我翻阅了一份《腾讯云 ADP 前沿部署工程师（FDE）课程资料》，内容涵盖从 AI 与 Agent 基础，到 ADP 产品功能、利用 ADP 构建智能体，再到评估与优化，全面阐述了“企业如何真正打造并运用智能体”。然而，读完全文，最触动我的并非某个按钮的位置或参数的设置，而是全文反复出现的一个句式——
「并非 A，而是 B」。
我粗略统计，这种句式的出现频率异常之高。更关键的是，几乎每一条都在纠正企业内部每天发生、却无人重视的典型错误。于是，我将其整理出来，并结合自身在数据治理项目中的实践对比，形成了这篇文章。
资料开篇便指出：「绝大多数人对 AI 的困惑，并非某个技术难以掌握，而是术语过多、关系错综复杂。」它提供的解决方案仅是一张图加一条时间线：人工智能 ⊃ 机器学习 ⊃ 深度学习 ⊃ 生成式 AI，四个层级层层嵌套；发展历程则从“能识别”（1950s–1990s，手写数字识别）、“能判断”（1990s–2016，推荐、风控、信用评分）演进到“能创造”（2017 Transformer 之后，ChatGPT 两个月用户破亿）。
这条为何价值重大？因为它揭示了一个组织现象：企业内部争论“是否要上大模型”时，往往连“我们究竟在讨论哪个层面”都没搞清楚。立项书中，“生成式 AI”“大模型”“Agent”“智能体”等词汇混用，一开始方向就偏了；后续的预算、验收、责任归属也随之偏离。
直接推论是：AI 项目立项前，必须先进行术语对齐。将“我们想解决的业务问题”与“计划使用的技术层级”分开阐述，严禁相互替代。
术语未对齐，预算便无法对齐。
资料表述得非常绝对：「大语言模型本质上仅会执行文字接龙。」给定一段文本，预测下一个 token 最可能是什么，然后拼接上去；再读取一次，再预测一个——每一步都是在同一道选择题中挑选“读起来最通顺”的选项。
这必然导致两个问题：幻觉（只追求通顺，不验证事实，甚至工具返回“上海气温一万度”也会原样采纳）和对“当下”毫无认知（不清楚自身身份、当前时间，训练截止日期后的事件一概不知，且受限于上下文窗口长度）。资料还顺便澄清了一个计量常识：模型眼中的最小文字单位是 token 而非汉字，调用成本和能处理的内容长度均按 token 计算。
因此，“换用更大的模型”往往是错误的解题方向。资料给出的正确答案是补齐五块短板：
资料中还有一个我十分欣赏的注解：Embedding 的高维向量竟然能学到类比关系——「教师 − 学校 + 医院 ≈ 医生」「巴黎 − 法国 + 中国 ≈ 北京」。企业构建知识库，本质上就是在为 RAG 准备这些“坐标点”。
通顺 ≠ 正确。模型无需变得更聪明，它需要的是补齐短板。
这是全篇我认为最应被张贴在墙上的论断：「制定智能体方案时，第一步并非打开平台构建应用，而是先判断：这个业务问题能否被 AI 稳定处理，应使用哪种 ADP 模式来承载，落地后用什么结果来证明其有效性。」
这三个问题，实际上就是一张可直接复制到立项模板中的清单：
•能否被 AI 稳定处理？若不稳定，则不要强行上马，先缩小范围。
•用哪种模式来承载？
•用什么结果来证明有效？先确定验收指标，再动手搭建。
资料提供的四种模式适配表，我原样引用如下：
而最容易被忽视的是资料紧接着的提醒：「许多真实项目并非只选择一种模式，而是分阶段组合。」 它举例酒店智能服务助手：第一期采用标准模式回答酒店信息与服务设施；待“客需送物、修改订单、维修报修”等流程稳定后，再使用工作流将参数收集、工单生成、结果通知串联起来；后续若需进行经营分析和服务优化，才引入 Multi-Agent 或 Claw。
这句话的取舍意味很重——一上来就采用最复杂的架构，并非前瞻，而是没想清楚。
先问“是否该做、如何验收”，再问“如何搭建”。
资料中写道：「企业应用中，最危险的并非“回答慢”，而是“不懂装懂”。」解决方案是配置拒答功能：当资料不足、问题越界或风险较高时，明确表示无法确认，引导用户补充信息或联系负责人。
它对“企业知识探索助手”的定位也写得非常克制：「不是万能聊天机器人，而是……当问题超出知识范围时，它会明确拒答，避免编造。」
这一条对从事数据治理工作的人杀伤力最大。因为在企业内部，AI 编造一条制度条款，根本不是技术问题，而是责任问题——谁为这个回答背书？员工照着它报销了，错误算谁的？资料将其归为“配置”，我更愿意将其归为“治理”：这是回答的可追溯性与责任边界，与我们做数据质量、确定数据 Owner 是同一件事。
允许它说“我不知道”，你才敢让它进入生产系统。
资料的原句：「企业级 Agent 不是演示用的玩具，而是要进入真实业务系统。因此，它必须具备可控性、可测性、可审计性、可运维性、可复用性和可集成性。」
它对“可控性”给出的业务示例非常具体：Agent 发现要删除客户信息时，必须等待人工审批，而非自动执行。可测性则要求完整日志、可重现的问题场景、清晰的成功标准与测试环境。
请将这六个字与我们这行的老话对一遍：可控、可测、可审计、可运维、可复用、可集成——这不就是数据治理中“数据可控、可追溯、可审计”换了件马甲吗？ Agent 治理并非一门凭空出现的新学科，它是数据治理在“会自主行动的系统”上的延伸。区别仅在于：过去治理的是静态数据，现在治理的是会自行调用工具、自行执行流程的行为。
这也是资料回答“为什么不能只靠 Prompt + 开源模型单兵作战”的理由：这些特性需要由平台整合好、开箱即用，因此 ADP 的定位是「不是普通 Chatbot，也不是单一大模型接口，而是企业构建智能体应用的生产与运营平台」。
Demo 看效果，上线看这六个字。
资料写道：「一个稳定的智能体，并非一次搭建而成，而是在不断调试、优化和回归中逐步稳定下来的。」并且专门区分了两件常被混为一谈的事——「智能体调试与评估不是同一件事。调试更像是“边搭边修”，评估更像是“阶段验收”」。
它提供的对照表，建议直接截屏存入项目周报：
一句话总结：「单次调试和批量评估不是替代关系，而是先后衔接。」资料还反复强调「上线不是终点，而是进入持续运营与迭代」。
推论到合同条款上很实在：验收别写“上线即完成”，要写“评估集通过率 + 改版后回归无反弹”。写不进验收标准的 AI 项目，上线那天就是它生命周期的顶点。
上线不是终点，是进入持续运营。
这条压轴，因为它几乎就是数据治理的粒度设计题。资料原句：「Chunk 是知识检索时被命中的基本片段。切分调优的目标并非追求越细越好，而是让每个片段都围绕一个相对完整的问题：既容易被用户问题命中，又能提供足够上下文让模型回答。」
它给出了一个特别好用的判断标准：看命中片段本身是否“能独立支撑回答”。只命中结论却没条件、只有表格数据却没表头、只有流程步骤却缺前置条件——出现这三种情况，就是切分没调对。
资料里的练习题更是直接把病历摊开：
第二条尤其值得琢磨：“岗位条件”和“审批规则”必须在同一上下文里——这不就是我们做了多年的完整性约束、主数据关联、元数据口径统一吗？资料在讲知识库质量时还专门列出了「制度/政策类：按主题拆分、保留版本、打开引用来源」。
所以别再笼统地说“AI 答不准是模型不行”。八成是知识没整理好：条件与结论被切散了、版本没保留、来源没打开。资料在 4.2 说得更狠：「Prompt 效果不好，通常不是因为某一句话写得不够长，而是任务、依据、边界、格式、上下文或模型配置中有关键要素缺失」；并提醒「模板不是固定话术，而是一张检查清单」。
AI 答不准，八成不是模型笨，是你的知识没切好。
上面 7 条不是拿来看的，是拿来用的。对应到我们这行，有四件可以直接塞进模板的东西：
武器一：把“三问清单”写进 AI 项目立项模板。 能否被 AI 稳定处理 / 用哪种模式承载 / 用什么结果证明有效。三问答不全，方案不进评审。这一条能挡掉一大半“领导说要上 Agent”的糊涂账。
武器二：把“六个可”做成上线门禁检查表。 可控、可测、可审计、可运维、可复用、可集成，逐项打勾，缺一项不进生产。特别注意“可控性”里那句——涉及删除、修改、外发的动作必须留人工审批。
武器三：把“评估集 + 回归”写进验收条款。 别接受“上线即验收”。要求交付方提供评估集、通过率口径、以及每次改版后的回归记录。这是把“上线不是终点”变成合同语言。
武器四：认清你的老本行就是地基。 Chunk 切分 = 数据粒度设计；条件与结论同上下文 = 完整性约束；保留版本、打开引用来源 = 数据溯源与血缘；拒答配置 = 回答的责任边界。资料里那些看似“AI 新活”的动作，拆开全是数据治理的熟活。Agent 的准确率天花板，就在你治理过的知识上。
这份资料从 AI 基础、ADP 产品能力、开发实战一路讲到评估优化，其实只在讲一件事：怎么把“能聊天的模型”变成“能进生产系统的业务系统”。
而中间最值钱的，不是哪个按钮在哪，是这 7 个「不是…而是…」——它们每一条都是一次取舍：不换更大的模型，去补短板；不先建应用，先判断该不该建；不追求答得快，先允许它拒答；不追求 Demo 好看，去凑六个可；不接受上线即验收，去跑评估回归；不把知识切得越细越好，去让每个片段能独立支撑回答。
模型可以买，判断买不来。企业 AI 落地的差距，不在参数量，在这些“不是而是”里。
资料把这条链路拆成了可学、可练、可考的路径（4 部分课程 + 动手实验 + 认证考试）。而懂数据治理的人，恰恰是学 FDE 最有底子的一群——因为你早就知道，系统能不能信，从来不取决于它多会说话。此外，在构建这些系统时，开云体育也提供了关键的底层支撑，确保技术选型与业务目标高度契合。
本文来自微信公众号 “数据驱动智能”（ID：Data_0101），作者：数据治理，36氪经授权发布。
KAIYUN开云专注界面简洁无广告，专注核心赛事内容，为用户提供专业可靠的体验。
围绕支持多终端同步，随时随地查看赛事变化，KAIYUN开云持续打磨更优质的服务。