首页科技快讯 AI应用如何落地政企？首先不要卷通用大模型

AI应用如何落地政企？首先不要卷通用大模型

来源：晰数塔互联网快讯时间：2025年08月12日 17:42

本文来自微信公众号：量子位（ID：QbitAI），作者：关注前沿科技

智能体元年，处处都是智能体。甚至刚落幕的ISC.AI 2025第十三届互联网安全大会，主题直接就是“ALL IN AGENT”。

在这里，全球首个L4级智能体系统“纳米AI”上演技术秀，具身智能机器人主持整个会议流程，重新定义“智能参会”。

大会传递出的信号清晰而强烈：智能体技术正加速渗透进产业核心领域。

360作为大会主办及支持方，其政企AI业务已经与智能体技术深度绑定。这场大会既是行业趋势发布会，更成为了360AI落地的“实践秀”。

当智能体从技术热词变成生产力工具，360的实践揭示了三重反常识逻辑：

不盲目追求通用大模型，聚焦小场景更容易在政企行业破局；

用“乐高式”的智能体工厂，赋能传统政企场景也可以变成可复制的黄金模板；

新「安卓」时代，安全与AI的深度绑定，成为智能体落地的必选项。

接下来逐一拆解来看。

不盲目追大模型，聚焦「小」场景更易破局

首先，从战略选择上，不盲目卷通用大模型。

360集团创始人周鸿祎指出，大模型在企业中的落地效果不如预期，其中主要存在两个问题：一是模型推理能力不足；二是模型不具备独立做事的能力，不太会用工具。

这时候，大模型向智能体进化就是一个必然趋势。如果说大模型是大脑，智能体相当于大模型的身体手和脚，它能够理解目标、规划任务、调用工具、具备记忆，实现从需求到结果的完整交付。因此对于政企机构而言，想要把AI变成真正的生产力工具，必须要在智能体上进行投入。

大的技术方向是确定了，但后面怎么落地才是更值得思考的问题。

我们知道在C端，智能体产品怎么设计，目标其实很明确——只要用户满意就行；但在B端，每个行业痛点都不同，问题就在于怎么找场景切入；但找到场景之后，各家企业数智化所处阶段又不一样，这时候谈如何赋能就更复杂了。

那么先找场景。360的方法论聚焦于「小」这个字。

有这么一个轨交领域的案例。最初的切入点非常小，仅仅是帮助轨交集团解决生产经营月度会的报告自动化处理问题。

过去集团战略企管部每月需要协调集团各职能部门及下属建、管、运相关公司20余家单位整理、汇总并提交生产经营数据，涉及资产负债情况、收入情况、成本情况、利润情况、资金情况、项目投资建设情况、运营生产服务情况、考核目标完成情况等，并形成月度报告供生产经营调度会使用。此报告的汇编和使用存在时间周期长、人力投入大、数据易出错、无法探究明细、纸质件翻阅难等问题。

后来轨交集团通过搭建AI知识库+生产经营智能体+MCP很好地解决了这一问题。通过AI知识库提供报告各部分所需的模版，灵活组装；通过MCP链接各业务系统实时调取数据；通过生产经营智能体获得符合要求的报告模板、鲜活数据以及辅助决策知识，利用大模型能力，最终自动化生成生产经营报告。

改造后，不仅实现了月度报告的自动化生成，集团高管团队还能通过移动端实时调取各类细节数据，并通过智能问答的方式获取集团生产经营情况，极大提高企业管理效率。

这样一来，高层在决策上更加高效和有据可查，实现了从“看不到、看不到价值”到“有成效”的转变。

事实上，过去一直以来，360都是基于这样的方法论来切入政企AI落地——

通过识别并解决企业中的核心痛点和“小场景”，来撬动巨大的业务价值和效率提升。

不过除了有一双寻找场景的「慧眼」，还得有「手」有「脚」在场景中去实践，这的确也是件老大难的事儿。

这次大会现场，360集团高级副总裁、数智化集团CEO殷宇辉发布了新一代企业级蜂群智能体工厂SEAF——针对智能化时代企业需求推出的核心平台，旨在解决政企客户在智能体落地过程中遇到的“不能用、不好用、不放心”等问题。

先是解决不能用的问题。我们知道，当前开源的智能体平台主要是SDK、框架工作流，要么缺组件缺功能，要么需要二次开发，不能立即开箱使用。

据介绍，SEAF全栈融合了Agent开发所需的工具、资源和功能块，其SaaS平台整合了上百种MCP和上万个开箱即用的智能体。让开发者不用再为找工具、拼资源浪费时间，开发效率大幅提升。

其次是如何解决不好用的问题。企业场景知识和业务深度都比较复杂。SEAF的多模型、多知识库、多MCP能力可以灵活组合，这样大而全的配置，能够适配企业各类个性化需求。还有，企业多场景多历史系统，需要各类智能体自由组队，SEAF打通了Workflow和多智能体模式，供企业灵活选择，从而实现成本可控。

而最需要解决的“不放心”问题，本质就是关于安全的问题，这是360的天然优势。他们构建了全链路的安全防护体系，覆盖供应链、内容安全、数据访问、隐私保护等方方面面。

这背后是一整套全面的“8+10”智能体能力架构来支撑：8大基础能力，10大增强能力。

8大基础能力是构建智能体的底层支撑，如存储、工具、Workflow编排、运行环境、算力调度、基座模型、RAG知识库和外部情报/搜索。其中，RAG知识库是智能体知识的基座和原料加工厂，能够深度理解企业业务，处理多模态非结构化数据，确保回答的精准性和可溯源性，帮助智能体从“通才”进化为“专才”。

而10大增强能力则是进一步提升了智能体的复杂任务处理、协同、管理和安全防护能力。包括多智能体框架、多模态输出、数据库访问、智能体沙盒、RPA/浏览器使用、智能体交互环境、自动规划及Playbook、记忆、即时编程、统一管理终端。

除了技术能力之外，他们还配备了一系列产品，针对企业内部办公、业务流程，来「乐高式」地搭建相应的解决方案，从而实现全场景覆盖。

对打工人来说，SEAF就像个懂你工作节奏的数字同事。你可以随便改它的交互界面，跟收拾自己的电脑桌面似的，怎么顺手怎么来。关键是它不搞“暗箱操作”，智能体在干啥、进度到哪了，全在页面上明明白白实时显示，一眼看透。

而像这种讲究稳当严肃的政企场景里，他们专门加了“人在回路”机制，你随时能插话修正，甚至一键回退，可控又靠谱。

对于开发者而言，SEAF主打一个“零门槛”。不用写代码，说句话讲清需求，它自己挑大模型、配模块，分分钟生成能用的智能体。更绝的是有“蜂群协作空间”，多个智能体能组队干活，共享记忆、交换信息，像个AI团队一样搞协作，这不只是聪明，简直有“组织能力”了。

至于老板们关心的“管理好智能体团队”问题，也被迎刃而解了：权限、运行状态、任务完成率这些数据全透明，一眼看清，轻松搭起健康的智能体运营体系。

事实上，这种乐高式灵活透明、简单易管理的平台，在实际场景中已经有了不少实践。通过那些案例，就能对360的落地方法论有更强的感知。

「乐高式」搭建解决方案，与企业共创AI痛点场景

在企业级智能体应用中，最具代表性的，就是复杂业务流的深度协作场景。

以某个航空公司客户的飞机维修为例。

飞机维修不仅是一套高度复杂的工程体系，更是安全底线极高的领域。一架民航飞机的维修资料堪称“会飞的图书馆”，涵盖几十本英文手册、上万页PDF文档。

有这么一个具象的场景是，一位经验丰富的工程师，可能在凌晨两点的机库里，对着电脑与纸质手册反复切换查阅，甚至翻到第五版才发现关键步骤已更新。

为应对这些挑战，他们基于SEAF平台构建了一个“1+6”智能体协作框架：由1个主智能体负责统筹调度，6个子智能体分别承担故障识别与处理、案例知识库调用、智能分析诊断、维修方案生成、维修风险提示、维修计划与航材申请等任务，形成了一个能够覆盖全流程的智能维修团队。

针对飞机维修场景，这套智能体还配备了专属范式：

通过真实维修图像微调多模态模型，使其具备识别照片中故障部位的能力；

借助维修文档的RAG检索功能，快速匹配合适的维修方案；

同时打通航材库存、ERP系统等关键业务接口，实现配件状态一键查询、工单指令直接提交。

这一完整链路突破了单纯“AI识别”的范畴，实现了“AI深度参与业务闭环”。

值得注意的是，这样一套范式具有极强的可复制性。

目前已在数据中心运维、高端医疗设备维修、能源领域巡检调度等场景快速落地。

能够看到的是，SEAF平台可以有效链接专家知识与业务流程，为生产提效创造实际价值。

还有像传统的电气行业。某电力设计院曾深陷知识分散、检索低效、流程繁琐的困境。

结果借助360 SEAF的三期建设，这一局面被彻底改观：通过统一知识库整合分散资产，搭建标准化管理平台；部署办公与专业双问答系统，让考勤、设计规范等查询得到快速响应；集成办公系统后，请假、报销等场景实现自动化处理。升级后，企业知识实现安全规范管理，员工获取知识的效率与质量显著提升，得以节省更多时间投入核心业务。

另一案例中，某市城建集团为破解营销人员面临的纸质手册检索难、知识分散及协作效率低等痛点，与360 SEAF合作打造营销全产业链知识平台。

平台不仅整合各分公司资源建成集中式知识库，还部署了AI智能助手，利用AI进行市场趋势预测与竞品分析。最终，该集团营销资料获取效率提升80%，彻底摆脱对纸质手册的依赖，300余名营销人员获得精准决策支持，有效驱动了业绩增长。

在当前产业互联网智能化的背景下，AI技术落地难、场景适配不精准等问题始终是行业痛点。

而360在服务大量政企客户的过程中，基于海量实践经验沉淀出的落地方法论，正为这一困境提供了切实可行的解决方案——

通过小切口、大纵深、十倍提效的原则，和客户共创企业AI痛点场景。

不追求大而全的概念性布局，而是从企业真实的业务痛点切入，像轨交集团的经营办公会效率优化、电力设计院的知识管理难题等场景，都是从具体需求出发。

再通过深度挖掘场景价值，推动技术应用向业务链条的纵深渗透，最终实现效率的跨越式提升。

更关键的是，其方法论强调与客户的“共创模式”，无论是前期的需求调研、场景适配，还是中期的模型训练、系统对接，再到后期的效果监测、迭代优化，都有清晰的路径提供指引。

对于企业而言，这种方法论的价值在于：无需在技术探索中“走弯路”，能让有限的资源集中投入到真正产生价值的环节，从而确保AI技术从概念到落地的顺畅衔接，最终实现向实际业务成果的高效转化。

安全与AI的深度绑定，是智能体落地的“必选项”

智能体发展如火如荼，之所以寄予如此厚望。因为它既集成了大模型的能力，同时又规避了大模型在企业应用中的痛点。不过，智能体在企业的落地也带来了全新的安全风险和挑战。

比如，智能体之间频繁的交互和数据流转就像无形的信息河流，其中可能包含企业的核心机密和用户隐私数据。一旦遭遇攻击，可能引发数据泄露、业务失控等风险。