别再自研 Agent 了,编排层才是正解

发布时间:2026-10-27

作者:William

引言

先给判断:门口的问题解决之后,企业马上会撞上第二堵墙,速度墙。而撞墙之后最流行也最错误的解法,是自研一个通用 Agent。正确的解法藏在另一个词里:编排。

第一篇讲的是接待规则的改写:机器客人来了,你的内容要结构化、可溯源、不过期。但把门口的事做扎实之后,一个更尖锐的矛盾会浮出水面。机器客人不睡觉、不排队、不按人的节奏提需求。客户的采购 Agent 发来一段结构化请求:七十二小时内,提供四十个型号的选型参数、安装图纸、三种语言的运维手册,以及各型号在目标国的认证状态。

这种请求,用人力拼,两周是快的。用传统的跨部门协作流程,先发邮件、再拉群、再等排期,一个月不奇怪。对方给的窗口是七十二小时,而且它不会等你,它会同时在三家供应商那里发出同样的请求,谁先交齐、交得干净,谁进下一轮。

于是所有企业都会问同一个问题:谁来把这些活接住?答案的方向有两个,一个是错的,一个是对的。错的方向叫「造一个更聪明的机器人」,对的方向叫「把现有的系统连成一条流水线」。这一篇,就把这两个方向掰开讲清楚。

一、为什么「自研一个 Agent」是错的方向

先把错误答案的吸引力承认掉。它确实诱人:市面上通用 Agent 的故事讲得天花乱坠,企业内部又总有一支想干点大事的技术团队,预算审批会上「AI 战略」四个字自带光环。三股力量一汇合,自研 Agent 项目就立项了。

然后大概率死掉。这不是悲观,是有数字的。Gartner 预测到 2027 年,四成的 Agentic AI 项目会被取消。MIT 2025 年一份基于 52 场高管访谈、153 份问卷和 300 个公开部署案例的研究更直接:95% 的企业生成式 AI 试点没有产生可衡量的投资回报。注意这个研究的判定标准,它说的失败不是模型跑不起来,是「没有带来持续的生产力提升和可验证的损益影响」。换句话说,Demo 跑通了不算成功,账算得清才算。

同一份 MIT 研究里还有一个更扎心的发现:AI 投资回报最高的地方是后台流程自动化,而多数企业的预算大头却压在了销售和营销环节。钱花在了最难见效的位置。

失败的原因高度一致:模型够聪明,演示很惊艳,一到生产环境就崩,崩在工具编排、环境适配、长程一致性、错误恢复这些工程环节上。

而这些工程环节,恰恰是平台最擅长、企业最不擅长的部分。通用 Agent 的竞争力由三层构成:模型推理、工具编排工程、数据反馈飞轮。三层全是重资产,平台以周为单位迭代,企业以季度为单位验收,不在一个时间尺度上。企业自研通用 Agent,等于拿一支业余队参加职业联赛,比赛还没开始,结果已经写好。

更关键的是一个定位错误:企业真正缺的从来不是「通用的智能」。通用的智能,平台会越做越强、越做越便宜,这是趋势,抗拒没有意义。企业真正缺的,是把自家系统里的数据、规则、流程接进智能的那层「手」。手必须长在自己的身体上,脑子可以借。把借脑子的钱省下来,花在长手上,这才是 ROI 为正的配置。

二、编排:DXP 平台的原生解法

对的方向,行业里有个准确的词:编排(Orchestration)。编排不生产智能,它调度智能;不替代系统,它连接系统。而 DXP 平台做编排,有一个天然优势:它本来就坐在所有内容的中间。

CMS 管发布,PIM 管产品事实,DAM 管资产,电商引擎管交易,知识中心管问答。过去这些模块之间的协作靠人:市场部从 PIM 导出参数,发给设计做页面,设计做完交给 CMS 发布,发布完通知电商同步。这条链上每一次交接,都是一次等待、一次口径漂移、一次「你发我的不是最新版」。

编排层做的事,就是把这条链上的交接,从人换成调度。它听得懂自然语言的任务描述,然后拆成一串跨模块的动作:取哪些事实、用哪些资产、走哪些审批、发到哪些站点、同步哪些渠道。人从搬运工变成审批人。

龙孚 BMS DXP 里承担这个角色的,是 Maestro 智能体平台。对它的定位,值得用一句话钉死:Maestro 不做通用的脑子,它做编排的手。脑子可以借,通用 Agent 的能力可以直接调用平台的;手必须长在自己的身体上,因为它要握的是企业自己的模块、自己的数据、自己的规则。

回到开头那个七十二小时的请求,编排层的跑法是这样的:请求进来,Maestro 解析出涉及的型号清单,去 PIM 拉参数和认证状态,去 BMS-DAM 拉对应版本的图纸和手册,按目标语言匹配多语言版本,缺失的部分生成任务单推给翻译流程,齐套之后打包成结构化交付包,回给客户 Agent。全程人工只出现在两个节点:认证状态的法务复核,和交付包的最终签发。六十一小时,赶在窗口关闭前交齐。

这就是编排和自研的分野。自研是从零造一个什么都会的机器人,编排是把已经各有所长的模块连成一条会跑的线。前者要对抗平台的迭代速度,后者只需要管好自己家里的事。

三、内容供应链:从作坊到流水线

把编排放进更大的图景里看,它其实在补一块缺了二十年的拼图:内容供应链。

制造业有供应链,这件事所有人都接受。一颗螺丝从入库到上线,有台账、有批次、有质检、有追溯。但内容呢?一张产品图从拍摄到上线,中间经过谁的手、改过几版、依据哪份参数、谁批的,多数公司答不上来。内容行业干了二十年,本质上还是作坊:手艺在人身上,流程在群里,台账在没有人维护的共享盘里。

作坊模式在低产量时代可以容忍,在 AI 时代不能。前面说过,行业预测到 2028 年八成内容团队会用上 AI 工具,单个资产的生产成本下降约 45%。产量翻着跟头往上涨,治理能力却还靠人肉。第一篇里 Widen 那个调研数字在这里再次适用:46% 的企业因为管理流程缺失,重复制作已经存在过的素材。产量越大,这个比例造成的浪费越惊人。

AI 时代把作坊模式判了死刑,原因很简单:作坊的产能跟不上机器客人的胃口。Agent 取件是批量的、并发的、全天候的;作坊的交付是串行的、单线程的、上班时间的。当你的客人变成机器,你的生产方式还停留在手工作坊,差距不是效率差一点,是根本接不住。

流水线的内容生产长什么样?原料入库,事实进 PIM、资产进 DAM;工序流转,翻译、合规检测、本地化适配;质检,规则校验、版本核对;出厂,多站点发布、多渠道同步;售后追溯,引用记录、版本回收。每一道工序有输入、有输出、有责任人、有时间戳。内容第一次有了批次号。

这条流水线上跑着几项龙孚 BMS DXP 的原生 AI 能力,值得单独点出来,因为它们决定了流水线的速度上限。

AI 打标。资产入库那一刻,系统识别内容、生成标签,历史存量批量补标。没有这一步,流水线的第一道工序就是堵的:原料找不到,后面全是空转。多数企业的资产库不是没东西,是东西没被描述,文件名叫「最终版-2-真的」,机器和人都读不懂。打标就是给每样原料贴上机器可读的标签。

AI 翻译加多语言。从资产发布到页面渲染,多语言不是事后翻译一遍贴上去,而是作为内容属性随版本流转。六种语言的手册,不是六份文件,是一份内容的六个语言面。改一处,六个语言面同步更新,口径永不漂移。

AI 合规检测。待发布素材自动与目标市场的法规、人文习俗比对,法律红线查,文化雷区也查,比如某些市场对色彩的禁忌、对人像展示的敏感。这是流水线上的质检员,不睡觉,不请假,不放人情。它替代不了当地法务的最终判断,但能把明显风险拦在发布前,而不是投放预算烧完之后。

深蓝色科技风PPT幻灯片,展示AI打标、翻译和合规检测三个模块。背景带有数字网格与发光效果,整体风格现代、专业且具有未来感,适用于企业演示。

(图片展示了Agent的三项原生能力)

这三项能力单独看都不惊艳,惊艳的是它们长在流水线上。打标让原料可找,翻译让工序可并行,合规让质检可前置。作坊和流水线的区别,从来不在某一台机器,在于机器之间有没有传送带。编排层就是那条传送带。

顺带说一个岗位层面的观察,它能说明流水线的本质。AI 翻译上线之后,最先慌的是翻译团队,但实际发生的变化是角色迁移:AI 把八成的句子翻完,人退到两成最要命的位置上,行业术语的当地叫法、合同条款的措辞分寸、文化敏感处的收放。机器翻得越快,终审越值钱,因为错的代价签在人的名字下面。这是流水线时代人机分工的缩影:机器接管速度,人接管责任。速度可以无限复制,责任不能。

深蓝色科技风信息图,中央为发光环状编排引擎Maestro,左右对比作坊与流水线工序,展示串行交付与并发处理流程。

(图片展示了编排引擎Maestro)

四、流水线的出厂单据:交付包和装箱单

流水线跑起来之后,出厂的东西也变了:过去交付给客户的是「一堆文件」,现在是「一个包」,而且自带单据。

单据上列五样东西。事实清单:本包包含哪些参数、来自 PIM 的哪几条记录、最后审定时间。资产清单:哪些图、哪些手册、版本号和授权范围。语言清单:各语言面是否齐套,缺哪个、缺的原因。合规清单:每个目标市场的检测结果,过了什么、拦了什么、拦下的去了哪。签发记录:哪两个节点有人签过字,签的是谁。

这张单据的价值,在对方的调研型 Agent 那里体现得最直接。对方的 Agent 反正要验,与其让它自己验出三个疑问再发追问邮件,不如一次把证据给全。追问少了,一次通过率高了,响应速度的优势被进一步放大。这不是锦上添花:Gartner 的数据显示,B2B 买家只把 17% 的采购时间花在会见供应商上,同时比较多家时留给单一供应商销售的时间只有 5% 到 6%。买家没空听你解释,你的交付包必须自己把话说全。当对手的 Agent 在比较两家供应商时,先到的、证据全的那一份,天然多三分印象分。

单据还有一个对外谈判的副产品:它把「我们很专业」翻译成了「这是证据」。过去谈合作,双方扯皮最多的是「你们给的资料不全」,各说各话;现在指着单据说话,全不全,五栏一眼看完。当生产过程有了批次和台账,交付物自然带上出生证明。过去交付靠人品,现在交付靠单据。人品会累,单据不会。

五、算三笔账,再泼两盆冷水

编排层的价值,最终要落到账上。三笔账最实在。

第一笔,响应时间。客户 Agent 的请求、海外分支的改稿需求、渠道方的素材调取,平均响应从以天计降到以小时计。七十二小时的单子从「不可能」变成「常规」。

第二笔,返工率。口径漂移造成的返工,过去是内容团队最大的隐形成本:页面参数和手册不一致、中文站和德语站说法不同、电商页用了过期图。流水线把事实源统一、把版本挂上资产、把发布走同一道闸,返工大幅下降。省下来的不是钱,是信任,对方调研型 Agent 交叉验证对不上的次数,趋近于零。

第三笔,人的位置。这笔账最容易被误读。上线编排层之后,内容团队通常一个人都不会少,但每个人的活都变了:从搬运和拼接,变成定规则、做判断、审签发。过去八成的时间在传文件,现在那八成时间还给了判断。人没有消失,人上移了。

三笔账合起来,指向编排层的真正价值:它不替代人,它替代人和人之间的等待。等待是组织里最贵的东西,因为它不体现在任何一张发票上,只体现在客户那句「你们怎么这么慢」里。

冷水也要泼,两盆。

第一盆:编排不是万能胶,规则没入库就是地雷。一个典型的翻车模式是这样的:有人给编排层下了个任务,「把春季促销的素材同步到所有站点」。编排层照办了,但其中两个站点的素材还没过当地法务的合规复核,按规矩不该发。可那条规矩写在法务的邮件里,没写进系统的规则库。编排层不知道邮件的存在,它只知道素材状态是「已审定」。结果是一个站点紧急下架、一封客户投诉、一次内部复盘。复盘的结论不怪编排层,怪规则没入库。由此得出一条铁律:任何约束,不写进系统就等于不存在。人脑里的规则、邮件里的约定、群里的口头共识,在编排时代全是隐形地雷。编排层不会违反规则,它只会严格执行「它知道的规则」,而它不知道的,就是没人管的。

第二盆:编排层的上限,是模块质量的下限。PIM 里的事实是脏的,DAM 里的台账是缺的,CMS 里的结构是乱的,编排得再流畅也只是把混乱更快地送达。第一篇那三条标准,事实出库、出生证明、过期看得见,是编排层的地基。地基不牢,编排层就是个跑得快一点的搬运工。所以上线编排之前,企业得先做一件苦活:把散落在组织各处的约束一条条挖出来写进系统。这件苦活没有捷径,也没有外包,因为它挖的是组织的记忆。

六、边界:调度员不是老板

最后一节,把边界钉死。这一节是采购方最该带走的东西。

今天的编排层,能力边界很清楚:它擅长规则清晰、链条完整的编排。跨模块的长链条任务,它跑得稳;涉及模糊判断、多方博弈、组织政治的任务,它跑不了,也不该跑。让编排层去当决策层,是这一轮 Agent 落地里最常见的翻车方式:把工具捧成老板,然后在一个它必然搞砸的复杂任务上,赔掉组织对它的全部信任。

还有一类活,编排层今天接不了,明天也未必该接:创造性的判断。选哪张图做主视觉、这句文案的语气对不对、这个案例该不该对外讲,这些是品味和立场的问题,不是流程问题。流水线能把八成的搬运接走,但最后两成的判断必须留给人。把这两成也交出去的企业,省下的成本会在品牌上加倍还回去。成熟的做法是留一道「人闸」:机器跑完的每一个交付包,签发前必须有人完整看一遍。这一遍看的不是内容,是责任。

龙孚对 Maestro 的路线图,同样值得用边界的眼光看。它的下一步不是「更聪明的脑子」,而是「更长的手」:接更多外部系统,把编排的边界从 DXP 内部延伸到企业的客户系统、渠道系统、供应链系统。需要说明的是,跨系统编排目前属于早期投入阶段,这是厂商口径,尚无第三方验证基准。手长一寸,价值多一分;脑子吹大一寸,风险多一丈。

三条实操经验,留给正要上编排层的企业。第一,任务描述要写得像合同,不要写得像愿望。「同步促销素材」是愿望,「同步促销素材到已通过合规复核的站点,排除法务未签发的两个站点」是合同。编排层听得懂愿望,但执行愿望会出事。第二,给每条流水线留一道人闸,不为效率,为责任留一个落点。第三,上线之前先问一句:这条链如果没有机器,人跑得通吗?人跑不通的链,机器也跑不通,它只会把跑不通的速度提高十倍。

七、小结:从仓库到流水线

把两篇的判断连起来看:第一篇说,平台的角色从「呈现内容」变成「承载事实源」;这一篇说,再进一步,从「内容的仓库」变成「内容的流水线」。

仓库的逻辑是存取,流水线的逻辑是生产。存取的瓶颈在找得到,生产的瓶颈在连得上。当客人变成全天候的机器,只有流水线接得住。而流水线需要的三样东西,编排的传送带、入库的规则、干净的地基,没有一样是买一个「更聪明的 AI」能解决的。它们全是工程活和管理活,全是企业自己的活。

这恰恰是好消息:这些活,平台替你干不了,竞争对手也没法速成。谁先把流水线跑顺,谁就先拿到机器客人时代的交付能力。

但流水线还有更远的下游。当客户的 Agent 和企业的系统能直接对话,当交付包从「发给对方」变成「对方自己来取」,一个更根本的问题出现了:如果客人不再需要进门,那间给人看的屋子,还有存在的必要吗?

第三篇,谈那间可能消失的屋子。

数据来源说明

Gartner「到 2027 年 40% 的 Agentic AI 项目将被取消」「B2B 买家仅 17% 采购时间用于会见供应商、单一供应商销售代表仅获 5-6% 时间」为 Gartner 公开研究与报道;MIT 2025 年研究「95% 的企业生成式 AI 试点未产生可衡量 ROI」基于 52 场高管访谈、153 份问卷与 300 个公开部署案例,经 Fortune 等媒体报道,该研究的方法论在业界存在争议,引用时需注意口径;「2028 年八成内容团队使用 AI 工具、单资产生产成本下降约 45%」出自公开行业预测的汇编转载;「46% 企业重复制作已有资产」出自 Widen 调研(经第三方数据平台转引);Maestro 智能体平台的编排能力为龙孚厂商口径,其中跨系统编排部分处于早期投入阶段,尚未形成第三方验证基准;AI 打标、AI 翻译、AI 合规检测为 BMS DXP 已交付的原生 AI 能力(厂商口径);文中交付时效、返工率等为情境化示意表述,非实测统计。

分享至