要让你企业的AIAgent真正懂业务,中间到底有几层要做

PART 01

概述

AI Agent在社会上如火如荼前后已经一年多了，即使是企业的非技术人员用coze,dify,claude,codex,workbuddy等这些桌面AI产品也能很快的做出Agent。但是这些随手做出来的Agent真的有用吗？实话说有用的不到一成，真正能为企业解决业务的问题更是少之又少，这到底是为什么？关键就在：你的Agent根本就不懂业务，做出来的只是一个表象，花架子，或者叫Demo。那么如何做处一个真正懂企业业务的Agent，中间到底要做那几层，就是本文介绍的重点。

PART 02

让Agent离懂业务有七层

很多人可能认为企业AI就是用一个大模型对接几个工具或API，然后能回答你的问题就可以，至于对错或准确率有多高都怪到AI本身的不确定性上。但真正做企业AI的时候你会发现事情往往没有这么简单。因为人说话它是模糊的，企业的数据又是分散的，业务规则往往又比较复杂，而且要执行的动作可能还涉及到权限或审批。所以一个真正能够落地的企业Agent，它背后不是一个简单的聊天框而是一套分层系统。我们可以把它拆成七层：

1. 第一层：语义层
2. 第二层：本体层
3. 第三层：数据层
4. 第四层：规则层
5. 第五层：服务层
6. 第六层：编排层
7. 第七层：Agent层

介绍一下：

第一层：语义层语义层它要做的事情就是理解用户到底在说什么。比如一个用户说帮我看一下这个销售订单有没有什么风险，那这里面有这么几个问题：他说的销售订单是不是指订单，他说的出库订单是不是也可能是订单，他如果再换个说法这个客户的单子他是不是也还是这个订单。所以不同人对同一个东西它的叫法可能都不一样。那销售产生的订单叫销售订单，仓库叫出库单订单，交付则叫交接单，客服又可能叫客户订单。所以第一层要做的事情就是把这些语义要统一起来。也就是说把用户自然语言当中用到的这些词映射到一个统一的业务对象上面。比如说不管你是叫销售订单也好，客户订单也好，交接单也好，我统统都把它映射到一个订单的业务对象上。这就是语义层的作用：把人说的话翻译成系统能够理解的业务实体。没有这一层，Agent可能连你问的是什么对象都搞不清楚，那就不要提后面的业务动作了。

第二层：本体层本体层它要做的事情是让AI知道业务世界里面到底有什么。那当语义层知道我们说的是订单之后，接下来它还要知道订单在企业业务里面到底是什么，它有哪些属性，和其它对象间有哪些关系，有哪些状态，能执行哪些动作。这就是本体层。其实就包含这五类：

• 第一类：就是实体，它的业务实体，比如说有出库仓库，客户信息，订单明细商品 等实体。

• 第二类：它有哪些属性，比如说订单里有订单金额，有交付日期，交接人，电话 等等.

• 第三类：关系，比如说客户产生订单，订单关联任务，任务包含明细，负责人等等。

• 第四类：就是状态，比如说订单是否发货，是否送达，是否逾期。

• 第五类：是动作，比如说订单创建，审批，送达，关单 等。

所以本体层回答的就是业务世界里面有什么，这些东西怎么关联，现在处于什么状态，能做什么。

第三层：数据层数据层就是真实的企业业务数据。因为有了第二层的本体还不够，本体告诉Agent这个订单对象确实是存在的，但真实的订单数据在哪里呢？它可能在CRM里，可能在ERP里，可能在WMS系统里，有可能在OA系统里也有一部分数据。所以这一层要做的是根据本体对象去真实的业务系统里面查询相关系的数据，把这些数据按本体的属性定义把它归总在一起。比如说用户让你查下A01这张出库订单当前出库是否有风险，那么你需要到CRM系统查合同，到MDM系统查基础数据，到OMS系统查订单状态等，这些数据分散在不同的系统中，需要将这些数据统统拿到然后才能对此问题进行回复。所以这里就有一个非常的问题，也是很多企业做AI几乎都会碰到的问题：数据治理。主数据统一性，单据一致性，业务单据关系梳理，以及知识图谱关系清晰 等。说到底，数据层就解决如何快速获取到统一规范的真实业务数据。

第四层：规则层查到数据之后你还不能让大模型自由发挥，因为企业里面的很多判断不能靠感觉。比如项目延期超过七天要不要预警，客户连续两次回款逾期是不是高风险，库存低于安全库存是不是要通知采购。这些都不是由大模型自己来拍脑袋定的，而是由规则层来判断。规则层要解决的就是根据企业的规则判断当前业务状态是否异常。比如说项目延期超过三天并且客户等级是A类就触发高风险预警，如果订单回款逾期超过十五天就提醒财务和销售负责人等等。这都是业务规则。这个很重要，每家企业依据自己管理方法来定义规则层，不能交给AI Agent自己拍脑袋。

第五层：服务层服务层就是把业务能力暴露给Agent。比如说把查询订单，创建订单，查询库存，生成异常报告，等这些业务能力封装成服务，通过API或MCP方式暴露给Agent调用，这样Agent就能获取到企业的真正的业务。需要注意的是Agent是不应该能乱查数据库的，永远只能将你希望它做的事情封装起来交给它。因此在服务层上需要增加权限或参数控制，以及日志记录，这样你才能安心的将业务交给Agent，避免发生不可挽回的风险。

第六层：编排层这一层用于决定任务怎么去执行，类型工作流，即Agent先调用哪个工具，后调用哪个工具。编排层有两种典型的方式。第一种：动态工具调用。比如说让你帮我分析一下最近哪个客户有流失风险，这个问题本身就比较开放，Agent可能自己要决定，是先查客户列表，再查订单记录，再查回款状态，最后再分析风险。那这个过程由Agent自主来决定，你只需要把这些工具扔给他，他自己来决策即可。第二种：就是固定流程。比如说合同审批，客诉处理，这些公司标准化的SOP流程就适合把它写成固定的工作流。当遇这样的问题让Agent严格按照工作流执行即可。

第七层：Agent层它是人用自然语言和Agent协作的层面，也就是我们一般看到的那个聊天框了。它可能是一个聊天窗口，也有可能是一个OpenClaw或者飞书机器人，也可能是我们看到的这种Dify或者Coze搭出来的这种智能助手。反正用户通过它来用自然语言问问题，Agent给返回你需要的结果。同时界面上可能还会出现一些按钮，比如说创建代办，生成报告等等。这才是企业Agent最终被人看到的样子。它不是一个只会聊天的机器人，而是一个能够理解业务，调用工具从业务系统抓取数据，解析结果并反馈出来的业务助手。

PART 03

总结

最后我们简单总结一下，一个企业业务Agent的背后不是一个简单的大模型就完事了，它至少需要有我们上面总结的这几层。语义层理解用户说的是什么，本体层知道业务是什么，数据层能够查询到真实的业务数据，规则层判断当前业务的合理性，服务层提供给AI Agent调用的业务动作，编排层决定怎么去执行先执行什么后执行什么，Agent层用自然语言进行人机交互和结果反馈。所以真正的这种企业的Agent它不是说简单接一个聊天框，而是让Agent在以上的这些层次的系统下，去理解业务，调用服务，抓取数据，并分析反馈结果的过程。你企业的Agent是否做到了这些。