谈 AI 智能体定制开发，大多数企业先问的是"用哪个大模型"。但真正让项目卡住的，往往不是模型这一层。过去一年里，行业里讨论最多的一个词叫"试点困境"：演示做得很漂亮，评审顺利通过，真上了生产环境却发现答非所问、频繁要人工兜底，最后不了了之。翻过来倒过去查，问题几乎都指向同一个地方——企业自己的数据与知识没有准备好。

这篇内容不谈模型参数，只谈落地前必须打好的底座：为什么数据是真正的瓶颈、知识底座包含哪些具体工作、一套可执行的清单长什么样。对正在立项或已经踩过坑的企业，这些内容比选模型的参考价值更直接。

一、先承认一个事实：卡住的不是模型，是数据

2026 年多家机构的调研给出了几乎一致的结论。把这些数字摆在一起看，问题的轮廓就清楚了。

把这六行读下来，能得出一个很直接的判断：AI 智能体定制开发项目的主要风险，已经不在供应商的算法能力上，而在甲方自己的数据资产状态上。这也是为什么同样预算的两家企业，一家两个月跑出可用系统，另一家一年后仍在反复调优。

还有一组数字值得单独记住：有研究表明，数据经过治理之后，检索增强问答的准确率可以从 45% 到 60% 的提升到 85% 到 92%。同一套模型、同一套界面，仅因为底层数据变了，效果差出一倍。这句话对预算分配的含义非常明确——把钱花在数据上，回报比花在模型上更确定。

二、"数据准备"到底在准备什么

很多企业在合同里看到"数据准备"四个字，以为就是把文件整理好、传进系统。实际工作要细得多，大致分四层，每层都有明确的验收物。

这四层里，最容易被低估的是第二层和第四层。第二层的清洗工作通常不产生"看得见的功能"，甲方容易砍预算，但它直接决定检索命中率；第四层的治理工作常被推到上线前才补，而行业调研已经指出，近半数企业经历过"AI 工具把不该看的资料展示给了用户"这类事件。到那个时候再补，成本远高于一开始就设计好。

一个可以参照的经验值是：数据准备可能消耗整个项目 60% 到 75% 的工作量。这个比例在试点阶段完全看不出来，因为试点跑的是干净样本；一旦要接真实系统，成本才开始显形。所以立项阶段就把这笔工时写进预算和排期，是避免后期扯皮最有效的动作。

三、知识库不是"把文档丢进去"

把资料塞进向量库就完事，是另一种常见误解。检索环节的失败通常集中在三道关上，任何一道没过，最终回答都会失真。

这三道关过完之后，还有一件事常被忽略：让智能体能"说不"。当资料库里确实没有答案时，正确的行为是明确告知用户"未找到相关规定，请联系相关部门"，而不是用相近内容拼一个看似合理的回答。评测时把这种"正确弃答"计为正确，才能真实反映系统是否可靠。很多企业验收时只看回答得像不像，结果上线后才发现，最大的风险恰恰藏在那些"看起来很像"的错误答案里。

四、一份可执行的知识底座建设清单

把上面几节收敛成一份可以直接拿去核对的工作清单，按顺序推进即可。

1. 划清范围。不要一开始就做"全公司知识库"，先锁定一到两个高频场景（例如售前答疑、内部制度查询），明确这些场景实际会用到哪几类资料。
2. 盘点现状。把这批资料的存放位置、格式、更新频率、责任人列成表。这一步往往能发现"关键资料只有一个人手里有"这类隐患。
3. 定义质量标准。明确什么算"可用"：文本可检索、关键字段齐全、无重复版本、有生效日期。标准写下来，清洗才有验收依据。
4. 先清洗一个小库。选 200 到 500 份最有代表性的资料做一轮完整处理，用它跑一次真实问答测试，看准确率能不能达到预期。这一步花的时间不多，但能提前暴露大量问题。
5. 建立更新机制。明确谁负责新增、谁负责下架、多久复核一次。没有更新机制的库，三个月后就会开始拖后腿。
6. 配上观测手段。记录哪些问题被问得最多、哪些问题答不上来、哪些回答被人工纠正过。这些数据是下一轮优化的方向，也是向内部证明价值的最好材料。

这份清单看起来朴素，但它对应的正是那些"上线即停滞"项目缺失的环节。安徽好牛软件有限公司在合肥本地承接 AI 智能体定制开发项目时，习惯把数据盘点与清洗标准放在方案的第一部分，而不是等签约后再补——原因很实际：底座谈清楚了，后续的报价、周期和效果预期才有共同语言，双方都不容易失望。

五、给正在立项的企业三条建议

第一，把数据准备当成项目的第一阶段，而不是技术活的前置杂务。给它单独的预算、单独的周期、单独的验收物。凡是把它藏进"开发费"里的方案，后期几乎都会因为范围失控而延期。

第二，用一个真实场景验证底座，而不是用一堆演示稿。挑一个提问量最大、容错率相对高的场景，用真实资料跑一遍，统计准确率、必须转人工的比例、以及回答错误的类型分布。这份数据比任何承诺都更能说明问题。

第三，把"没有答案时怎么办"写进需求。包括找不到资料时的回应方式、需要转人工时的交接路径、以及谁来对错误回答负责。这几条看似琐碎，却是上线后能不能被业务真正接受的关键。

AI 智能体定制开发这件事，本质上是在给企业装一个能自己办事的"数字同事"。它能不能干活，取决于它能拿到什么资料、看得懂多少。把底座打牢，后面所有关于模型、编排、界面的话题才有意义；底座不牢，再多的功能罗列也只是把问题往后推。

常见问题解答

Q1：我们资料很多很乱，是不是必须全部整理完才能开始？

不需要。正确做法是"先窄后宽"：只挑与首个落地场景强相关的资料做完整清洗，其余资料保持现状并登记在册。等第一个场景跑通、方法沉淀下来，再按同样的标准扩展。全量整理既拖时间，也容易在整理过程中失去业务耐心。

Q2：数据准备要花多少钱，能不能估个比例？

行业经验显示，数据准备可能占到整个项目 60% 到 75% 的工作量，是最大的一块。具体金额取决于资料量级、格式复杂度和治理要求。建议在方案阶段要求供应商单独列出这部分工作内容与工时，而不是打包进一个总数，这样后期复盘时才知道钱花在哪。

Q3：扫描件、图片、表格这类资料怎么办？

这类资料恰恰是非结构化数据的主体，占企业数据总量的七到九成。处理方式通常是先做识别转成文本，再按文本的方式切分与标注；表格需保留行列关系，避免被当成普通段落。这部分工作量容易被低估，建议单独评估，并抽检识别准确率。

Q4：怎么判断智能体答错了是因为数据问题还是模型问题？

一个简单的判断方法：先人工确认这条问题的正确答案是否存在于资料库中。如果答案本身就不在库里，那是数据覆盖问题；如果答案在库里但没被找到，那是检索与切分问题；如果找到了正确内容却答错了，才轮到讨论模型与提示设计。多数情况下问题出在前两种。

Q5：知识底座做完之后，谁来长期维护？

建议明确到岗位而不是个人，并设定固定复核周期（例如每季度一次）。维护内容至少包括：新增资料入库、过期内容下架、高频未答问题补充、以及错误回答的记录与修正。安徽好牛软件在合肥本地交付时，会把这套维护流程写成操作手册交付给客户，并配套一次面向具体岗位的操作培训，让系统在交接后还能持续保持可用状态。