我研究AI代理已经有一段时间了，每次深入探索时，我最终都会有同样的感觉：这些东西在受控的演示中看起来令人印象深刻，但当你试图将它们应用到实际工作流程中时，它们就会崩溃。
我发现的大多数关于如何创建AI代理的教程要么是玩具示例（总结这个PDF，回答关于CSV的问题），要么是过于抽象，以至于我无法弄清楚如何将它们映射到实际的业务流程中。我的团队处理一个相当复杂的销售运营工作流程，数据分布在CRM、几个内部工具和一些从未被正式记录的手动交接步骤中。一个能够处理其中哪怕一部分工作的代理的想法很有吸引力，但我真心怀疑这项技术是否已经成熟，除了资金充足的企业试点项目之外。
有没有人实际部署过在生产环境中运行的东西，而不仅仅是存在于笔记本中的概念验证？我想要具体信息：你使用了什么工具或平台，它实际接管了什么工作流程，以及它在哪些地方让你失望或出现问题。我不是在寻找炒作，我在寻找那些经历过挫折并能告诉我什么是真实情况的人。
2
11
嗯，实际上我已经为客户在生产环境中部署了几个这样的系统，诚实的答案是，演示与实际工作流程之间的差距几乎完全在于数据可靠性和决策边界，而不是AI本身。
演示之所以有效，是因为一切都很干净且范围明确。你的销售运营工作流程有混乱的CRM数据、未记录的交接以及没人记录过的边缘情况。代理遇到其中一个问题，要么会幻觉出一个前进路径，要么直接停止。两者都不好。
对我们实际有效的方法是，从一个交接步骤开始，最烦人的那一个，就是有人手动在两个工具之间复制粘贴，或者每周写30次同样的邮件。不要试图自动化整个工作流程。先让那一个部分在生产中可靠运行。这也会迫使你记录逻辑，你的团队可能本来就需要这样做。
关于工具，当客户想要自托管时，我们使用n8n进行编排，并结合OpenAI函数调用和自定义逻辑作为决策层。平台的重要性不如你如何定义代理可以自主决定什么以及需要交回给人类处理。
问题出在哪里：任何需要基于不完整信息进行判断的情况。如果CRM记录缺少字段，或者两个工具有冲突的数据，代理会自信地做错事，除非你明确处理了这种情况。而且你无法预先处理所有情况，所以你会遇到生产中的失败。这就是现实。
在开始构建之前，我会问你的团队一个问题：你能写下新员工完成这个任务所需遵循的确切规则吗？如果答案是否定的，那么代理还不是你的问题，流程才是。