企业级AI Agent与普通AI助手的区别到底在哪里

最近 刷到一则新闻 ,金智维和腾讯 WorkBuddy 在金融行业的 AI Agent 应用上展开合作。据介绍,双方把 WorkBuddy 的智能交互和任务规划能力,与金智维在金融专业知识、业务规则和自动化执行上的积累放在一起,想看看 AI 在金融业务里能怎么用起来。

目前双方围绕证券行业的投研分析、资产管理、交易管理和日常运营,做出了六个典型业务场景的联合方案。另外还推出了一级股权行研专家技能,把金融行业已有的研究方法做成智能体可以直接调用的能力。

从合作内容看,这次并不只是给 AI 多开了一个入口,而是想把从理解用户需求、规划任务,到调用专业技能、执行实际业务流程的整个过程接起来。

这让人想到了一个 企业用 AI Agent 时 无法 绕不开的问题 : 智能体 发展得这么快,已经 能听懂意图、拆分任务 和 调用工具, 但在企业中完成工作任务时,仍然需要补充 专业知识和自动化执行 能力 ?

 

 

 

 

一、为什么 AI Agent 在企业中完成工作任务时, 还 要补充 专业知识和 业务规则?

通用大模型理解信息、生成内容的能力不弱,但企业的业务不是把问题丢给模型,等它回一个答案就行。

不同行业有各自的专业知识、业务规则和做事方法。同一件事,换一个岗位或者换一家机构,做法也可能不一样。

比如金融从业人员做一级股权投资研究,不只是搜一搜企业信息、总结一下行业动态,还要站在投资的角度判断研究方向,把行业规模、产业链、竞争格局、商业模式和可能的风险一项一项理清楚。

如果只给通用 AI 一句简单的指令让它出报告,结果看上去可能很完整,但不一定符合专业研究的要求。研究框架合不合理,有没有漏掉关键的方面,结论有没有足够的信息支撑,这些都得靠专业知识和业务经验来把关。

所以企业用 AI Agent ,第一件要解决的事,是让行业经验真正用到智能体干活的过程里。

一个可行的办法,是把专业知识、业务规则和成熟的工作方法整理成标准的技能,智能体遇到具体任务时直接调用,不用每次都从头理解、从头组织。

金智维和腾讯 WorkBuddy 推出的一级股权行研专家技能,就是一个例子。

据双方披露,这项技能把金智维积累的金融专业知识、业务规则和场景经验,做成了可以调用的专家技能。金融从业者在 WorkBuddy 这个统一的 AI 办公入口里,只要输入拟投资标的的主营业务,智能体就会从投资的角度分析行业检索关键词,并确定研究方向。

在研究内容的安排上,这项技能按八个方面展开,包括行业概况、市场规模、政策监管、产业链、竞争格局、商业模式与财务特征、行业壁垒,以及发展趋势与风险。

这类能力的意思,不只是让 AI 多写一份研究报告,而是把原来靠专业人员经验的研究方法,变成智能体可以调用的工作技能。

对企业来说, AI Agent 能不能听懂行业的话当然重要,能不能按专业的方法做事,同样关系到它到底有没有用。

 

二、 有了 AI Agent ,为什么还需要 RPA ?

专业知识解决的是智能体该怎么看待和处理业务,接下来还有另一个问题,就是怎么把任务真正做完。

企业里的业务通常不是一个孤立的操作,而是由很多步骤连起来的一整套流程。比如资本市场舆情监测,要收集财经资讯,整理行情信息,筛选相关内容,再生成专题报告。监管公告巡检,则要获取公告、识别内容、做日常核查。

这些任务里,有需要 AI 去理解和判断的部分,也有不少规则明确、重复很多的操作。

如果每一步都让大模型临时规划、临时写脚本再执行,一方面可能要反复调试,成本会增加,另一方面执行起来也容易不稳定。在金融机构里,系统访问权限、数据安全、操作留痕和人工审核,都是实际用起来必须考虑的事。 因此, 从理解任务到做完任务,还要有靠得住的执行 。

这也是 RPA 和企业自动化技术到现在 必不可少的 原因。

传统 RPA 擅长做规则明确、流程比较固定的操作,比如登录系统、提取数据、录入信息、处理文件、在不同系统之间传数据。经过验证的自动化流程和执行组件,可以把成熟的业务操作固定下来,在类似的任务里反复调用。

AI Agent 则可以做任务理解、信息分析、灵活判断和流程协调这类事。

两者合在一起以后,就不再是单靠模型临时生成每一步操作,而是让智能体按任务需要,去调用已有的业务流程和执行能力。

比如 AI Agent 接到一项舆情监测任务,可以先弄清用户的要求和监测的方向,再调用自动化流程去采集和整理信息,然后对采集到的内容做分析,最后生成报告。

这样分工,并不是让 RPA 取代 AI Agent ,也不是让 AI Agent 取代原来的自动化系统,而是让不同的技术做各自更合适的事。

在金智维和腾讯 WorkBuddy 的合作里,这种分工说得比较清楚。 WorkBuddy 负责智能交互、理解用户意图和规划业务任务,金智维则用金融行业知识、成熟的自动化流程和执行组件,把规划好的任务变成实际的业务操作。

双方想接通的,就是从自然语言指令到业务操作,再到结果交付的整个过程。

 

 

 

三、企业级 AI Agent 有没有价值,要看能不能 复用

对企业来说,一个任务能完成,不等于 AI 已经真正用进了组织里。

如果每个部门都要重新配工具、设计流程、整理业务规则,智能体的使用就容易停在零散的个人尝试上。企业更希望把已经验证过的专业技能和业务流程留下来,让不同岗位在授权的范围内重复使用。

还是回到 金智维和腾讯 WorkBuddy 在证券行业的合作, 其中 已经涉及投研与资管、交易管理及日常运营等多个环节,形成了六个典型业务场景。

在投研与资管方面,有一级股权行研报告、另类投资项目舆情监测和资本舆情监测。在交易管理和日常运营方面,有交易所及监管公告日常巡检、证券行业投标文档比对,以及每日股票预警文件自动生成。

这些场景有个共同点,就是既要处理大量信息,又涉及专业规则和重复性操作。把相应的知识、流程和执行能力整理成可以反复用的场景资料,每次做任务时的重复配置就能少一些,智能体以后进到更多岗位,也有了基础。

双方披露了一组资本舆情监测的对比测试,可以从中看看执行效率的情况。

同一个任务下,只用 WorkBuddy 的方案耗时约 11 分 08 秒,加上金智维的自动化执行能力后,耗时约 3 分 34 秒,执行时间缩短约 68% 。 Token 消耗从约 6517K 降到约 72K ,约为原方案的 1/90 。

如果 只用 WorkBuddy 的方案 , 需要临时生成脚本并调试,而结合后的方案可以直接调用成熟的自动化流程和执行组件,少了重复摸索和调试带来的额外消耗。

需要说明的是,这组数据来自某一个资本舆情监测任务的对比测试,不能直接当成所有业务场景的提升幅度。不过它也说明了一点,智能体如果能复用已有的业务流程和执行组件,就有机会少做一些不必要的重复操作,让模型的能力更多用在真正需要理解和判断的地方。

除了具体场景,双方也在找更方便企业使用和推广的交付方式。据披露,双方做了 WorkBuddy ·金智维专区,把金融专业知识、成熟的业务技能和自动化执行能力放进 WorkBuddy 的应用生态里,同时提供连接器和独立应用等合作方式,金融机构可以按自己的系统环境和业务需要来推进。

对金融机构来说,技术能不能用起来,还要看安全和合规方面的安排。据双方的合作方案介绍,里面提到了在客户环境内执行、沿用原有的权限体系管理、关键操作由人工确认,以及执行过程留痕,让智能体在授权和监督下做事。

从专家技能到具体业务场景,再到专区交付,背后是同一个思路,就是把分散在专业人员和业务系统里的知识、规则和执行流程,一步一步整理成智能体可以调用、可以反复使用的能力。

 

结语

AI Agent 的发展,正在从能回答问题、能调用工具,走向能承担实际工作。

不过企业要的,并不是一个只会规划任务的智能体。企业级 AI Agent 要用起来,不 仅仅需要更强的模型 ,也需要把专业知识、业务流程和自动化执行重新配合好。

金智维和腾讯 WorkBuddy 的合作,就是在金融行业试这条路 , 让通用智能体能调用专业技能和成熟的业务流程,让 AI 从个人办公的帮手,慢慢走到企业里大家都能用的生产工具。

往后看,真正能在企业里长期有用的 AI Agent , 肯定 不 会 是最 能 聊的那个,而是能 理解 业务、把 活干好 ,并且把有效的经验留下来反复用的那个。

 

 

 


请使用浏览器的分享功能分享到微信等