企业在做AI或者选型 AI 相关应用时，最常问的问题是：“这个模型够不够强？”“那个 Agent 平台靠不靠谱？”“要不要上知识库？”“要不要做智能体？”

这些问题都重要，但它们不是第一个问题。

第一个问题应该是：这件事到底属于什么类型的任务？

我见过不少企业，花了不少预算部署 Agent 平台，最后却把金额审批、权限判断、付款控制这类本该写死的规则扔给大模型，让模型来判断“这笔款能不能付”。结果业务部门发现，模型有时说可以，有时说不可以，有时解释半天也说不清依据。技术团队开始调提示词，业务部门开始怀疑系统，管理层开始质疑 AI 到底靠不靠谱。

这不是提示词问题，也不是模型参数问题，而是任务分类从一开始就做错了。

企业 AI 落地之前，先不要急着选工具。要先把任务拆开，判断它到底属于三类中的哪一类：不确定的问题、可复用的方法，还是不能出错的规则。

一、不确定的问题，用 Agent

第一类任务，是不确定的问题。

这类任务没有标准答案，需要理解上下文，需要拆解问题，需要调用多个能力，还需要根据不同情况形成判断。

比如，分析一份合同里的潜在风险。它不是简单查重，也不是提取条款，而是要理解条款含义、上下文关系、履约影响、付款风险、违约责任和业务场景。再比如，企业经营分析里看到毛利率下降，不能只说“毛利率下降了”，还要继续追问：是价格下降、成本上升、产品结构变化、渠道变化，还是行业周期影响？

这些问题没有一个固定公式可以套。它们需要判断。

Agent 适合处理这类任务。它的价值不是“稳定输出同一句话”，而是能够理解任务、拆解问题、调用工具、检索资料、组织推理，并给出有依据的判断。

但这里要加一句：Agent 可以处理不确定问题，不代表可以不受约束。企业级 Agent 必须有清晰边界。它能读哪些资料，能调用哪些工具，能生成什么建议，哪些动作必须人工确认，都要设计清楚。

所以，Agent 的核心价值不是“什么都能做”，而是在复杂任务里帮企业把问题想清楚。

二、可复用的方法，用 Skill

第二类任务，是可复用的方法。

这类任务有相对稳定的方法论，会在不同项目、不同部门、不同场景里反复出现。它不是纯规则，也不是一次性对话，而是一套可以沉淀的专业能力。

比如企业研究。你不会每次都从零开始问模型“帮我分析这家公司”。真正专业的企业研究，应该有固定步骤：先建立研究上下文，再看行业位置，再抽取事实和指标，再做财务诊断、经营诊断、战略判断，最后生成报告和图表。

再比如供应商准入评估。它不是让模型自由发挥，也不是只看一个字段，而是要结合资质、财务状况、履约记录、合规记录、质量表现、合作历史、风险事件等多维信息。这里面有一部分需要系统规则强制校验，也有一部分需要专业方法进行综合判断。

这类稳定方法，适合封装成 Skill。

Skill 不是一段提示词。一个真正有价值的 Skill，应该包含适用场景、输入要求、执行步骤、评估标准、案例库、质量控制、输出格式和必要脚本。它可以被复用，可以被迭代，也可以被团队共同维护。

很多企业现在的问题，是把专家经验停留在人的脑子里，把 AI 能力停留在提示词里。结果每次换一个人、换一个项目、换一个场景，质量就不稳定。

Skill 的价值，是把个人经验变成组织能力，把临时生成变成可复用资产。

三、不能出错的规则，用程序

第三类任务，是不能出错的规则。

这类任务的核心不是“智能”，而是稳定、准确、可审计。尤其是涉及金额、权限、合同、审批、责任和正式数据变更的场景，不能依赖模型临场判断。

比如：

采购金额超过 50 万必须走集团审批；

供应商在黑名单里不得下单；

付款金额不能超过合同未付金额；

发票金额不能超过未开票余额；

某个岗位只能查看本部门数据；

经营指标必须按统一口径计算。

这些事情不需要模型“思考”，需要系统准确执行。

大模型可以辅助审核、生成说明、解释异常、提示风险，但最终的执行逻辑必须走确定的代码路径。规则在哪里，权限在哪里，审批链在哪里，日志在哪里，都要清清楚楚。

企业级 AI 最危险的误区之一，就是把本该程序化的控制点交给模型。模型可以给建议，但不能替代预算控制、权限控制、审批控制和合规控制。

这不是保守，而是企业系统的基本底线。

四、真正的问题，是企业经常把三类任务混在一起

很多 AI 项目启动时，目标都很大：要做智能审批、智能采购、智能经营分析、智能知识库、智能项目管理。听起来每个场景都可以做 AI，但真正落地时，经常出现两种结果。

一种是模型输出没人敢用。因为它参与了高风险动作，却没有责任边界和规则兜底。

另一种是提示词越写越长。业务规则、专业方法、格式要求、异常处理、角色设定、输出模板全塞进一个提示词里，最后变成一段没人敢改、没人能维护的“祖传咒语”。

根源都一样：没有在项目启动前做任务分类。

企业应该先把所有 AI 场景列出来，逐个判断：

这是不是一个不确定问题？

它是否需要上下文理解、任务拆解和动态判断？

它是不是一个会反复出现的方法？

它能不能沉淀成 Skill？

它是否涉及金额、权限、审批、合同、责任和正式数据？

它出错后谁负责？

它最终是生成建议，还是要触发系统动作？

这些问题问清楚了，工具选型才有意义。

五、一个简单的决策框架

下次你在讨论企业 AI 落地，可以先问三个问题。

第一个问题：这件事是否允许结论存在一定弹性？

如果是经营分析、风险研判、客户需求诊断、企业研究、会议纪要分析，这类任务通常没有唯一答案，适合用 Agent 辅助判断。但如果是税款计算、正式凭证、预算扣减、付款控制、权限校验，就不能交给 Agent 自由发挥。

第二个问题：这件事会不会反复出现？

如果只是一次性任务，对话就够了。如果同一类任务会不断出现，比如每周生成经营分析报告、每次项目启动都做需求诊断、每次供应商准入都要做评估，那就值得封装成 Skill。因为它已经不是一次生成，而是组织能力的沉淀。

第三个问题：这件事出错后，谁负责？

如果 AI 只是提供参考，最终由业务负责人判断，那可以让模型参与分析。但如果 AI 的结果会直接触发审批、付款、准入、合同确认、主数据变更，就必须有程序规则和人工确认机制。不能让模型成为责任链里的黑箱。

这三个问题问完，大多数场景的技术路径就清楚了。

六、工具选型要跟着任务性质走

企业做 AI，最不该做的是先选平台，再把所有场景往平台里塞。

正确顺序应该是：

先盘点场景；

再判断任务性质；

再区分 Agent、Skill 和程序规则；

然后才是选择模型、平台、工作流、知识库和系统集成方式。

如果分类做好了，工具选型就是顺水推舟的事。分类做不好，工具越贵，浪费越大。

有些场景从一开始就该走规则引擎，有些场景适合沉淀成 Skill，有些场景才真正需要 Agent。三者混在一起，AI 项目就会越来越复杂；三者分清楚，AI 才能进入企业真实业务。

七、三句话记住这件事

不确定的问题，用 Agent。

可复用的方法，用 Skill。

不能出错的规则，用程序。

这不是技术选型的小技巧，而是企业 AI 落地的基本功。

企业真正要做的，不是把所有流程都“智能化”，而是先分清哪些地方需要判断，哪些地方需要沉淀能力，哪些地方必须保持确定性执行。

AI 只有放在正确的位置，才会从一个新工具，变成企业真正可用、可信、可持续的生产力。