AI 建设，从一个可验证的业务任务开始
选择内容有来源、规则能说明、结果能核验的任务，例如检索报销制度、整理合同字段或生成项目周报初稿。先约定输入、输出、人工复核与评价方法，再确定模型与工具。下面介绍的是可讨论的建设方向，具体实现和交付范围按项目验证。
四类值得优先评估的应用
- 企业知识问答：围绕制度、产品资料和项目经验检索原文，带出处回答。
- 业务文档处理：结合文本解析、OCR 或多模态识别，整理字段、摘要和差异。
- 流程智能助手：查询任务、准备申请材料、调用受控工具，关键动作由用户确认。
- 经营数据辅助：把自然语言问题映射到受控指标和查询，输出数据依据与解释。
RAG：让回答回到组织知识
RAG 将检索与生成结合，在回答前寻找相关资料。建设时可按场景组合关键词与向量检索，增加重排序，保留文档出处、有效状态与权限过滤。它有助于让回答依据可检查，但仍需要评测和人工核验。参见 阿里云 RAG 核心概念。
MCP 与 A2A：工具连接和智能体协作
MCP 提供工具、资源与上下文连接的标准接口；A2A 面向独立智能体之间的发现、任务和信息交换。可以按需求评估这两类协议，减少定制连接成本。接口标准不等于业务授权，工具范围、身份、数据访问和执行确认仍需在应用中设计。参见 MCP 架构说明 与 A2A / MCP 对照。
前沿能力，更需要工程化基础
- 模型适配：根据中文理解、文档类型、调用成本与部署条件选择模型，避免用一个模型处理全部任务。
- 流程编排：将检索、解析、规则校验、工具调用和人工确认组织成可观察的链路。
- 效果评测：用脱敏后的真实问题建立测试集，分别检查检索质量、引用正确性和任务完成情况。
- 运行治理：记录版本、耗时、调用成本和错误，设置超时、失败回退和权限控制。
- 数据边界：明确可发送给模型的信息、部署位置、保留策略与用户授权。
从试点到业务入口
先完成场景和数据评估，建立小范围样本验证；达到双方约定的效果后接入门户、流程或移动工作台；持续收集反馈，维护知识与评测集。自动执行范围逐步开放，涉及金额、权限或对外操作的关键步骤保留人工确认。