探索有赞如何将Agent技术从理论落地到实际业务，并给零售SaaS场景带来真正的创新
这篇文章将深入解析有赞如何把Agent技术从理论层面成功部署到实际业务运营中，为零售SaaS场景注入真实且可量化的创新价值。全文重点阐述三个核心议题：Agent技术的本质是什么、有赞在智能助手与智能销售两个领域的实践案例，以及AI时代产品研发所面临的挑战与应对策略。
- 1 引言
- 2 Agent 相关概念
- 2.1 什么是 Agent
- 2.2 Agentic System 的组成部分
- 2.3 Multi-Agent 系统的设计原则
- 3 有赞的 Agent 实践案例
- 3.1 智能助手（加我助手）
- 3.2 智能销售
- 4 AI 时代的挑战和实践
- 4.1 产品研发面临的四个「不知道」
- 4.2 软件范式的根本性变化
- 4.3 以数据为中心的研发模式
- 5 结语：Agent 技术的未来展望
1 引言
Agent 技术正迅速成为人工智能领域最受关注的关键词。自2023年起，arXiv 上以“agent”为关键词的论文数量持续攀升，截至2025年4月，每月新增论文已接近千篇。工业界同样不遑多让，LangChain、CrewAI、LlamaIndex 等数十种框架相继涌现，覆盖编程、金融、法律等多个通用与垂直领域，各类 Agent 产品遍地开花。
图 1：Agent 技术生态繁荣，各类框架层出不穷
作为技术从业者，我们关注的不仅是概念本身，更在于如何将概念转化为实际的业务价值。本文将有赞在 Agent 领域的实践经验进行分享，从技术原理出发，延伸到业务应用，探讨在零售 SaaS 场景中 Agent 能够带来怎样的巨大潜力。
2 Agent 相关概念
2.1 什么是 Agent
谈及 Agent，行业内究竟在讨论什么？有趣的是，尽管 Agent 概念已火爆异常，业界对其定义仍未形成统一共识。我们接触过的定义至少有三十种之多，例如：
- 前 OpenAI 安全主管 Lilian Weng：Agent = LLM + planning + memory + tools
- LangChain：使用 LLM 决定控制流的系统
- OpenAI：能够独立为用户完成任务的系统
每家公司都宣称自己在做 Agent，但每个 Agent 又各不相同。最近 OpenAI 在《A practical guide to building AI agents》中含蓄地指出，LangChain 的 LangGraph 框架对 Agent 进行了过度抽象，LangChain CEO 公开回应，引发许多开发者在 Twitter 上展开讨论。
与其纠结于“真正的”Agent 定义，不如承认系统具备不同程度的智能——如同自动驾驶汽车拥有不同级别的自主性一样。
图 2：Agent 与环境的交互模型
尽管定义多种多样，但基本共识是：Agent 是一种有目标、基于环境的决策系统。与 LLM 的最大区别在于，Agent 能够与现实世界交互：感知环境、做出决策、执行行动、影响环境，再根据反馈调整，持续迭代循环。
2.2 Agentic System 的组成部分
一个完整的 Agentic System 包含四个核心部分：
- 感知：为模型构造上下文。最常见的是 RAG（检索增强生成），也可以查询数据库、网页中的结构化信息，或检索历史记录（记忆）。
- 决策：本质是规划。可以通过规则构建（workflow），也可用 LLM 驱动（自主 agent），或借助外部规划器。设计时需在泛化性和正确性之间权衡——LLM 驱动泛化程度高但不确定性大，workflow 泛化程度低但更可控。
- 执行：调用工具改变环境。包括 API 调用（REST、RPC、SQL、函数调用），或使用 RPA 整合图形软件（例如 Anthropic 的 Computer use）。
- 反馈：评估和迭代机制。可通过人类标注、规则或模型生成来更新，更新方式可以是离线或在线的。
图 3：Agentic System 的四个核心组成部分
这个闭环构成了 Agent 的基础单元。复杂 Agent 由多个小 Agent 组成，这符合业务逻辑——大决策本质上是一系列小决策的集合。
2.3 Multi-Agent 系统的设计原则
Agent 之间互相调用和协作形成 Multi-agent 系统，但设计时需避免过度拆分。一个 Agent 应对应一个业务决策点，通过持续反馈不断优化。
何时需要 Multi-agent？可以借鉴分布式系统的思路。将 Agent 类比为计算机：LLM 是 CPU，Context window 是内存，向量数据库是硬盘，tool 是程序。分布式系统要解决三个问题：
- 性能不足：单机计算/存储不够（如 Hadoop、Flink）
- 容错：单系统容易出问题，需要多系统协同
- 协作：不同团队负责不同微服务
图 4：Multi-agent 系统设计原则
Multi-agent 系统同样如此，主要解决单次 LLM 调用智力不足的问题，其次才是容错和协作。系统架构应从单 Agent 开始，等到确实需要时再过渡到多 Agent。
3 有赞的 Agent 实践案例
接下来介绍有赞的具体实践，简要分享两个项目：加我助手和智能销售。
3.1 智能助手（加我助手）
加我助手的演进走的是从单 Agent 到 Multi-agent 的路径：
- 初始阶段：只有产品问答模块，采用简单的 RAG
- 技能扩展：增加了多种技能，但用户需手动切换
- 意图识别：开发了意图识别 Agent，仍为单 Agent 架构
- 多 Agent 体系：随着场景复杂化及多团队协作需求
图 5：加我助手的迭代演进
除了架构演进，还进行了多项技术优化：
RAG 优化：增加了查询改写功能，提升了系统鲁棒性。用户未必能提出完美的问题，通过查询扩展和改写，系统能更好地应对各种输入变化。
知识图谱：引入 GraphRAG 技术，产品知识问答准确度从 76% 提升到 93%。对于算法能力一般但工程能力强的团队，知识图谱是模型后训练的实用替代方案。
强化学习：在经营分析场景中，将评价体系（如 AARRR 模型）转化为强化学习的奖励函数，实现模型持续优化。
图 6：经营建议场景下的强化学习
我们还在经营分析场景上基于 SFT 和强化学习进行了微调。之前基于经营分析 Agent 构建的数据集和评价体系，天然适合过渡到 RL 领域的环境和奖励函数。评估一个经营建议的好坏，重要指标是思考过程是否符合 AARRR，现在做 RL 时，奖励函数之一就是思考过程是否符合 AARRR。
3.2 智能销售
过去一年，我们持续尝试用 AI 技术改善销售流程、提升销售业绩。
在有赞这类 B2B 销售场景中，销售链路较长。整个过程包括线索挖掘、意向判断、需求挖掘、邀约演示、报价成交等多个阶段。通过自动拉群和 AI 的意向判断、需求挖掘，整体线索转出率比人工高出 10 个百分点。原来 SDR 线上团队有 10 人，现在减少到 2 人，而且这两人仅需负责质量检查和应急处理。
图 7：智能销售项目
目前，我们的智能销售仍在向 Sales Agent 方向深耕，开始打造 AI Native（原生）的销售平台。所谓 AI 原生，不应该只是做一个 Copilot，而是能够完成销售目标的 Agent，是每个销售人员的数字分身。
4 AI 时代的挑战和实践
4.1 产品研发面临的四个「不知道」
AI 时代带来了诸多机遇，也给产品研发带来了前所未有的挑战。组建 AI 团队时，成员多从传统产品研发转岗而来，大家发现做 AI 项目——尤其是 AI 原生应用——传统的基于流程式的软件工程方法论开始逐渐失效。
总结起来有四个“不知道”：
- 不知道能不能做：模型能力边界不明确，需求可行性难以判断，技术进展速度太快。
- 不知道做成什么样：GUI 界面还是对话框？功能如何组织？
- 不知道怎么协作：角色定义、职责分配、测试方法都需要重新思考。
- 不知道好不好用：用户接受度和体验效果难以预测。
这些问题归根结底是底层软件范式发生了变化。
4.2 软件范式的根本性变化
传统软件基于确定性逻辑：相同输入产生相同输出。AI 系统则是概率性的，行为难以完全预测。这要求产研团队重新思考基本假设：
- 从“完美无缺”到“足够好”：接受概率性结果，设计容错机制。
- 从“代码为王”到“数据为王”：核心竞争力从代码转向数据和模型。
- 从“静态需求”到“动态迭代”：基于数据反馈持续优化。
4.3 以数据为中心的研发模式
AI 产品的核心竞争力已经从代码转向了数据。产品研发不再只是写代码，而是围绕数据收集、标注、训练、评估和部署展开。这要求产研团队建立全新的工作流程和评估标准，同时产品和研发人员都需具备数据思维。
在这种开发模式下，数据质量和数据策略成为产品成功的关键。团队需要思考如何获取高质量数据，如何从用户交互过程中收集数据来实现数据飞轮。基于数据的 Agent 反馈迭代速度，直接决定了产品的核心竞争力。
这种挑战对团队中每个人都是一次考验。面对这种挑战，最关键的是每个人都要保持破圈的意愿。传统软件开发中，长期专业分工形成的身份认同感让人倾向于固守自己的领域，不断强化专业壁垒。
但 AI 在降低专业门槛的同时，更强调全栈思维。单一技术背景已难以应对复杂挑战。传统的“产品定需求、研发做实现”的简单分工已不适应 AI 时代，每个角色都需要主动跨越传统边界，形成互补协作。将工程思维、设计思维、商业思维和科学思维结合起来，形成解决 AI 复杂问题的综合能力。
- 产品经理：必须懂技术，能独立完成 TPF 验证。
- 研发人员：从需求实现者变为产品共创者。
- 架构师：需要考虑性能、一致性、可解释性、可测试性等新维度。
图八：以数据为中心的研发模式
5 结语：Agent 技术的未来展望
通过有赞的实践，可以看到 Agent 技术在商业场景中蕴含的巨大潜力。Agent 正在重塑客户互动和价值创造的方式，为零售业务带来全新的可能性。
对于想探索 Agent 的团队，建议是：从小处着手，从单 Agent 开始，关注数据质量和反馈机制，保持“破圈”的意愿。在技术快速迭代的今天，只有持续学习和实践，才能把握变革机遇。有赞将继续在 Agent 领域深耕，为零售业务带来更多智能化解决方案。