AI Agent现状：为何企业落地AI应用这么难

本文旨在探讨一个关键问题：为何在企业AI应用场景中，大模型应用在用户眼中显得乏善可陈，以至于未能激发出足够的实施意愿。简要来说，当前大多数文本相关应用所提供的智能增值不足，用户需要至少100次以96%准确率进行的LLM调用，或者是具备领域知识的工作流/专家知识才能满足需求。

1. 沟通的启示：与“陌生人”的交流

为了更好地理解这一问题，我们可以借鉴人与陌生人之间的沟通方式，这与用户与智能体（Agent）的互动存在相似之处。

当我们与陌生人进行沟通时，若能获得良好的交流体验，往往愿意在未来继续沟通。这种情况可以归纳为以下几种：

• 情绪价值：对方提供了良好的情感交流，尽管这可能并非出于刻意。

• 信息传递：对方提供了必要的信息，满足了自己的需求。

• 领域专业知识：对方是一位专家，通过其经验解决了特定问题，或教会了自己解决思路。

• 灵活应变：对方虽然不是专家，但思维敏捷，能根据对话内容灵活调整思路，提供创新的解决方案。

在以上情况中，情绪价值并不是企业应用场景的核心目标，而信息传递可以视为智能搜索的范畴。因此，剩下的两点可以从技术实现的角度进行分析：

• 经验与工作流：对方具备与用户面临的问题相匹配的经验或工作流，能大概率解决用户的疑虑。

• 非实时创新：对方的解决方案并非即时产生，而是基于以往经验的组合和调整，应用这些工作流的成本并不复杂。

简而言之，用户所需的核心价值在于对方之前已经持有的工作流，这些工作流可以有效地解决当前问题，而无需复杂的推理过程。

目前的智能检索便是一个简单的例子，通过一次请求，LLM和其他模型并行处理大量信息，过滤并交付结果。在需要多步推理和决策的场景中，AI能够基于现状探索多种方案，并选择出最佳方案呈现给用户。

类似于AI下棋，AI会基于当前局面探索未来的可能性，并选择相对优越的行动方案。尽管AI未必存储当前局面的最佳工作流，但通过大量的探索，它能够提供相对合理的方案。

在问题解决方面，Agent也能通过内部尝试各种方案，最终给出一个较高可靠性的结果。此时，Agent需要进行大量的知识型工作，包括推理与信息处理。

总之，可以归结为以下两点：

1. 预置专家知识的工作流，直接调用即可有效解决问题。

2. 通过大量计算（知识工作）为当前问题提供优越的解决方案。

2. 中基层管理者的信任障碍

在推进AI应用的过程中，中基层管理者往往是某一领域的业务尖兵，他们凭借丰富的经验和教训，在决策中更倾向于依赖自身的判断，而对AI的信任度较低。这种现象使得他们在接受新技术时显得格外谨慎，甚至产生抵触情绪。

这一信任障碍在企业中常常成为推动AI落地的障碍。中基层管理者不仅对AI的潜力持怀疑态度，而且在面对变化时，往往难以适应。这使得企业在推进AI应用时，需要付出额外的努力来改变他们的看法，克服这些心理障碍。

3. 专家知识的提取

从解决问题的直接角度来看，提取专家知识或工作流是实现目标的最直接方法。许多专家知识的解决方案在执行时并不需要高复杂度的大模型推理。独立求解一个问题较为困难，但“抄答案”的思路却相对容易。

尽管许多人认识到提取专家知识的重要性，但现实却很骨感。当前，“专家知识提取过程”的高成本已成为共识。

造成这一现象的主要原因包括：

• 专家的意愿：许多领域专家并不愿意真心传授知识，存在“教会徒弟饿死师傅”的顾虑。

• 传授成本：领域专家往往不擅长知识传授，或在与知识工作流构建者之间存在认知差异，导致沟通成本高。此外，专家的时间往往有限，且成本较高。

• 知识输出形式：专家的输出形式往往不是文字或可量化的，这使得建模与学习变得困难。例如，涉及动作、绘画、气味等模糊感知的知识更难以提取。

• 新流程构建：领域专家仅能传授已有流程，而如何依托新方案构建合适的新流程需要跨界能力，增加了人力成本。

• 技术局限：当前技术尚未能满足原有流程的需求，尤其是在重新设计流程时，尚未出现有效的解决方案。

综上所述，“将领域专家的知识从其大脑中提取并固化为可执行的工作流”依然是一项难以自动化的任务，且难以在低成本水平上实现规模扩展。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓