距离80%的企业都可以自研Agent还有多远？

作者：卢向东，杭州萌嘉网络科技有限公司创始人。团队长期专注于企业 AI 落地与 AI 知识引擎实践，是国内较早探索 RAG 企业应用落地的团队之一。产品 TorchV 已成功服务浪潮信息、微众银行、物产中大、台州银行、适途汽车、中汇税务师事务所等客户。

本文导读：

1. 当下，企业该继续买软件，还是开始自研 Agent？

2. Agent真正落地，卡住企业的到底是什么？

3. 下一轮企业数字化竞争，胜负手已经出现！

过去很多年，企业数字化走的是一条大家都很熟悉的路：业务部门提需求，科技部门整理需求，找供应商、买软件、做实施、上线、维护。这套模式曾经有效，但在今天，已经越来越重，也越来越慢。

随着大模型和 Agent 的快速发展，企业软件的生产逻辑正在发生一次根本变化。软件不再只是一个预先定义好功能、打包交付的产品，而越来越像一种能够被快速生成、持续迭代、按场景执行的能力。

这也是为什么，越来越多企业开始从“买软件”转向“自己造 Agent”。近一个月我拜访了几家客户，发现他们都在用Claude Code或者CodeX自研业务侧的Agent，还别说，有些应用我感觉外部供应商真做不了。

真正的问题已经不是“Agent 能不能做”，而是：距离大多数企业真正具备自研 Agent 的能力，到底还有多远？

我的判断是：从“能做出来”这件事上看，已经不远了；但从“能稳定跑起来、规模化用起来”这件事上看，分水岭才刚刚开始。

图：Agent时代的竞赛已经开始

一、企业软件，正在从“采购时代”进入“自研时代”​

传统企业软件的核心逻辑，是把共性需求抽象成标准化产品，再通过复制交付覆盖更多企业。但 Agent 时代，这套逻辑正在被改写。原因很简单：软件的生成成本正在快速下降。

过去，企业之所以必须依赖标准化软件，是因为研发成本高，只有做“通用产品”才划算。但现在，借助大模型、代码生成工具和智能体框架，企业已经可以围绕一个具体流程、一个细分岗位、一个真实业务动作，快速搭建出一个可用的 Agent。

这意味着什么？

意味着企业不必再等一个大而全的平台，不必再为覆盖所有部门去做一轮漫长的需求整合，也不必再把每个问题都塞进一套统一系统里。很多时候，一个智能问数 Agent、一个合规审查 Agent、一个客服摘要 Agent，就足以率先把问题解决掉。

换句话说，软件正在从“统一分发的产品”，变成“围绕场景即时生成的过程”。

这是企业数字化范式最深的一次变化之一。

二、企业内部科技部门角色改变：从需求汇总者到Agent指挥官​

在传统模式下，科技部门与业务部门之间存在着显著的“认知沟壑”。这种沟壑导致了软件开发过程中的“信息熵增”：一线业务需求在传递到研发端时往往已经扭曲，最终交付的产品往往在上线之日就面临着与场景脱节的尴尬。

2.1 工具链革命：Claude Code与Codex的催化作用​

图：Claude Code和CodeX。

Claude Code、Codex等开发辅助产品的出现，彻底改变了代码生成的经济学逻辑。在这些工具的加持下，工程师的角色正在从“代码编写者”转向“Agent管理者” 。这种身份转型的核心在于：开发者不再需要逐行敲击代码，而是通过管理4到8个并行的Agent来处理特征开发、代码审查、安全审计和Bug修复等任务 。

在这种全新的工作流中，工程师的效率得到了指数级的提升。实测数据显示，使用Codex进行开发的团队，在某些场景下几乎可以实现“一次成功”的极高产出率 。更重要的是，工程师正在采用一种被称为“叠加再叠加”（Stacking）的工作模式：利用Claude Code进行规划和编排，再利用Codex进行具体的代码实施，最后由AI驱动的自测套件完成验证 。

2.2 软件作为“过程产物”的哲学转向​

一个深刻的见解是：软件本身已经变成了一种“过程产物”，而不再是以前那种为了“共性需求”而研发的通用产品。在传统软件时代，由于研发成本极高，企业必须寻找业务部门的共性，通过大规模复用来摊薄开发成本。但在Agent自研时代，由于生成代码的边际成本极低，软件可以针对每一个微小的、碎片化的业务场景进行定制。

在偏向业务侧的这种“一次性软件”、“动态软件”或“过程软件”的逻辑，意味着企业不再需要等待一个宏大的、覆盖全行或全公司的统一平台，而是可以根据当下的业务需要，快速生成一个Agent来处理特定的合规检查或营销摘要 。这种灵活性是传统外采软件无法提供的。

三、企业自研Agent的三大显性红利​

为什么领先的企业纷纷选择“重装”科技部进行自研，而非继续依赖供应商？其背后的经济账和战略逻辑非常清晰。

1. 根植于需求第一线​

自研Agent最大的优势在于其能够与业务场景实现“无缝贴合”。当科技部的开发人员能够利用Claude Code等工具快速响应业务需求时，技术人员就能够真正站在一线。微众银行在客服场景的实践中发现，通过自研摘要生成Agent，其摘要合格率达到了90%，小结准确率更是高达98% 。这种精度源于开发人员对内部业务逻辑的深刻理解，而不仅仅是简单的API调用。[1]

2. 极致的适应能力与动态迭代​

市场环境瞬息万变，企业内部的业务规则也在频繁调整。外采软件的修改通常涉及繁琐的合同变更和供应商排期，反馈周期以月为单位。而自研Agent由于采用了高度模块化的生成式架构，其逻辑可以随Prompt或知识库的更新而即时调整。上海银行在构建全行级智能问数平台时，强调的就是“数据民主化”和“业务人员自主完成数据分析”的能力 。这种“数据赋能”的核心要求就是系统必须能够随着业务人员的问题深度而动态进化。[2]

3. 成本结构的结构性优化​

在规模化部署阶段，成本是决定Agent能否普及的关键。浪潮信息通过自研服务器和OpenClaw（龙虾）自主智能体框架，成功将每百万Token的成本降至了1元人民币 。这种成本控制能力使得企业可以支撑成千上万的用户和数以百计的Agent并发运行，而不需要向外部软件服务商支付巨额的按席位或按流量计费的许可证费用。[3]

四、现实的瓶颈：为什么“枪”好造而“弹药”难理？​

尽管开发Agent本体（即“枪”）的难度在降低，但企业在AI应用环境里面临着一个更为严峻的挑战：数据与知识的治理（即“弹药”）。正如用户所指出的，个人AI使用可以一发一发手动装弹，但对于有一定规模的企业，需要的是支持数以百计的Agent和成千上万的用户，任何低质量或低精度的知识输出都可能导致灾难性的业务后果。

企业知识环境的复杂性规则​

企业AI业务与个人助手的最大区别在于：它必须遵循特定的规则和严谨的知识底座。

• 高并发压力：浪潮信息的实测显示，智能体应用场景中上行流量占比可突破60%，这对网络和知识检索的并发处理能力提出了极高要求 。[4]
• 数据一致性：企业内的规章制度、产品手册、财务报表是实时变动的。如果知识引擎无法实现自动化梳理，Agent读取的就是“过期弹药”。
• 权限与合规：并不是所有Agent都有权读取所有知识。所有金融机构（如上海银行）对数据安全和权限隔离有着极高的门槛要求 。[5]

知识引擎：企业自研Agent的胜负手​

在这一背景下，类似TorchV这样的专业知识引擎品牌，成为了支撑企业自研Agent赛道的关键基础设施。TorchV通过AIS（可信知识引擎）解决了如何将非结构化的企业数据自动转化为高质量知识产物的问题 。

如果说Claude Code让科技部拥有了造枪的能力，那么TorchV就是为企业建立了一座自动化的“弹药工厂”。这种引擎不仅是简单的RAG（检索增强生成），更是一个包含知识构建、运营、安全治理在内的完整闭环 。

五、为什么知识引擎会成为企业自研 Agent 的胜负手？​

如果说 Claude Code、Codex 这类工具解决的是“怎么更快把 Agent 做出来”，那么像 TorchV 这样的知识引擎，解决的就是另一个更关键的问题：怎么让 Agent 拿到正确的知识、持续的知识、可信的知识。

很多企业一开始做 AI，容易把知识问题想简单了，觉得“接个 RAG”就够了。但真到生产环境里，很快就会发现，企业需要的从来不是一个临时拼装的检索问答能力，而是一套完整的知识基础设施。

这套基础设施至少要解决几件事：

• 企业内部多源数据如何统一接入
• 非结构化内容如何加工成机器可用知识
• 知识变化后如何自动同步
• 检索结果如何更精准
• 谁能看什么、谁不能看什么
• 每个答案能不能追溯来源
• 整套系统能不能长期运营

如果没有这些能力，Agent 很容易陷入一种尴尬状态：看起来很聪明，但一进入业务现场就开始不稳定。

所以从这个意义上说，知识引擎不是锦上添花，而是企业 Agent 体系真正的底座。

六、TorchV 这类知识引擎，真正解决的是什么问题？​

如果把企业自研 Agent 看成一项系统工程，那么 TorchV 这类知识引擎的价值，远不只是“把知识管起来”，而是为企业提供一套真正支撑 Agent 落地的知识基础设施。

它解决的，不是单点问题，而是一整套从知识供给、知识治理到知识落地应用的系统性难题。

1. 把“企业有很多数据”变成“Agent 真能用的知识”​

大多数企业并不缺数据。真正缺的，是能够被 Agent 稳定理解、准确调用、持续更新的知识。

现实中，企业的数据往往散落在文档、网盘、数据库、业务系统、流程记录和历史经验中，来源分散、结构不一、版本混乱、更新不同步。结果就是，企业表面上“信息很多”，但一旦到了 Agent 真正调用的时候，却常常拿不到最合适、最新、最准确的内容。

TorchV 解决的，正是这个从“数据存在”到“知识可用”的转化问题。它不是简单做一层检索封装，而是要把分散、异构、动态变化的企业信息，沉淀成一套可以被 Agent 稳定消费的知识供给系统。

2. 通过三大引擎，让知识实现自动化构建、维护与优化​

图：三大引擎

企业知识体系最难的地方，从来都不只是“录入知识”，而是如何让知识持续构建、持续维护，并在真实业务场景中被有效使用。

TorchV 的核心价值之一，就在于通过三大引擎，推动知识从静态资料库走向动态生产系统：构建引擎让知识能够被自动化构建，健康引擎能够在变化中自动化维护，优化引擎也能够在 Agent 的检索、问答、推理与执行过程中反哺系统，让知识价值逐步提高。

这背后的意义非常关键。企业过去往往需要依赖大量人工去搬运知识、整理知识、更新知识，而一旦业务变化加快，这套机制就会迅速失效。只有让知识的构建、维护和使用形成自动化闭环，知识引擎才真正具备企业级落地能力。

3. 让知识输出可追溯、可审计，而不是“看起来像对”​

企业级 AI 与个人级 AI 最大的区别之一在于，个人场景可以接受“差不多对”，但企业很多时候不行。

尤其在金融、合规、客服、售后、风控等场景中，AI 给出的答案不能只是“像是对的”，而必须是“有依据的、可验证的、经得起复核的”。企业真正需要的，不只是答案本身，而是答案背后的来源、引用、规则和边界。

因此，知识引擎必须具备白盒化能力。不是只生成结果，而是让每一个结果都可以回溯：它来自哪里，引用了什么内容，经过了怎样的规则处理，是否处于正确的权限范围内。只有这样，企业才敢把 Agent 用在真实业务中，而不只是停留在演示和试点阶段。

4. 把权限治理前置到检索阶段，而不是后置到生成阶段​

很多企业在做 AI 时，最容易低估的，其实就是权限治理。

真正成熟的企业知识体系，不是等答案生成出来之后再去“打补丁”，而是在检索阶段就完成严格隔离。谁能看到什么，谁不能访问什么，不应该等到生成后再遮盖，而应该在数据进入系统、参与检索的那一刻就被定义清楚。

这也是为什么 RBAC、ABAC 这样的权限模型，在企业 Agent 场景中会变得格外重要。它们不是一个可有可无的“安全附加项”，而是企业能否把 Agent 放进生产环境的基本前提。没有前置权限治理，所谓企业级 Agent，往往很难真正成立。

5. 通过 AIS Atomix 的 CLI 原子能力，天然为 Agent 提供“弹药”​

企业要自研 Agent，光有模型不够，光有知识也不够，还必须有一套可被调用、可被编排、可被复用的原子能力体系。

TorchV 通过 AIS Atomix 提供 CLI 级别的原子能力，将各种底层能力沉淀为标准化、模块化、可调用的能力单元。这些能力对于 Agent 来说，不是外围插件，而是天然可接入的“弹药库”。

这意味着，Agent 不只是“知道该怎么回答”，还可以“知道该怎么行动”。它可以基于知识去调用工具、连接系统、触发流程、执行任务。知识引擎因此不再只是一个问答底座，而是进一步成为企业构建可执行 Agent 的能力供给平台。

表：AIS-Atomix的原材命令表。

6. 通过陪跑计划，帮助企业把知识引擎的价值真正发挥到最大化​

图：陪跑计划

很多企业的问题，并不是没有产品，而是即便买了产品、搭了平台，也很难在组织内部真正跑起来。

因为知识引擎的价值，从来不是部署完成那一刻自动实现的。它取决于企业如何做知识梳理，如何定义优先场景，如何打通数据，如何设计 Agent，如何建立团队协同机制，以及如何在业务反馈中持续迭代。

所以，TorchV 提供的不只是产品能力，也包括陪跑计划。它帮助企业在知识建设、场景设计、系统接入和落地迭代的过程中少走弯路，让知识引擎不只是“上线”，而是真正转化为业务价值。

从这个角度看，TorchV 交付的并不只是一个系统，而是一套帮助企业把知识能力持续转化为生产力的方法论与落地路径。

七、结论：距离80%的目标还有多远？​

回到最初的问题：距离80%的企业都可以自研Agent还有多远？

答案是：技术门槛已经基本消失，现在的障碍主要在于“数字化资产的颗粒度”和“对知识引擎的重视程度”。

随着Claude Code和Codex让代码生成变得平民化，科技部从“需求翻译官”转变为“敏捷开发者”已是既定事实。浪潮信息等厂商解决了一体化的算力与部署难题，使得成本不再是阻碍。然而，真正决定这80%企业能否成功的关键，在于他们是否意识到Agent只是“枪”，而高质量、高精度的知识引擎（如TorchV）才是那取之不尽的“弹药”。

企业应当立即采取的行动建议：

1. 重构科技部职能：引导工程师从传统的瀑布式开发转向利用AI Agent进行“叠加叠加”式的高效自研。
2. 建设知识中枢：引入像TorchV AIS这样的专业引擎，将企业历史沉淀的文档、规则、经验自动化地转化为Agent可理解的高精度知识库。
3. 拥抱国产算力底座：选择成熟的、高性价比的本地化推理方案，确保核心业务数据在安全可控的环境下运行，并有效控制Token成本。

智能体时代的竞赛已经开始，领先者已经从“买软件”转向了“造智能”，而支撑这一切的坚实基础已经由TorchV、浪潮信息等先行者铺设完毕。

引用：

[1]：微众银行、京东、字节跳动等AI Agent落地实践— https://www.shaqiu.cn/article/p3MJVz5rLQZ5

[2]：上海银行联合数势科技打造智能问数平台，以“大模型+Agent”技术驱动金融数据民主化变革｜案例研究— https://finance.sina.com.cn/roll/2025-08-01/doc-infimste5100925.shtml

[3]：北京卫视报道：让“虾客”用得起！浪潮信息将每百万Token成本降至1元！— https://www.ieisystem.com/about/news/21984.html

[4]：智能体浪潮逼近！Agent连接达到千亿级 推理算力实现10倍以上增长—https://finance.sina.com.cn/jjxw/2026-03-06/doc-inhpzeqx2638364.shtml

[5]：上海银行姜玉坤：数字化转型不只是技术升级，更是业务竞争力重塑—https://finance.sina.cn/hy/2025-12-22/detail-inhcsmfi7782244.d.html?vt=4