夜雨聆风前阵子有位销售接了个小学老旧小区改造的项目，客户要的是施工损耗小、噪音低、性价比还高的涂料方案。这种活儿放在以前，得翻手册、问技术、写方案、算报价、做标书，一个新人不折腾几周根本拿不准。我们当时想做的事看着简单，就是让 AI 跟着客户需求走，把场景解决方案PPT、报价、标书一次性吐出来，但是落地很复杂。
我们前后花了 2 年，其中一年多扑在数据治理上，一年多才把 Demo 推成真正上线的智能体，150 号人卷在里面，把一个企业 AI 项目从零推到全员在用。回过头看，最值钱的教训就一条，一个 AI 项目里 80% 是数据治理、行业 Know-how 挖取和需求梳理，20% 才是 AI 技术本身。那 80% 才是别人抄不走的护城河。
01 第一个坑，栽在标签上
项目刚启动那会儿，我们想得挺美。销售把客户需求一讲，系统打一串标签，再去库里捞对应的方案。听着干净利落，真落地就翻车。标签只要错一级，后面整条链路跟着全错，准确率只有 40%。我们接着上微调，也只爬到 50%，离能用的门槛还差一截。
后来换了一条道。不让 AI 去背标签，而是让它先把需求读明白，再到方案库里做语义搜索摘要(标签/方案内容/专家经验/性能指标都已经加工成 摘要 入库到向量库 ，可以看产品方案选型助手怎么搭？一套看懂自然语言需求的架构实践 | Harness 工程化落地)，直接甩出最匹配的 TOP 方案。 像医院内墙旧改、要求不停诊、工期紧、还卡成本，这些弯弯绕 AI 自己能连起来。新路子准确率拉到了 94%，而且新方案进库不用重新训练。
AI 不是背标签的机器，是能读业务的助手。想通这一层，准确率才真正上得来。
02 微调的设想很美，现实很骨感
起初我们盘算微调 1.5 个月就能收工。套路也标准，标签化加思维链，拿 100 条样例泛化出 5000 组需求标签对，再抽少量样本复核、跑一两轮微调。
现实花了 3.5 个月。卡点出在大家对标签含义的理解拧不到一块。区域拉了 50 人复核，本部又过一轮，还有 2660 条对不上，一条按 2 分钟修，来回磨了6~7轮。最后我们干脆扔了思维链和标签泛化，改成场景切片、直接问问题。
微调路线采用「需求 → 标签」的直接映射，中间未引入思考链（CoT）环节。这导致模型缺乏对场景切片与产品体系的中间推理，在同义表述跨标签匹配上存在明显短板。 比如 场景切片或者产品体系、产品 标签 打的 是 旧改，但是 需求 说翻新，则匹配不上，如果是语义理解则能匹配上。
顺序得反过来，先让语义匹配端到端跑顺，再视情况去微调需求理解或方案排序。数据工程那笔账，当初严重算少了。
03 80% 的功夫，花在看不见的地方
为什么一耗 2 年、搭进去 150 人。因为真正的重头戏压根不是模型。
数据治理这块，我们拢了 92 种素材，150 人前后折腾了 2 年多，攒下大量行业 Know-how，也靠需求调研和一线专家反复打磨，其中 40 多场深度访谈、8 条产品线的标签库梳理、465 个标签(标签库从0~756~465)。光这 40 多场深度访谈，就铺到了一线销售 45%、应服解决方案专员 35%、管理层 20%，调研了一个多月。
这部分才是护城河。它长在人身上、长在业务里、长在组织里，攒得慢、抄不走、壁垒硬。模型别人追得上，这两年喂进去的行业经验，别人追不上。
剩下那 20%，是准确率工程、Agent 编排和权限合规。这些工程活儿也重要，但容易被追上。
04 一个能牵线的人，比一堆人重要
项目这么大，如何能统筹好，必须要有主心骨。人多不一定是好事，没主线才是。新领域的 AI 项目，真正的难点不在工作量，在思路。思路得靠一个主心骨捏住。
这个主心骨得懂业务、懂 AI、能当翻译、敢兜底、会取舍。需求、方案、数据、团队，四头都靠他串。标签陷阱、微调弯路、时间线打架，这种节骨眼上都是他拍板砍掉多余的和落地路径调优。
人越多，越要有一条清楚的主线，不然只会越搅越乱。主心骨，是那 80% 里最省不掉的一环。
写在最后
要是你也在搞企业 AI，先别急着上模型。把那 80% 的数据和 Know-how 做实，这才是别人抄不走的东西。评论区聊聊你踩过的坑。
谢谢你看我的文章，我们，下次再见。