上篇留下了一个判断：数据中台为 AI 提供可信事实与治理边界，AI 为数据中台增加意图理解与任务执行能力。但从判断到落地，中间隔着一条很宽的河。

过去几年，很多企业建成了数据仓库、指标平台、标签平台和数据服务，却仍然遇到一个尴尬场景：经营会上，业务负责人问“华南区复购为什么突然下降”，分析师先确认指标口径...

他说，数字化真正成功的状态，系统里甚至不应该有下载按钮，大家也不应该再依赖各种 IM 工具去沟通业务。

让 Agent 自我纠错，听上去很简单：写完代码，跑测试；失败就读错误信息，改一改，再跑一次；绿色通过后交给人审阅。链路几乎人人都会画：plan -> impl...

你让 Agent 升级遗留服务、补齐测试、检查安全风险。几分钟后，屏幕上出现多个忙碌的子 Agent：有人读代码，有人改依赖，有人跑测试，有人写迁移说明。终端不...

某天下午，交付研发在问题反馈群里贴出一张接口耗时的截图。问题不算紧急，也没有谁要立刻救火。负责这个服务的同事只说了一句：“最近偶尔慢一下，能不能先看看是不是哪条...

几乎所有做 AI 的团队都踩过同一个坑。周五下班前，你用某个 Agent 框架搭出一个能调工具、写代码、查数据库的智能体，本地演示顺得不行。等到周一推上生产，三...

最近在看公司HR人数变化的数据时，结合每天的人效分析简报，两件事放在一起看，感受特别深。

结论：MessageWindow 在极端场景下会浪费窗口（短对话）或超限崩溃（长对话）。

因为现在大家谈AI，往往先谈效率、成本、岗位替代，谈一个人能不能干过去三个人的活，谈企业还能不能再快一点。但我越来越觉得，如果AI最后只是让人做更多的事、回更多...

过去两年，行业讨论 Agent，最常见的问题是：模型够不够聪明？工具调用准不准？上下文窗口够不够长？多 Agent 能不能协作？这些问题当然重要，但它们越来越不...

系统越来越多，功能越来越全，平台也越来越大。但一个很现实的问题是：工具多了，人却没有真正轻松下来。

Memory 是不可信输入，不是系统指令。 被召回不等于真实，更不等于有权改变行为。

我们先讲清了"为什么必须做 Agent 化"，再用一张矩阵判断"哪些场景值得做"，接着用三步拆解教你把业务"翻译"成设计图；然后从内到外，一层层拆解了四层 ru...

ReAct 框架：Think（推理）→ Act（行动）→ Observe（观察）循环

有人谈大模型，有人谈智能体，有人谈数字员工，也有人希望通过 AI 提效、降本、替代一部分重复劳动。

很多企业把IT当服务部门，乔老师不这么看。他说："经营解决今天，管理赢得未来；业务创造价值，IT建设能力。"

最近老板让我做一套销售智能体，希望通过数字化、智能化手段改善当前销售困局。作为技术人，我第一反应当然是拆需求：客户全网挖掘、客户画像、线索分配、跟进辅助、销售漏...

几乎每个做过 Agent 的工程师都经历过同一个魔幻时刻：周五下午，你用 LangChain 拼了个能查数据库、能调工具、还能多轮对话的 Agent，在本地跑得...

企业 AI 化的四层工程体系 · 第 ⑧ 篇 人机接力与连续交付：从"造系统"到"跑业务"