2. 连接与执行:能不能真的进到业务现场
企业已有的 ERP、CRM、OA、财务、供应链系统不会因为上了 AI 就消失。平台需要能连接系统、网页、消息、文件和授权设备,让 AI 进入企业现有的工作环境,而不是要求业务先搬家。
- 连接器负责把系统里的数据取出来、把结果写回去。
- 设备(Soia Worker)负责操作那些只能在本机客户端完成的动作,比如特定业务软件的界面操作。
- 网页与消息通道负责覆盖那些没有开放接口、但业务确实在用的环节。
这一层是单智能体和多智能体共同的底座。区别在于:单智能体时某一环断了,重跑一次即可;多智能体时某一环断了,需要平台能定位到具体环节并支持断点处理。
3. 方法沉淀:技能和工作流才是可复用资产
智能体跑通一次不难,难的是让同一个方法被十个人、一百次地稳定复用。
- 技能把通用能力、行业方法和系统操作固化下来,比如“按统一口径整理报价差异”“按编码规则校验物料申请”。
- 工作流把步骤顺序固定住,把判断交给 AI、把确定性计算交给规则、把签字确认留给人。
- 自动任务让高频问题按时间、事件或系统请求触发,不必每次靠人想起来。
这也是判断一个平台是否值得长期投入的关键:它的能力是沉淀在平台里,还是沉淀在某个人的提示词里。
4. 运行治理:跑完之后能不能说清楚
这是选型时最容易被跳过、上线后最容易被追责的一环。平台需要记录任务、过程、产物、异常、人工介入和成本,让企业能够核对、复盘并改进。
- 业务人员看目标、任务和结果;
- 实施人员管连接、流程和异常;
- 管理员管组织、权限、成本和审计边界。
三种角色看到不同的东西,但共享同一份运行记录。多智能体架构如果没有这层治理,一旦出错就是“整条链路都在正常工作,但结果是错的”。
三、在 Soiawork 里,“单”和“多”是同一种东西的两种编制
Soiawork(中文名「树芽工作」)是企业级 AI 智能体平台,帮助企业构建 AI 组织、打造专属 AIOS:把 AI 接到业务目标、人员和系统上,把有效实践沉淀为可复用的组织能力。
这个定位决定了它对单/多智能体问题的处理方式——不是提供两套产品,而是同一种编排能力的两种规模:
- 把智能体当岗位,而不是当程序。用自然语言描述任务,Soia 连接网页、文件、系统、企业即时通讯和本地设备完成执行;一个岗位能干的先给一个岗位,编制定下来之后再考虑增设。
- 上下文按组织方式管理。工作空间、知识库、文件空间构成岗位的“工作环境”,换人接手时环境不变。
- 方法以技能形式留在组织里。有效任务沉淀为工作流和自动任务,新成员直接复用,不必从零试错。
- 每次运行留痕。记录、成本、日志、异常和可回放证据,让“谁在什么时候基于什么做了什么”这件事有答案。
实在智能自 2018 年起投入 AI 与自动化,累计服务 6,000+ 企业客户,拥有 100+ 发明专利;在 2026 年 7 月的 OSWorld 评测中,实在智能产品的任务成功率为 90.2%。这些是平台层的底座能力,但需要说明的是:底层操作能力达标,不等于任何业务场景都能直接上线,具体场景仍需按下面的方式小范围试跑验证。
四、三个业务场景里的实际取舍
抽象的架构讨论落到具体场景,答案往往比想象中简单。
1. 财务对账与凭证:单智能体 + 规则 + 人工复核
对账的难点不在“算”,而在多来源口径拉平、差异归因和凭证要素齐全。这类任务的判断标准是明确的,适合一个智能体把取数、比对、差异列示、待确认项输出串起来,把金额计算和借贷平衡交给确定性规则,把最终入账确认留给人。多智能体在这里带来的收益有限,反而增加核对难度。需要强调的是,凭证入账等专业判断仍由财务责任人决定,AI 负责把材料准备齐、把差异说清楚。
2. 物料主数据审核:多形态输入下的“单智能体 + 技能”
这是一个典型的“看起来需要很多智能体,实际上一个就够”的场景。工程师提申请的方式极不规矩——邮件、手写扫描件、群里一句话、Excel 批量甩过来,主数据专员要判断命名能否带尺寸、中英文能否混写、单位与分类是否匹配、是否已有同料、专用件是否写明用途。
在复现验证中(演示与复现环境,数据不作为客户成效),系统从邮箱取件,处理了 25 份五种形态的材料,读取 28 条申请,按五类编码规则和九类校验逐条判定,结果为驳回 13 条、待补充 5 条、自动通过 10 条,生成 10 条编码并写回台账(台账由 22 条增至 32 条),同时发出退回通知并更新看板;一次判出 22 处问题,与台账重复的直接给出既有编码,同批重复的关联首件。整个过程是“取件—读单—定口径—逐条判定—写回—通知”的线性链路,用技能承载校验规则即可,无需拆分角色。需要说明的是,该场景属复现验证,差异化能力尚不能对外宣称。
3. 供应商报价对比与多店铺经营监控:两种不同答案
- 供应商报价对比(通用场景):读取多份报价,从知识库检索采购要求补充比较口径与审核要点,调用报价对比技能按统一口径整理价格、交期、服务范围差异,缺失信息单独列出形成待确认清单。这是单智能体加一个技能的典型形态,价值在于“讨论前清单已经在桌上”。
- 电商经营监控、商品上架、跨境多店铺对账:对象数量多、平台规则各异、需要并行推进,更接近多智能体或“单智能体 + 自动任务批量调度”的形态。此时平台是否支持按站点、按店铺配置自动任务,是否能把每个对象的结果单独留痕,比智能体数量更决定成败。
五、选型时值得当面问清的六个问题
把上面的逻辑压缩成一份可直接使用的对比清单:
- 这个任务需要几种专业判断? 一种,就别上多智能体;多种且结论可能冲突,才考虑分工。
- 上下文怎么组织、怎么追溯? 要求对方演示知识库、文件空间与工作空间的边界,而不是只用一段提示词。
- 能不能进入我们现有的系统和本机软件? 连接器覆盖哪些系统、设备侧能力如何授权,要看到实际取数与写回。
- 有效方法能不能沉淀和复用? 技能与工作流是平台资产还是个人资产。
- 出错了怎么定位、谁负责? 要求查看运行记录、异常处理与人工介入的留痕方式。
- 从单智能体扩到多智能体,要不要换一套东西? 需要推倒重来的方案,通常意味着平台层能力不足。
结尾
单智能体还是多智能体,答案不在架构图里,而在任务本身。对企业而言,更稳妥的路径是先选一项高频、边界清晰、结果可核对的重复工作试跑——比如一类单据的整理、一份清单的比对——跑通后核对结果与异常,确认口径、责任和成本都能接受,再决定是否增加岗位、扩大范围。这也是这份企业 AI 平台能力对比真正想说明的:比起争论几个智能体,先确认平台能不能让一个智能体稳定干活、让经验留在组织里,往往更能决定 AI 能走多远。
常见问题解答
单智能体已经跑通了,业务要求上多智能体,该听谁?
先回到任务判断:是否存在必须分开的专业判断、必须并行的对象规模、必须独立的复核环节。如果只是“听起来更先进”,建议先用单智能体加人工复核交付一版结果,用运行记录说明异常率和人工介入点,再讨论是否拆分角色。
要不要改造现有系统才能上?
通常不需要。企业已有 ERP、CRM、OA、财务等系统继续保留,平台通过连接器取数与写回,通过设备侧能力操作只能在本机完成的界面动作。真正需要提前理清的是权限边界和数据口径,而不是系统替换。
数据和权限怎么控制?
建议按三层来管:知识库和文件空间按任务圈定可见范围,连接与设备按授权使用,运行记录按角色区分查看粒度——业务人员看目标与结果,实施人员看流程与异常,管理员看组织、权限、成本与审计边界。
AI 做错了谁负责?
责任仍在业务责任人。平台的职责是把判断依据、执行过程和人工确认点记录下来,让错误可追溯、可复核。处方审核、法务意见、财务入账等专业判断环节,不应由 AI 单独决定。
和现有的 RPA、BI 是什么关系?
RPA 擅长确定性、规则固定的界面操作,BI 擅长把数据呈现出来,而智能体补的是“理解目标—调用能力—推进到结果”这一段。实际落地中三者常组合使用:连接器与设备承接操作,数据看板承接呈现,智能体承接判断与串联,方法则沉淀为可复用的技能和工作流。
从哪个场景开始比较稳妥?
优先选高频、输入形态相对固定、结果可逐条核对的场景,例如报价对比、单据整理、主数据校验。判断标准很简单:跑完之后,业务能一句话说清“哪几条对、哪几条要人看”,这个场景就适合作为起点。
预约Soiawork企业效能顾问
深度诊断企业痛点,定制专属 AI 自动化办公方案