服务说明

AI 试点做完了,但它没能进核心业务流程。

我帮企业把 AI Agent 嵌进真实业务链路——先用领域建模理清规则边界,再决定 AI 该嵌在哪一层。可审计、可回滚、可私有化部署:出了问题查得清、退得回。

这些情况适合找我

合作方式

不提供「架构咨询」这种模糊服务。三个包,边界清晰、周期明确、交付物具体。多数合作从诊断包开始——它的作用不是赚钱,是让你在投入之前先看清楚值不值得做。

低门槛入口

1–2 周

主要交付

1–3 个月

长期支持

按月

在真实业务里长什么样

同一个问题,三条规则真正复杂的业务线。每个场景都以「难点」收尾——那才是决定它能不能上生产的地方。

腾讯电商中台 · 供应链 SaaS

问题: 以订单履约为例:异常单——缺货、超卖、地址异常、跨仓调拨——的处置规则散落在几十个分支判断和运营的个人经验里。人一走,判断依据就没了。
Agent 嵌在哪: 不替换履约引擎。Agent 嵌在「异常单人工判断」这一层:读取订单上下文、库存状态与历史处置记录,给出处置建议和依据,人工一键确认;确认结果沉淀回领域模型,规则逐步显性化。
难点: 难点不在模型,在可追溯:每一次处置都要能回答「谁决定的、依据什么」,否则出错无法定责,业务方不会让它进生产。

国内某头部大型集团 · 税务规则中心

问题: 多国税率、优惠政策、申报口径每月都在变,规则却写死在代码里。每次政策变动都要走一遍需求—开发—测试—发版,业务往往比政策慢一个月。
Agent 嵌在哪: Agent 嵌在规则解析与影响面分析层:读政策原文,产出结构化规则草案 + 受影响的业务场景清单,由税务专家审核后再进规则引擎。人审是流程的一部分,不是补丁。
难点: 红线是绝不让 Agent 直接改动已生效规则。系统必须在架构上保证「AI 提案 / 人类批准」的边界,而不是靠流程纪律——纪律会在赶工期时失效。

乐信风控引擎

问题: 策略专家想验证一条新规则,要排期、找数、跑回溯、等上线,一轮两周。想法的产出速度远高于验证速度,大部分假设最后不了了之。
Agent 嵌在哪: Agent 编排「策略假设 → 特征查找 → 回溯验证 → 结果解读」这条链路,把两周压到一天。策略专家仍然是决策者,Agent 只压缩从想法到证据的距离。
难点: 回溯结果必须可复现。Agent 每一步取的什么数、用的什么口径都要留痕,否则策略上线后出了问题无法归因,这条链路的价值就是负的。

合作前你应该知道的