Update 3、The Value and Construction Challenges.mdx

Author: xueqidove

docs/pages/3、The Value and Construction Challenges.mdx

@@ -2,6 +2,7 @@
 
 ## 3.1.企业智能体的价值
 企业智能体一旦能够投产并产生数字生产力，智能体对于企业的价值就会很快呈现出来。这种价值主要体现在以下三个方面：
+
 ● 让任务完成效率更高：这是大家最容易想到的一个价值方向。当前企业内部存在大量传统数字化技术难以自动化的任务，这些任务普遍都依靠员工手工执行并且容易出错。智能体凭借在自然语言交互与智能决策上的巨大优势，在自动化此类任务时有着明显效率优势；
 
 ● 让任务完成质量更高：由于大模型的幻觉问题，人们常认为智能体完成任务的质量不及人类，但实际情况洽洽相反。一个设计良好的智能体完成任务的质量下限很多时候比人类员工完成的质量下限要高，且更为稳定。尤其是在需要大量人力去完成大量同样任务的时候，人类员工由于知识背景、培训程度、岗位技能的差异，导致完成任务的上下限差异幅度大，不容易管理。相反，设计良好的智能体能够获得比人类更完整知识背景，更稳定推理质量，再辅助合适的质量检查和反思逻辑，其输出质量的下限能够很好地得以保障。
@@ -12,6 +13,7 @@
 
 ## 3.2.企业智能体建设的机遇
 毫无疑问，生成式 AI 的发展速度是整个 AI 发生历史中最快的。眼下，我们完全可以用日新月异来描述这个行业的全面进步。当然，这种进步给企业带来的最直接的机遇就是智能体建设的窗口期全面打开。具体来说，这主要体现在以下几个方面：
+
 ● 大模型能力在快速提升。得益于头部企业大规模的 AI 基础设施投入以及 Scaling Law 法则带来的红利快速兑现，业内主流大模型能力基本每半年甚至更短时间快速迭代一轮。各种基准测试的上限在不断被刷新。部分企业在实践过程中也能明显感知到，模型版本的每一次更新都可以给智能体带来的显著智能化水平提升。
 
 ● 大模型能力在充分开放。开源与闭源路线一直是大模型领域争论最激烈的话题。2025 年初 DeepSeek R1 模型的发布让这个争论有了阶段性的结论，那就是开源大模型是主流选择之一。随着国家把人工智能普惠上升为国家战略，国内几乎所有行业头部企业都参与到大模型开源这个浪潮中。而充分竞争的开源大模型格局又会反过来推动开源大模型以不低于（甚至高于）闭源大模型的速度发展。有了高质量的开源大模型后，企业构建智能体的技术门槛和成本门槛都快速下降。无论是自己搭建专属大模型服务还是采纳公有云运营的大模型服务都变得触手可得。
@@ -24,6 +26,7 @@
 
 ## 3.3.企业智能体建设的挑战
 作为一个变革性技术，智能体对于大部分企业来说都是一个全新的东西。无论是观念的理解还是企业相关能力的建设都非常具有挑战。具体来说可以分成以下几个方面：
+
 ● 企业认知挑战（尤其是公司决策层的认知挑战）：智能体被称之为“数字员工”，是企业未来运营中的一种全新智力来源。这需要公司全员能够理解到这类智力的特点、能力边界以及如何设计数字员工与人类员工之间的协助关系。同时，一种新的智力引入也可能给企业的经营发展带来更多的可能，让原来没法做或者不值得做的事情变得可行，相反也可能瓦解企业目前建立起来的某些核心竞争力。这些都是需要认知层面深入思考的重要问题。
 
 ● 员工技能挑战：智能体和企业员工之前遇到的数字化工具有很大不同。首先，员工在构建和使用智能体过程中需要把它当成一个有智力的“数字人”看待，这是员工使用之前数字化员工没遇到过的情形。比如，员工需要理解一个智能体的边界就像你要了解你同事的能力边界一样。面对不同能力的智能体，你需要安排合适它的任务或者以不同方式和这位同事协作（比如，初级智能体你需要主动帮它拆解问题、明确流程，而对于高级智能体你仅需要清晰告知任务内容和要求）。其次，由于生成式 AI 技术还在发展初级阶段，各种技术的迭代仍然非常快，这需要员工保持高频的自我技能迭代。公司也需要给员工在这方面提供充分的培训与赋能。