深圳近期在人工智能立法上的动作，让不少企业主意识到一件事：AI 已经不再只是技术圈的谈资，而是正在被纳入产业政策和监管框架的“正经生意”。当一座城市愿意为某个产业专门立规矩，通常意味着两件事——这个产业已经大到不能被忽视，同时它也即将从野蛮生长进入有章可循的阶段。对于正在观望要不要把 AI 引入业务的企业来说，这恰恰是最值得下场的窗口期。
一、政策信号背后：AI 竞争从“模型参数”转向“落地能力”
过去两年，行业讨论的焦点几乎都集中在大模型本身：参数规模、训练成本、榜单排名。但进入新一轮周期后，一个明显的转变正在发生——模型能力逐渐变成水电煤式的公共基础设施，真正拉开企业差距的，是谁能把它接进自己的业务流程里。
这意味着评价标准变了。企业不再问“你用的是什么模型”，而是问“你的客服响应时间缩短了多少”“你的订单处理环节少了几个”“你的内容生产成本降了几成”。AI 的价值不再由技术指标定义，而是由业务指标定义。
二、通用大模型为什么解决不了你的具体问题
很多企业第一次尝试 AI，都是直接开一个通用大模型的对话框，然后把公司的问题丢进去。结果往往是：回答看起来很流畅，但落到业务上全是错的。原因并不复杂。
- 它不知道你的产品。通用模型没有读过你的产品手册、报价体系、售后政策。
- 它不知道你的上下文。同一个问题，在不同客户、不同订单状态下答案完全不同。
- 它不敢为结果负责。模型会自信地编造不存在的信息，这在客服、法务、医疗等场景是致命的。
换句话说，通用大模型提供的是语言能力，而企业需要的是业务能力。这中间隔着一整套工程化的工作——而这正是 RAG 与 AI Agent 出场的理由。
三、RAG：给大模型装上一本企业自己的说明书
RAG（检索增强生成）的核心思路并不复杂：在模型回答之前，先从企业自己的知识库里检索出最相关的片段，再把片段连同问题一起交给模型生成答案。这样模型输出的内容就有了出处，而不是凭记忆瞎编。
但真正做过项目的人都知道，RAG 的难点从来不在检索这个动作，而在细节。
坑一：文档切分方式决定天花板
把一份几十页的 PDF 直接按字数切成小块，检索出来的片段往往断章取义。更合理的做法是按语义结构切分——按章节、按问答对、按表格行，并保留必要的标题层级信息，让每个片段都能独立成义。
坑二：只做向量检索是不够的
纯向量检索擅长语义相近，但对编号、型号、专有名词这类精确匹配并不敏感。实际工程中通常需要向量与关键词的混合检索，再叠加一层重排序模型，才能把准确率提上来。很多项目上线后效果不佳，问题就出在这一层被省略了。
坑三：知识库需要活着
产品更新了、政策调整了、价格变了，知识库如果不同步更新，AI 就会一本正经地给出过期答案。因此知识库的增量更新、版本管理与权限隔离，必须在一开始就设计进去，而不是等出问题再补。
四、AI Agent：从会回答到会办事
如果说 RAG 解决的是知道什么，那么 AI Agent 解决的是能做什么。Agent 的本质是让模型具备规划、调用工具、观察结果、继续行动的能力——它可以查订单、开票据、发邮件、更新客户资料、触发审批流。
典型的企业级场景包括：
- 智能客服升级版：不仅回答退货政策是什么，还能直接帮客户发起退货流程、生成退货单号、同步物流状态。
- 销售线索助理：自动抓取线索信息、判断意向等级、生成个性化跟进话术，并写入客户管理系统。
- 内部知识助理：跨系统查询人事、财务、项目文档，员工用自然语言提问即可拿到答案。
- 运营自动化：持续监控数据异常，发现问题后自动生成分析报告并推送给负责人。
值得强调的是，Agent 的可靠性来自约束而非自由。给模型开放的工具越多、权限越大，出错的风险也越高。成熟的做法是：限定工具集、加入人工确认节点、对高风险操作设置白名单、完整记录每一步调用日志。宁可少做一步，也不要让一个错误动作不可逆地写进业务系统。
五、企业落地 AI 的四个阶段
不是所有企业都需要一步到位。根据大量项目实践，落地路径大致可以分为四步：
- 第一阶段：知识问答。把散落在文档、网页、内部系统里的知识整合成可检索的知识库，先解决找人问问题的效率问题。
- 第二阶段：流程嵌入。让 AI 出现在具体业务流程的节点上，比如客服工单自动分类、合同要点自动提取、工单自动分派。
- 第三阶段：Agent 执行。赋予 AI 调用系统接口的能力，让它可以真正动手完成闭环任务。
- 第四阶段：数据反哺。把 AI 使用过程中产生的交互数据沉淀下来，用于优化知识库、调整提示策略、改进流程设计。
大多数企业卡在第二阶段到第三阶段之间，原因往往不是模型不行，而是缺少稳定的系统集成能力和清晰的数据治理规范。模型可以随时替换，但接口、权限、日志、审计这些工程底座，才是决定 AI 能不能规模化的关键。
六、技术选型：自建、采购还是合作开发
这是每个决策者都要面对的问题。简单来说：
- 如果 AI 只是内部提效工具，可以直接选用成熟的 SaaS 产品，成本低、上线快。
- 如果 AI 要嵌入核心业务系统、涉及客户数据和企业特有流程，就需要定制开发，因为通用产品很难适配你的业务逻辑。
- 如果企业自身没有 AI 工程团队，找有系统集成经验的开发伙伴，通常比自己从零搭团队快得多，也更省钱。
这也是为什么越来越多企业开始把目光投向具备全栈能力的开发服务商。以微商派（vsppt）为例，其服务覆盖深圳网站建设、惠州网站开发、小程序开发、APP开发、系统定制以及 AI Agent 开发，能够在同一个技术栈内完成前端触点、业务系统与 AI 能力的打通。对于需要把智能客服接到小程序、把 Agent 接到内部管理系统、把知识库接到官网的企业来说，这种一体化交付能显著降低对接成本和后期维护难度，避免出现前端一家做、后端一家做、AI 又一家做，最后谁都不负责接口联调的尴尬局面。
七、合规不是成本，而是护城河
回到开头的政策话题。当 AI 产业开始被纳入法规框架，企业需要提前想清楚几件事：训练和推理过程中使用的数据来源是否合法？用户对话数据如何存储、脱敏和留存？AI 生成内容的标识义务如何履行？自动化决策是否需要提供人工复核通道？
在监管尚在成型的阶段，主动把合规做进产品设计的企业，反而更容易在后续的行业洗牌中活下来。用户对 AI 的信任是稀缺资源，而信任的建立，靠的正是透明、可追溯、可解释的系统设计。合规不是给创新踩刹车，而是给规模化铺路。
结语
AI 的竞争已经进入下半场。上半场比的是谁的模型更聪明，下半场比的是谁能把这份聪明稳稳地装进业务流程里。RAG 决定了 AI 说的话对不对，Agent 决定了 AI 做的事成不成，而系统集成能力决定了这两件事能不能真正跑在企业现有的技术底座上。
对于还在观望的企业，建议是：不要等完美方案，从一个小场景开始，把知识库搭起来，把第一个 Agent 跑通，让业务团队先用起来。真正的经验，只能在做中学。