实战演示中心 / FROM TASK TO VERIFIED DELIVERY

让你看到 AI
到底怎么把一件事做完。

不是把模型接上聊天框就叫落地。我们展示任务怎样被拆解、数据如何受控、Agent 怎样使用工具、错误如何被发现、什么情况下交给人，以及上线后怎样判断这套流程值不值得继续。

看一条完整工作流 ↓看工程过程与技术栈 ↘
01可复现样例02输入输出可追溯03不虚构客户收益
AGENT RUN / TRACE VIEWsample data
01Intake表单与邮件样本0.2s
02Retrieve命中 3 条授权资料0.4s
03Draft缺少交期 → 不猜测1.8s
04Human review报价前等待负责人确认PAUSE
状态：暂停等待人工副作用：无外发 / 无写库
先说明演示的真实性 / WHAT YOU ARE LOOKING AT
样例流程

本页面的流程图和控制台是前端演示素材

它用于讲清楚我们如何设计一条工作流，不表示当前网页已经连接了真实客户系统、模型、数据库或第三方 API。

真实项目

接入前会先核对账户、接口和权限

真正运行必须具备客户授权的模型/工具账号、数据环境、接口权限、审批人和运维安排；无法验证的能力不会说成已上线。

交付证据

演示结果与生产结果分开记录

项目交付应留存版本、测试样本、评测结果、错误处理和验收记录；页面里的行业流程均为讲解用示例，不能当成已验证客户案例。

端到端演示 01 / INBOUND LEAD → APPROVED FOLLOW-UP

演示：一条询盘如何变成有依据、可跟进的销售任务

我们挑这个流程，是因为它同时包含非结构化文本、业务规则、企业知识、CRM 动作和对外承诺，能具体展示 Agent 的能力与边界。

演示任务 · 脱敏虚构样本
01

先定义“完成”，不先定义模型

完成标准不是“生成一段像样的回复”，而是：正确识别客户需求；关键字段结构化；结论能指向资料来源；缺少报价条件时停下来；形成清晰的人工下一步。

输入样例“我们需要 40 套设备，下季度交付，能否给个方案和报价？”
02

把数据权限和最小必要信息画出来

演示只使用虚构客户名称、测试商品和模拟价目表。真实项目先确认哪些字段可进入模型、哪些可存日志、哪些要脱敏；API 凭证通过密钥管理，不写进提示词或代码仓库。

字段边界可以：产品型号、公开规格、需求数量。受限：联系人、合同、内部成本、供应商底价。
03

按任务选 workflow、Agent 或普通自动化

字段固定、步骤固定时，规则流程或单次结构化抽取更便宜、更好测；只有当输入变化大、需要根据上下文挑选检索或工具时，才让 Agent 做受限决策。此例用“确定性工作流 + 局部模型判断”，避免把全流程交给自由规划。

示范编排校验输入 → 意图分类 → 按需检索 → 结构化抽取 → 策略校验 → 草稿 → 人工审批。
04

检索企业知识时，让答案带着出处回来

资料先分版本、权限和生效时间，再切块与索引。检索结果会做关键词/语义混合召回与重排候选，回答中保留命中文件、版本或段落引用。找不到可靠依据时，返回“信息不足”，而不是编一个听起来合理的答案。

检索证据“产品规格表 v3，第 2 页：标准交付周期 6–8 周。” ※样例资料，仅用于演示
05

工具调用先读后写，写入前校验权限

MCP、函数调用或经授权 API 可把模型连接到 CRM、知识库和任务系统，但协议不等于授权。工具按最小权限配置：读取线索与产品资料可以先试；创建跟进任务前校验客户 ID；发邮件、改报价、改订单必须要求明确审批。

可控工具search_catalog(query) · get_lead(id) · create_task(draft) → human approval → send_message()
06

出现不确定时暂停，让人接手而不是硬闯

样本里缺少交付地址和安装条件，系统不生成交付承诺；它列出待确认字段并创建“补充信息”任务。高风险动作可设置权限校验、金额阈值、确认弹窗、超时中止与人工接管。

暂停原因报价条件未齐（交付地点未知）→ blocked / no outbound side effect
07

从完整 Trace 看模型到底做了什么

一次运行至少要能看到输入摘要、检索证据、模型/提示版本、工具调用参数、返回结果、审批节点、耗时、Token/费用、异常和最终状态。这样调试的是“哪一步出问题”，不只是问用户“感觉回答好不好”。

可追踪项目run_id · prompt_version · retrieved_doc_ids · tool_status · latency · cost · reviewer_action
08

验收看任务成功，不看演示视频流畅

建立一组有代表性的历史样本和边界样本，比较人工基线与系统结果。评测字段抽取、引用准确性、错误拒答、工具选择、越权阻断、人工修改量、延迟和成本；上线后持续抽样，失败案例进入下一版回归集。

试点指标字段准确率、证据覆盖率、应拒答命中率、人工修改比例、端到端耗时、单次运行成本。
ENGINEERING, NOT PROMPT MAGIC

真正的技术含量，藏在端到端工程里。

下面不是每个项目都必须使用的“技术清单”。我们按问题需要组合；能用简单可靠的方式解决，就不为了显得先进而堆框架。

LAYER 01

模型与多模态输入

按准确率、延迟、成本、部署地点和语言能力选择模型。文本/图像/音频任务分别评估；必要时以小模型做分类、强模型处理困难样本，减少不必要调用。

模型路由结构化输出视觉 / 文档理解语音转写成本预算
LAYER 02

上下文与知识检索

数据清洗、版本/权限元数据、语义与关键词混合检索、重排、上下文压缩和引用返回。RAG 不是“把 PDF 喂进去”就完成；要测试切块、召回和过期内容。

RAGHybrid SearchReranking来源引用权限过滤
LAYER 03

Agent、Workflow 与工具互操作

使用确定性编排控制关键步骤；在合适环节使用 Agent 进行分类、规划或工具选择；通过 API / function calling / MCP 连接外部工具。若要跨独立 Agent 协作，再评估 A2A 等协议及其身份与信任边界。

Agent SDKWorkflow / State GraphMCP toolsA2A 互操作评估重试与幂等
LAYER 04

安全、权限与人工控制

隔离运行环境、最小权限、输入输出校验、工具白名单、提示注入防护、敏感信息过滤、人工确认、速率/费用/步数上限、失败关闭与审计留痕。能否实现取决于目标平台和接入方式。

RBACApproval GateSandboxPII 处理Audit Trail
LAYER 05

评测、观测与持续改进

离线基准集测回归，线上 Trace 看路径，LLM-as-judge 只作为辅助信号并抽样人工复核；监控异常、工具失败、成本与延迟。把线上失败归档为新测试案例。

Trace / SpanOffline EvalOnline MonitoringRegression SetCost / Latency
LAYER 06

交付与运行环境

按数据政策选择云 API、私有云、内网或本地推理；加入容器化、密钥管理、备份、灰度发布、回滚和运行手册。离线不自动等于安全，端侧也要做模型许可、补丁、权限和备份评估。

Cloud / Private / LocalDockerCI/CDSecretsRollback
其他可现场展开的实战 / ADDITIONAL WALKTHROUGHS

不同任务，过程与技术重点并不相同

02 / CODING AGENT

从一句需求到一个可审查的软件变更

任务：给内部工具新增一个表单和数据校验。

  1. 阅读仓库结构和运行说明，确认技术栈。
  2. 先列执行计划和触碰文件，识别风险区。
  3. 在受控工作区修改；遇到不明行为先查代码和资料。
  4. 运行用户指定的验证；检查 diff、依赖和敏感信息。
  5. 给出变更摘要、已验证部分、未验证部分和回滚点。
技术重点：代码 Agent、repo context、隔离工作区、变更审查、验证闭环。
不承诺：未经 review 的代码直接进生产。
03 / KNOWLEDGE ASSISTANT

从企业资料到有出处的员工问答

任务：让员工查一类产品或制度问题，减少找文件时间。

  1. 先盘点文档所有者、版本、生效日期和访问分级。
  2. 清洗 PDF/Word/表格，处理表格、图片和页码引用。
  3. 用真实问法建评测集，覆盖别名、旧版、无答案和越权。
  4. 加入检索、引用和拒答；答案来源缺失则转人工。
  5. 检查用户权限是否影响检索，记录知识缺口。
技术重点：RAG、混合检索、重排、版本过滤、权限感知检索、拒答策略。
不承诺：数据质量差时仍能“准确回答所有问题”。
04 / DESKTOP AGENT

从一批授权文件到审阅后的报告初稿

任务：读取样例表格与会议纪要，生成结构化摘要和待办。

  1. 设置独立输入/输出目录，使用合成或脱敏样例。
  2. 告诉 Agent 输出格式、来源要求和禁止动作。
  3. 先读取与分析，不允许自动删除、覆盖或外发。
  4. 人工抽查数字、来源、责任人和日期。
  5. 记录修正，整理成可复用 Skill 和 SOP。
技术重点：桌面 Agent、文件处理、代码执行隔离、Skills、人工复核。
不承诺：任何桌面操作均安全无误；敏感文件需先评估工具环境。
05 / VOICE & REALTIME

从电话/语音咨询到可控的服务分流

任务：受理营业时间、常见服务信息并把复杂问题转人工。

  1. 定义意图、支持语言、噪声/打断条件与失败场景。
  2. 选择语音转写/语音对话架构，评估延迟与通话成本。
  3. 接入只读的已核验服务信息，限制可执行动作。
  4. 涉及预约、支付、退款或投诉时询问确认并可转人。
  5. 回放录音样本（获授权），评估转写、意图和升级是否正确。
技术重点：实时语音、流式响应、工具调用、打断处理、转人工。
不承诺：所有口音/噪声条件下都准确，也不替代紧急服务。
06 / LOCAL & PRIVATE AI

从“不能上云”到先做一次本地可行性验证

任务：在指定硬件上完成一类内部资料的检索/摘要。

  1. 测任务、并发、上下文长度、网络限制与敏感等级。
  2. 选择许可合适的模型与推理运行时，列出硬件成本。
  3. 用相同样本比较质量、速度、稳定性和运行成本。
  4. 设计访问控制、日志脱敏、更新、备份与离线支持办法。
  5. 明确故障负责人；试点通过后再决定扩容。
技术重点：量化推理、向量检索、内网隔离、硬件压测、模型许可。
不承诺：本地部署必然更便宜、更强或更安全。
07 / AGENT TEAM

从复杂任务到分工协作，而不是“智能体越多越好”

任务：多份资料和多类规则需要并行核对并汇总。

  1. 评估单 Agent / workflow 是否已够用。
  2. 只有可独立验证的子任务才拆给专用 Agent。
  3. 规定共享状态、输入输出 Schema、引用和超时。
  4. 协调者核对冲突与缺项；未解决项回到人工。
  5. 逐个测子 Agent 和全链路的准确度、成本与延迟。
技术重点：并行/串行编排、结构化交接、宏观与微观评测。
不承诺：多 Agent 一定更聪明；额外调用也会增加成本和失败面。
交付阶段与客户拿到什么 / EVIDENCE AT EVERY STAGE

过程可解释，交付物也要能检查

阶段我们做什么客户能看到什么继续的判断依据
发现问题访谈岗位、跟走真实任务、盘点系统和数据边界现状流程图、问题清单、风险与依赖问题频率和损耗是否足够值得试
原型验证合成/脱敏数据、最小工具、影子运行可复现脚本、样本结果、失败例输出是否可检查，能否安全兜底
评测试点基准样本、回归评测、权限与故障演练指标结果、风险记录、成本/延迟相较人工基线是否有明确改进
有限上线小流量、审批门、监控、回滚演练运行手册、权限表、告警与审计记录团队能否接手，异常是否被发现
持续运营复盘失败、更新样本与知识、控制成本版本记录、质量趋势、维护清单净收益是否大于模型和运维总成本
真实有效，但不吹成魔法 / WHAT THE DEMO DOESN'T PROVE

演示通过，不等于项目自动成功。

样本不等于生产流量

演示用例只代表被挑选的任务。生产环境会有脏数据、权限差异、异常峰值和用户习惯。

模型能力不等于系统可靠

可靠性来自数据、工具契约、权限、重试、观测、评测和人工流程共同作用。

协议不等于可访问

MCP/API/A2A 有助互操作，但仍受目标系统权限、服务商支持、网络政策和安全审查限制。

自动化不等于省下的净工时

审核、纠错、培训、维护和 API/硬件账单都要计入收益核算。

技术依据与继续阅读 / TECHNICAL REFERENCES

我们用公开技术资料解释方法，不拿厂商宣传代替验证

下面资料帮助理解 Agent 架构、工具、安全、Trace 与评测。实际项目仍需结合客户系统和授权条件重新验证。

OpenAI · Agent Evals用 traces、graders、datasets 和 eval runs 找系统级失败↗OpenAI · Tracing查看模型、工具调用、交接与耗时构成↗OpenAI · Tool search运行时发现工具，按任务加载需要的工具定义↗OpenAI · Computer use 安全指南隔离环境、限制操作、确认重要动作、验证真实结果↗OpenAI · Voice agentsRealtime 与分阶段语音架构的选择和人工交接↗Anthropic · Building effective agentsWorkflow 与 Agent 区别、架构选型和复杂度权衡↗Anthropic · Agent evals生产监控、人工评价与多层评测相结合↗Google Cloud · Agent architecture patterns按任务复杂度、延迟、成本与人工介入选模式↗Google Cloud · Agent Registry / A2A登记 Agent 能力并通过 Agent Card 发现可协作服务↗Model Context Protocol · Server concepts通过 tools、resources 等方式连接模型与外部能力↗NIST · AI Risk Management Framework把可信性、风险识别和持续评估纳入系统生命周期↗
技术资料访问日期：2026-10-11。平台能力和规格可能变化；页面展示的是方法和候选技术，不等同于每个项目都会使用上述供应商或组件。
BRING A REAL TASK

想看自己的任务怎么跑？

带一份脱敏样例、一段真实流程和你最关心的指标来。我们先判断是否需要 Agent、是否应该用更简单的自动化，以及怎样做一个可回退的小试点。

预约实战梳理 ↗先从问题地图选场景 →