在 AI 代理热潮下，企业 AI 虽蕴含 4.4 万亿美元价值的巨大机遇，然而仅四分之一的企业能从中获实际价值，“上下文悖论” 成关键阻碍。如何突破？Contextual AI CEO 演讲总结出部署生产级 RAG 代理的 10 条经验。

最近刷到了Contextual AI CEO Douwe Kiela关于企业级AI落地的演讲，很受启发，翻译成中文与大家共享。

最新一代大语言模型（LLM）展示了惊人的推理能力。然而，要在企业环境中释放其真正价值，需要将这些代理能力应用于正确的企业数据。在AI代理的热潮中，我们必须记住那句永恒的格言：

“垃圾进，垃圾出”

只有经过恰当的情境化，语言模型才能有效发挥作用。

企业AI的机遇与挑战

企业AI蕴含着巨大机遇——麦肯锡估计其可为全球经济增加4.4万亿美元的价值。人人都想分一杯羹。然而，挫败感普遍存在。许多AI副总裁面临其项目投资回报率（ROI）的压力。一项福布斯研究显示，仅四分之一的企业能从AI中获得实际价值。

AI中的“上下文悖论”

为何如此艰难？这类似于机器人领域的莫拉维克悖论：对人类而言简单的任务（如吸尘）对机器人很难，而复杂任务（如下棋）却相对容易。

同样，企业AI面临“上下文悖论”。LLM在编程或数学等任务上表现优异，甚至超越人类，但在将信息置于正确上下文中时却举步维艰。而人类专家（尤其是领域专家）则能轻松做到，凭借多年经验和直觉。

这一悖论是释放AI ROI的核心。当前AI常通过通用助手提供便利，带来效率提升，但企业追求差异化价值和商业转型。要获得更高价值，必须更好地处理企业特定上下文；价值越高，对上下文的要求也越高。

正是这一认识促成了Contextual AI两年前的成立。以下是Contextual AI在大规模部署企业RAG系统过程中，为《财富》500强构建稳健系统时总结的经验：

部署生产级RAG代理的10条经验

1. 系统思维，而非仅关注模型

语言模型令人印象深刻，但在企业AI中，它们通常只占完整系统的20%。企业AI通常采用检索增强生成（RAG），这是让生成式AI适配企业数据的标准。

人们往往只关注新LLM，忽视真正解决问题的周边系统。一个优秀RAG管道中的普通模型，能胜过糟糕管道中的顶尖模型。关注整个系统，模型只是其中一环。

2. 专业化优于通用能力

企业专业知识是最宝贵的资产。目标是释放机构知识。通用助手无法匹敌公司内部的深度专长。专业化是有效捕捉这些知识的关键。

在Contextual AI，我们称之为“专业化优于AGI”。尽管通用人工智能（AGI）有其价值，但解决复杂、领域特定的问题需要专业化以获得更优结果。在AGI的喧嚣中，这看似反直觉，但专业化让解决真实商业问题更简单。

3. 数据是护城河（规模化后）

随着时间推移，公司由其数据定义，因为员工会流动。数据代表公司的长期身份和竞争优势。常见误区是认为数据必须完美清洗后才能用于AI。真正的挑战与机遇，是让AI有效利用规模化后的噪声数据。

实现这一点将释放差异化价值，并构建竞争护城河，因为你独有的数据定义了你的公司。

4. 为生产设计，而非仅试点

一个残酷事实：构建试点RAG系统相对容易。用框架和几份文档做演示，往往能获得小范围好评。然而，迈向生产的鸿沟巨大：

• 从数十份扩展到数百万份文档；
• 支持数千用户；
• 处理众多多样化用例；
• 满足严格的安全与合规要求。

现有开源工具在此规模下常显乏力。从第一天就为生产需求设计，避免代价高昂的陷阱。

5. 速度优于完美，快速迭代

在生产部署中，速度常比完美更重要。尽早将RAG代理发布给真实用户，哪怕仅是最小可行版本。收集反馈并迭代（“爬坡”）至“足够好”状态。

过度追求完美会加剧试点到生产的鸿沟。 基于真实用户反馈的迭代对成功部署企业AI至关重要。

6. 让工程师专注价值，而非琐事

为加速迭代，确保工程师专注业务价值与差异化，而非琐碎任务。他们易陷入优化分块策略或打磨提示词——这些应由稳健平台抽象化。

让工程师聚焦真正关乎竞争力的高影响力工作。

7. 让AI易消费、易集成

即使生产级GenAI也不能保证被采用。若风险缓解使其不实用，或用户不知如何使用，系统常被闲置。让AI易消费至关重要。

这不仅意味着让AI适配企业数据，还意味着无缝集成到现有用户工作流。更紧密的集成将显著提升成功采用的可能性。

8. 设计“惊艳时刻”

推动使用需要黏性，常由“惊艳时刻”触发——用户瞬间理解工具价值。设计引导流程和初期体验，快速呈现这一瞬间。

例如，在高通（Qualcomm）（我们的系统支持全球数千工程师），一位用户兴奋地从一份尘封7年的文档中找到答案，瞬间解决长期问题。这些“小胜利”是强大的采用驱动力。

9. 聚焦可观测性，而非仅准确率

准确率重要，但已成为基本要求。达到100%常不可能。企业愈发关注如何管理不可避免的误差（5-10%的缺口）。

超过最低准确率后，重点转向通过可观测性管理误差。这需要稳健的评估方法和审计跟踪，尤其在受监管行业。RAG系统中的恰当溯源（将答案关联到源文档）至关重要。 实施后处理检查以验证陈述，确保回答有据可依。

10. 志存高远

许多AI项目失败并非因目标过高，而是过低。将GenAI用于琐碎任务（如基础HR查询）ROI极低，常沦为闲置噱头。

相反，设定宏大目标，一旦成功将带来可观ROI。 我们身处变革时代。AI将重塑社会。从事AI的人有机会推动有意义的变革。勿满足于低垂果实，志存高远。

结语

“上下文悖论”仍是企业AI的核心挑战。通过拥抱这些经验——系统思维、专业化、生产设计、快速迭代、聚焦价值、易用性、创造“惊艳时刻”、可观测性、志存高远——你可将挑战化为重大机遇。