推荐语

智能体开发不再需要复杂代码，一句话就能生成企业级工作流，让业务人员也能轻松搭建智能应用。

核心内容：
1. 智能工作台如何用自然语言描述自动生成工作流
2. 平台如何封装技术细节，实现开发流程降维
3. 多Agent自动编排与真实场景应用

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

24年开始，我陆续给几个朋友的企业，做AI落地方向的技术产品顾问。

现在来看，当时的我把企业级AI工程化的落地，想得太简单了。

一方面，传统调参数式的模型调用，并不一定能满足实际业务需求。另外一方面，安全和生态整合，是绕不开的长期复杂工程。

说实话，当企业AI顾问，压力很大，交付很难，真正有产出有效果更不容易。

上个月，看到腾讯云智能体开发平台ADP，新上线了“智能工作台”。

我第一感觉是，终于有了个能「一句话用AI解决企业问题的好东西」，然后一想，似乎以前的公司AI顾问，都需要重新审视自己的价值了。

希望能给正在评估企业级Agent落地方案的朋友，提供一些真实的参考。

01

说话就能创建工作流，智能体开发更低门槛

第一次打开ADP智能工作台的控制台，感觉页面非常简洁。

没有满屏的术语和专业词汇，就是一个大大的输入框，写着一句话：“连接知识，开启智能工作方式。”

首先添加工作流生成助手 Skill，在对话框点击Skills，选择添加“ADP 工作流生成助手”。

试着输入了一个场景：@ADP 工作流生成助手 skill，帮我做一个财务报销审批的智能体。要求员工上传发票图片，自动识别发票抬头、金额、税号，跟公司财务系统的预算余额做比对，以及校验是否符合报销规则及对应额度，预算足够且条件满足就自动通过，预算不够就走人工审批流程。

我输完这段话，点了发送。

等我端着咖啡回来看到控制台界面的时候，已经看到反馈了。

工作了将近两百个节点，包括图像识别节点、条件判断节点、预算查询API调用节点、多轮对话节点，还有异常处理分支。

每个节点的参数都已经预设好，还自动关联了腾讯云官方提供的OCR插件。

我想搭建一个「客服助手智能体」，也是一样，说出具体诉求，就可以生成工作流。

说实话，那一刻我的技术自尊心，受到了一点小的冲击。

过去我做这种工作流，得先在白板上画流程图，然后写Node.js代码或者Python代码调各种SDK，调试不知道多少遍才能跑通。

现在一个业务人员，只要懂自己公司的业务流程，用自然语言描述出来，平台就能自动生成可执行的工作流。

特意花时间研究了一下，ADP背后的技术逻辑。

简单来说，它把整个智能体开发流程做了降维。

以前你得懂工作流引擎、懂API集成、懂提示词工程、懂RAG检索、懂多Agent编排。

现在这些复杂的技术细节被平台封装成了底层能力，在业务层面只需要做一件事，就是描述想要的业务流程是什么。

平台自动拆解你的需求，识别出需要哪些节点、需要调用哪些工具、需要什么样的分支逻辑。

可以直接生成完整的工作流，通过应用构建导入，再在画布上进行微调。

保存后就能发布到企业微信、公众号、小程序或者你自己的APP里。

除了工作流自动生成，让我觉得超出预期的另一个功能是多Agent自动编排。

我在真实场景应用的时候发现，ADP支持Multi-Agent模式，可以一句话自动创建一支会协作的Agent团队。

系统自动判断这个复杂任务需要拆解成几个子任务，每个子任务安排一个专门的Agent负责，Agent之间怎么协作、信息怎么传递，通通自动生成配置。

开发过复杂Agent系统的朋友都知道，多Agent协作最大的痛点不是单个Agent的能力，而是它们之间的沟通机制和任务分工。

传统做法需要手动配置每个Agent的角色定位、职责范围、转交规则、对话上下文管理，一套配置下来能让程序员掉一层头发。

但在ADP里，只需要在界面上选择多Agent模式，描述一下你想要的协作场景，剩下的事情平台自动搞定。

ADP把很多顶级的AI科研能力集成到了产品层面，但不是简单的能力打包，而是真正考虑到企业实际场景中怎么用起来方便顺手。

我觉得ADP智能工作台做的最对的一件事，就是它把门槛降低到了业务人员可以直接参与的程度。

在我过去两年的企业服务经验里，最大的障碍不是技术不行，是业务和研发之间的语言不通。

现在ADP让业务人员自己用自然语言描述业务流程，平台自动生成技术实现。

中间的翻译成本归零了。甚至老板本人都能直接下达一线命令。

这在我看来才是真正意义上的降低AI落地门槛。

02

企业真正关心的，是AI和旧体系的融合

说实话，光会搭建智能体其实不算什么本事。

拿市面上任何一个Agent开发框架，花点时间总能搭出来一个能跑的东西。

真正让我觉得ADP心思缜密的，是它这套被集成能力。

这就要说到我做企业服务以来最深的体会。

做再多漂亮的智能体应用，客户最关注的问题其实就一句话：你怎么跟我的现有系统待在一起。

他们用的不是腾讯的ERP，不是阿里的CRM，是自己花了十几年甚至几十年慢慢建起来的IT系统。

这些系统里有几十年的数据资产、大量定制的业务流程、严格的安全合规要求。

让企业把这一切推翻重建来迁就你，那是绝不可能的。

ADP对被集成的理解，一开始就跳出了单点API的层面。

别家跟你讲API，ADP直接扔给你一套完整的四层可插拔框架。

这才是企业真正关心的命脉。

能力层是我个人最感兴趣的一块。

ADP内置了150多种插件。包括Browser Use这种浏览器自动化工具、Computer Use这类计算机操作工具，还有微信支付MCP等。

但更让我兴奋的是Skill广场的理念。

现在ADP的Skill广场已经沉淀了120多个应用模板和100多个提示词模板，覆盖了经营管理、人力资源、财税法务、医疗健康等多个场景。

我试着在Skill广场里找到财务分析场景相关的Skill。

导入都很简单，像装个手机App一样，点击安装就开始用了。在测试中我发现一个很有意思的细节，就是这些Skill不是简单的功能绑定，而是带着数据依赖关系、权限校验逻辑、工具调用链路的一套完整能力单元。

像我想安装一个销售数据分析Skill，它不只是给一个聊天界面让你问销售额是多少，还能自动连接你的销售数据库、调用数据分析工具、生成可视化的报表。

做完之后的结果还可以被其他Skill继续使用。

这种感觉很像乐高积木，即插即拔。

企业不用再每次从零开始构建业务能力，而是从Skill广场拿不同的能力模块组合起来，快速拼出自己需要的解决方案。

这种设计理念我觉得是抓住了企业级落地的核心矛盾。

企业级落地，一个核心矛盾是，很多时候，企业不想要一个全新的写死的黑盒，推倒重来太冒险。

他需要的是一个可以跟他现有系统好好相处的、能够慢慢长在他的系统土壤里的智能体。

ADP提供的就完全不是一次性交付产品，更接近持续生长、持续嵌入的能力底座。

底层还有安全层。

多租户数据强隔离，用session_ id加应用级加底层数据三重隔离，不同租户的数据物理上就分开了。

权限系统分平台、空间、应用、知识库四层，数据权限不等于功能权限这种复杂的权限模型也支持。

内容安全审核做了输入和输出的双向扫描，敏感命中会返回is_evil字段，让外部系统可以判断是否要进行二次处理或阻断。

部署方式支持公有云、私有云、混合云，金融和政务客户可以私有化部署，确保数据不出域。

这些能力听起来不算性感，有点枯燥，不如大模型什么的那么迷人。

但这些东西，才是企业真正敢把核心业务交给AI的基础。

没有这一层，上一层的花哨能力再多，客户都不敢真正用起来。

03

ADP像个包售后的一站式企业服务专家

做过企业系统的人都知道一句话：系统上线才是痛苦的开始。

C端的Agent产品，糊弄一次对话可能就过去了。

用户聊的不开心，划走换下一个。但在企业内部，你糊弄不了。

员工问一个政策问题你答错了，他会截图发给主管。主管会问你们IT部门怎么搞的。然后你就得花半天时间翻日志查原因。

这种感觉，我太熟悉了。去年给朋友公司搭的客服系统翻车后，他半夜给我打电话，语气挺委屈的，说你做的东西好像不太稳定，那个问题不该这么回答的。

我翻了好多条对话记录，花了好久才定位到是某个知识块解析不准导致检索错误。

ADP在企业级可观测这一块的投入，我觉得是它跟C端产品拉开差距的核心。

从这个角度说，ADP和其他产品的思路差异，很像专业摄影机和智能手机的差别。智能机给你好看的照片，但你不知道怎么来的。

专业摄影机不仅给你照片，还把所有参数、元数据、拍摄过程完整记录下来，方便你复盘和改进。

ADP就是给企业准备的这架专业摄影机。一切都要可追溯、可度量、可优化。

数据分析面板可以看消息数量、用户数量、点赞数量。

数据大概有十来分钟的延迟，按天、周、月导出明细都很方便。关键是每条对话的调用链都能追回去，用了哪些知识库、调用了哪些工具、走的是哪条工作流分支，都在后台记着。

我试着在测试问了一个需要调用外部API的问题，然后去运营后台看它的调用链。果然每一步都清晰显示着它怎么从知识库找到相关信息、怎么调用远程接口、甚至中间怎么做了几次决策和分支判断。

智能评测体系也值得一提。

ADP支持三种评测模式，裁判模型打分、代码执行验证、规则引擎评分。

可以拿同一个评测集对比不同模型的效果。我在测试的时候直接用前面导出的对话记录作为评测集，跑了两个版本的模型对比。报告直接告诉我新版本在哪些问题上表现更好，哪些反而退步了。

这样一来，之前运营过程中积累的对话不再是维护负担，反而成了推动智能体不断进化的燃料，形成了一个很完整的运营闭环。

Token消耗和成本管控方面，ADP会在token_stat事件里实时返回输入Token数、输出Token数、总消耗、调用步骤。

应用级有账户余额管理，API调用超量会返回明确的错误码。

对Token成本比较敏感的企业可以设置套餐包加超额计费的方式，腾讯云通常不会让你在不知情的情况下产生过度消费。

以一个企业级智能体的完整生命周期来看，ADP把这个过程全都串起来了。

配置阶段用自然语言生成工作流，调试阶段在对话测试窗口看调用链验证逻辑。评测阶段跑多模型对比确保质量，发布阶段一键分发到企业微信公众号小程序和自己的自建应用。

运营监控阶段有数据面板加对话记录加智能分类来持续观察，优化阶段再把不满意问题回流到知识库或问答库修正，回归评测再上线。这就形成了一个闭环。

做企业级智能体的同行都知道，大模型本身的能力其实大家都差不太多。真正拉开差距的是在这套工具链上。你是不是能让开发者在开发、调试的时候爽，让业务人员在运营、优化的时候顺手。在这一点上，ADP想得挺深的。

04

真正跑在业务里的AI

回到我开头说的那句话。ADP智能工作台，真的很像我曾经幻想过的那个样子。

我幻想过有一天，我不用再去啃几百页的API文档，不用再掉头发去写复杂的prompt，也可以在AI时代的创业机会面前，实现我口中那个精妙绝伦的业务需求。

我也幻想过，企业里面的每一个成员都不用再去翻墙注册各种乱七八糟的国外AI应用，只需要像打开自家的ERP系统一样方便地去使用公司内部专属的企业级AI助手。

但我们所处的现实，总是比理想复杂得多。大模型本身的能力一直在快速迭代，可光有大模型远远不够。

还得思考怎么把它接入你的数据库，怎么跟你的CRM系统联动，怎么在你的企业微信里跑得既快又安全，怎么让业务人员也能参与优化这个系统的行为。

ADP智能工作台，就是在回答这些问题。

它降低了AI应用构建的门槛，让业务人员能直接参与。

它强化了企业级可观测和运营闭环，让AI应用能被持续管理优化。

它还构建了深度的被集成能力，让智能体真正长在业务里，而不是悬浮在业务之外。

最好的AI，是你看不见的AI。

它内嵌在你日常工作的每分每秒里、无声无息地变成你的超级外脑和最强辅助。

ADP就是试图扮演这样一个角色。它不是要取代谁，而是要成为企业数字化转型中最坚实的那个底座。

在智能体从可用走向好用的这条漫长的道路上，我觉得ADP至少走在了正确的方向上，而且它走得很稳。

最后附上ADP的官网链接，想试的朋友可以去看看。

有任何使用上的问题，欢迎评论区跟我交流。

也希望腾讯云的官方团队能够多听听我们这些一线开发者的真实反馈，把这个产品做得更好。

腾讯云ADP官网：

https://cloud.tencent.com/act/pro/adp-pu-activity?from=29920