上线前怎样验收：标准先定，样例留一部分不给调试用
只看一次演示做不了验收。演示用的输入往往是挑过的，第一条输出好看，不代表第二十条也对。远恒AI建议按下面的顺序验收，关键是标准和样例在配置之前就定下来。
- 配置前，由验收人选定验收样例。从过去的真实工作里取，覆盖三类情况：最常见的情况；不常见但确实会发生的情况；资料不足、超出范围、本该停下或转人工的情况。第三类最容易被漏掉，却最能看出智能体会不会编造。
- 配置前，由验收人写下通过标准。写清什么算对，什么算需要小改但可以接受，什么一旦出现就不通过，例如编造企业没有的事实、替企业作出未经授权的承诺、把只限内部的资料写进对外内容。
- 留出一部分样例不参与调试。调试时围绕同一批样例反复改规则，配置容易只对这批样例有效；最后用一批调试中没见过的样例验收，结果才接近上线后的真实表现。智能体需要长时间自主运行、根据评分反复迭代时，验收还要更严，见AI智能体自主试错后企业怎样做评测与监督。
- 换一个人只看使用说明来用。由示范人以外的使用者独立操作，能看出使用说明是否写清楚，智能体离开示范人是否还用得顺。
- 演练一次更新。建议交接时让企业的内部维护人按交接说明亲手改一条规则或换一份资料，再跑一遍相关样例复测一次，看智能体是否按新规则输出。这一步能看出交付之后企业能不能自己接得住。
验收没通过时，先看问题集中在哪里，再决定怎么改：
- 集中在某几份资料：资料版本或适用条件没理清，补齐资料后复测，不必重做流程；
- 集中在某一类情况：通常是流程里缺了检查点或转人工条件，补上规则后用同类样例复测；
- 验收人自己也说不清对错：问题不在智能体，而在任务标准本身没定。应当回到任务定义，必要时承认这项任务暂时不适合交给智能体。
下一步：带一项任务来判断
判断要不要定制，不需要先想清楚技术。带上三样东西就能开始：一份这项任务的真实输入，一份企业认可的输出，以及能判断对错的那个人。三样里有一样拿不出来，比如找不到一份认可的输出、没有人能判断对错，往往说明这项任务该先把做法定下来，再谈定制。
可以先了解AI智能体与企业AI工作站服务，或直接预约方案沟通。
