Personal AI 都在谈的「意图捕获」，为什么是企业级 Agent 最需要的

原创 Founder Park 2026-10-22 18:15 北京

Personal AI 这一波，核心的变化，可能是交付形式的变化。

过去的通用 Agent 更像是「单次任务交付」。你必须先想清楚自己要干什么，给它下达一个明确的指令。比如「帮我写一段爬虫代码」或者「把这份表格整理成图表」，它帮你很好地完成这次交付，任务就算结束了。

但今天的 Personal Agent 更想要的，是与用户的意图（Intent）做对齐。

在用户自己都还没完全想清楚具体要做什么的时候，Agent 就得捕捉到那个模糊的意图，顺着这个状态去判断和规划给用户的建议。后续一连串的动作拆解和方案判断，是由 Agent 主动完成的，这也是过去的 ChatGPT 或单次任务型 Agent 做不到的事。

如果我们把这个产品形态的变化，放到企业场景里看，恰恰能解释今天很多企业管理者的困惑：为什么公司很早就接了大模型、给员工报销各种 AI 工具，大家却依然觉得「公司好像并没有因为 AI 变得更高效」？

原因其实就在这里。在企业内部，把单个数据处理好、把单份文档润色好，只是用 AI 完成了某一次孤立的任务交付。但把单次任务做好，和「达成企业的业务目标」之间，隔着巨大的鸿沟。

大量企业的 AI 落地，至今仍停留在「给每个人配一个 Copilot」的阶段，本质上只是把问答工具塞进了原有的工作流，流程本身没有任何改变。企业真正缺的不是第 101 个 AI 工具，而是一条类似「企业级 Personal Agent」的演进路线。

当企业需要的不再是一个单次问答的助手，而是一个真正能读懂企业意图、能主动推进业务的超级智能体时，行业正在形成一个新的共识——从单纯的「工具提效」走向 Agentic Transformation（智能体转型）：企业 AI 的下一阶段，不再是买一个更智能的 Copilot，而是让 AI 真正理解企业的意图，进入真实业务现场，参与复杂判断，并主动、长程地推进业务结果。

⬆️关注 Founder Park，最及时最干货的创业分享

Founder Park 正在持续寻找值得被看见的 AI 团队与项目。

我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。

如果你正在做 AI 相关的事，欢迎和我们聊聊。

给企业卖个 Agent 很容易，

难的是捕获「企业的意图」

最近我们和不少做 ToB 服务的创业者交流，大家有一个非常一致的体感：今天把 DeepSeek 或任何大模型接进企业内网，或者给企业卖一个现成的 AI App、通用 Agent，这件事本身已经没有任何门槛了。

真正卡住所有人的第一步是：怎么让企业明确自己的业务目标、工作流程和历史数据，并让这些东西跟 Agent 做好对齐，从而让 Agent 能够准确捕获到「企业的意图」？

在个人端，捕获意图只需要理解一个人的生活习惯；但在企业端，意图藏在复杂的组织规则、审批权限、业务流程以及过往无数次试错的经验里。如果 AI 只是个「企业版 ChatGPT」，它永远不会因为你调用得多，就自动「记住」你的业务。100 个员工各自打开对话框向通用模型提问，因为缺乏企业级上下文（Context）的对齐，产出的结果往往是一盘互不兼容的散沙，这轮转型大概率还是会做浅。

面对这个卡点，很多企业容易陷入另一个误区：既然买现成的通用工具行不通，那公司是不是得自己招一支算法团队，从零开始搭建自己的 Agent？

这里其实需要把两件常常被混为一谈的事拆开来看：企业可以不自己建 Agent，但必须自己建智能。

Agent 是执行结构：跑任务、调模型、接系统，这些属于工程层面的基础设施，完全可以采购、可以租用，也可以由外部的专业团队来构建；
智能（Intelligence）则是企业资产：企业在一次次真实业务中积累下来的经验、判断标准与运行机制，必须沉淀在企业自己的系统边界内，由企业自己拥有。

模型迭代的速度极快，今天花大价钱买来的模型能力，明天就可能随着基座升级而贬值，买来的通用能力不会构成任何一家企业的壁垒。但企业自己的业务经验是稀缺的——执行可以外包，积累不能外包。 只有把每一次业务判断和有效方法留在自己的系统里，它才会随着时间复利增长，变成越用越懂这家企业的专有智能。

那么，企业的经验到底该怎么留在系统里，变成 Agent 能听懂的「上下文」？

过去两年，很多团队把企业的上下文简单等同于做个知识库检索（RAG），把公司的规章制度和历史文档塞进向量数据库里。但在真实业务中，死板的静态文档并不能代表企业的判断逻辑。

真正走在前面的行业实践者已经意识到，企业需要构建的是一套动态的 Context System（企业上下文系统），而其中最核心、也是通用模型厂商拿不到的数据壁垒，是业务流转中产生的 Creative Trajectory（创作与决策轨迹）。

这套系统记录的不只是最终交付的那张海报、那条视频或那份企划案，而是整个产出过程背后的商业语境：这个素材是在什么业务目标下发起的？中间为什么推翻了前三个版本？每一次修改背后遵循了什么样的品牌规范、合规权限或审美判断？最终投放到市场后，哪一个版本的真实转化效果最好？

为了让这些原本散落在业务专家脑子里的隐性经验真正沉淀下来，ToB 领域的交付方式也在发生变化——越来越多前沿团队开始采用 FDE（Forward Deployed Engineer，前线部署工程师）驻场交付机制。在深入业务现场构建智能体的过程中，专家的判断逻辑与工作路径被一步步结构化、机制化地编码进系统里。

当项目交付结束时，这套上下文系统全部留在企业自己的边界内。这不仅让 Agent 真正对齐了企业的规则、权限与历史意图，这些沉淀下来的行业 know-how 同时也是模型进行 post-training 最稀缺的高质量语料来源。企业的智能不再是一次性搭建的静态工程，而是开始随着每一天的业务运转，自动完成复利累积。

02 工作方式的重写：

从「人用 AI」到「AI 用人」

当 Agent 真正与企业的业务目标、数据上下文完成了对齐，能够听懂「企业的意图」之后，组织内部会发生什么变化？

在真实落地的企业里，一个最直观的体感变化是：人和 AI 的协作关系正在发生倒转——从过去的「人用 AI」，变成了「AI 用人」。

回顾过去两年的 Copilot 模式，或者大多数人习惯的跟 Agent 协作的方式，底层逻辑依然是「人用 AI」。人在主导整个工作流：人去拆解任务，人去写提示词调用 AI，生成出一段文案或一张图之后，再把它复制粘贴到下一个软件里去走流程。在这个过程里，AI 只是给某个员工单点提效的工具；一旦员工合上电脑，任务也就停摆了。

但在 Agentic Transformation 的运行形态下，这段工作方式被彻底重写了：

企业只需要给出一个商业意图（Intent），接下来的事情不再是员工一步步推着 AI 走，而是 AI 自己在后台跑任务、自己拆解目标、自己做规划并推进落地执行；只有在执行过程中遇到了关键节点——比如需要人的主观判断介入、需要审美取舍或风险拍板时，AI 才会主动去「调用」人。

这种从「人用 AI」到「AI 用人」的关系重构，改变的不是某一个人的打字速度，而是整个组织的执行结构，任务如何被拆解、如何跨部门推进、如何最终交付，都有了全新的运行形态。

要撑起「AI 用人」的协作模式，靠单次问答式的助手显然是做不到的，它背后依赖的是特赞构建的长程智能体运行机制（GEA / Proactive Agent），更主动（Proactive）的 Agent。

在这套机制下，Agent 不再像一个问一句才动一下的员工，而是像一支 7×24 小时在后台持续运转的团队。它具备跨天持有意图的能力：在长达数天甚至数周的业务周期里，它清楚地记得最初锁定的业务目标是什么，记得昨天已经试过了哪几条路径、哪几个方案因为什么原因被否掉了，并在此基础上主动规划下一步动作，在恰当的时机呼叫对应的人类专家介入确认。

人类从执行层退出来，留在判断节点上。

让 AI 在后台自己跑规划，也会带来一个顾虑：最后出来的会不会都是平庸的均值方案？

毕竟，传统大模型的本质是概率收敛。举个最典型的商业场景：当一个消费品牌的 CMO 要做新品上市的传播策略时，常规推理模型会基于历史数据和最佳实践给出一个「最优方案」——合理、安全，但大概率平庸。

为了打破这种均值陷阱，前沿的技术演进方向是引入发散推理模型（Creative Reasoning Model）。在面对复杂商业课题时，这类模型会先把可能性铺开：如果不做传统广告呢？如果目标人群不是你以为的那群人呢？如果竞品的策略建立在一个错误的假设上呢？铺开之后，再收敛到最有价值的那条路径。

发散推理模型在任务编排的初期，会主动把「小概率事件」纳入方案空间——先像顶尖创意团队脑暴一样，将非共识的选项发散出来，探索多条不同寻常的可能性，然后再结合企业的 Context System 进行可行性评估与收敛。

这也意味着，这类模型的训练方式必须和常规做法拉开差距。它不能只靠普通的通用标注，而是需要找来真正做过商业决策的策略顾问、创意总监、品牌专家和市场研究员做深度标注——他们标的不只是答案本身的对错，更是「思考路径的价值」：哪些方向值得探索，哪些可能性最容易被忽略，哪些假设本身需要被质疑。其核心目标，就是帮企业跑出人类团队因为精力有限而漏掉的非共识方向。

03 中大型企业的「最小闭环」，

在前台业务

想清楚如何「对齐企业意图」和「员工如何和 AI 协作」之后，企业决策者要考虑的下一个问题是：在企业内落地 Agent，哪个场景或者业务是做适合的，还是上来就全盘接入？

和 Personal AI 今天所面临的问题很类似。

不管是大厂还是创业公司，大家给 Personal Agent 画的愿景都非常宏大，希望能全面接管一个人的生活和工作；但在今天实际推向市场时，各家几乎都不约而同地选择了像「帮你订机票、排差旅」这样极其具体、极其高频闭环的场景来打第一枪。

企业的 Agent 转型也是完全一样的道理。

每个 CEO 最终想要的，肯定都是让 Agent 理解整个公司在做什么，帮全公司实现全面的提效与业务加速。但问题在于，今天没有任何一家中大型企业能够一步到位，让所有的部门和所有的员工同步完成 AI 落地。

过去两年，不少中大型企业的 AI 项目之所以迟迟见不到效果，甚至半途而废，往往不是因为技术不行，而是「第一枪打错了地方」，一上来就想搞大而全的改造，或者直接去动公司最复杂、最沉重的后台核心系统。结果陷入漫长的工程泥潭，周期极长、反馈极慢，还没等跑出业务结果，组织内部的信心和预算就已经耗光了。

从中大型企业目前跑出来的实战经验看，最聪明的切入方式，是先找一个最典型、能最快见效的「最小闭环（MVP）」。

什么样的业务场景，才算得上中大型企业理想的「最小闭环」？核心可以用三个标准来衡量：

Context 最好收集、最容易沉淀：这个场景每天都在产生高频的业务动作与结果反馈，能够最快把零散的数据与判断轨迹收集起来，成为企业 Context System 生长的起点；
技术与场景已经高度契合，离业务目标最近、见效最快：不需要推翻重来底层的老旧基建，Agent 的能力已经能在这个场景里丝滑落地，并且能迅速拿出可衡量的业务结果，帮团队赢得组织内部继续投入的信心；
部门员工能最快达成「人和 AI 协作」的新状态：这个业务条线的团队对新工具、新工作方式的接受度高，能够迅速跑通前文所说的「AI 长程推进 + 人在关键节点判断」的配合默契。

用这三个标准去企业内部做一次筛选，答案就会非常清晰：企业 AI 最先跑出结果的，往往不是后台那些最标准化的流程自动化，而是偏前台的业务场景——核心就是「营销」与「产品创新」。

为什么是偏前台的场景？

一方面，典型的前台场景，不管是用户洞察、新品选品立项、电商内容生产还是品牌传播，离消费者最近、市场反馈最快、业务结果最容易被直接感知；但更关键的原因在于，营销、内容、用户洞察、新品创新这些前台环节，并不是单纯的机械劳动，而是「判断密度最高」的地方。

如果 AI 只是在后台帮财务或行政做个流程自动化，它向公司证明的只是「AI 能替人干苦力（效率）」；但如果 AI 能在直面消费者的前台场景先跑通最小闭环，它向整个组织证明的就是「AI 能够参与真实的商业判断（判断质量）」。一旦判断质量在前台得到了验证，管理层对 Agent 的想象空间和投入信心会被彻底打开。

这些场景，考验的是 AI「到底懂不懂人」。

消费者喜欢什么样的视觉审美？什么样的叙事能打动特定圈层？今年秋冬哪种设计元素会在社交平台上跑出来？这些问题没有冷冰冰的标准答案，背后全是关乎审美、偏好、品味与专业经验的复杂主观判断。

要跨过这道门槛，只靠通用大模型的客观知识远远不够，必须补齐对人类主观世界的建模。特赞的解决方案，是从人机交互角度出发，基于百万级真实用户数据，训练出的的主观世界模型（Subjective World Model），对人的表达、叙事、认知与行为进行分层建模，让 AI 具备了模拟和理解消费者审美、偏好与复杂判断的能力，这是 AI 从「会干活」走向「懂人」、进而有资格进入企业前台参与商业判断的关键一步。

从前文所拆解的企业上下文系统（Context System）、长程与发散推理机制，到底层对「人」的理解，特赞在长期的商业实践中完成了全栈布局。

在今天的 WTCC2026 论坛现场，特赞创始人范凌分享了一个场景，分享了一个快消行业的实践案例。

食品饮料的新品研发与营销创意，几乎是最依赖人类「直觉、审美与消费者洞察经验」的领域，也是过去人们认为 AI 最不可能介入的黑盒场景。在与某全球头部食品饮料集团的联合实践中，团队把搭载了主观世界模型与行业上下文的 AI 放进真实业务，将 AI 的消费者偏好预判，与真人资深专家的判断进行了对照验证。

当 AI 在新品筛选、包装偏好、创意效果预判等多个环节，都展现出与人类专家高度对齐的判断力时，前台最小闭环的价值就很明显了。

04 Agentic Transformation：

把企业 Agent 转型往前推进一步

这样看来，企业级 AI 的发展路线其实已经很清晰了：

从最初给员工配 Copilot 做单点提效，走向真正的 Agentic Transformation（智能体转型）：先让系统跟企业的目标、流程与 Context 对齐以捕获企业意图，再通过长程智能体实现从「人用 AI」到「AI 用人」的工作方式重构，并从营销与创新等高判断密度的前台最小闭环切入，把每一次业务实践沉淀为企业自己的智能资产。

但要让这套转型在更多行业和企业里发生，不是一家公司闭门造车就能推得动的。它是一条长期的演进线，需要把生态上下游里的不同角色都拉进来，用各自的方式一起往前推。

基于这样的想法，特赞希望在生态中扮演「连接者」的角色，发起了长期的「Agentic Transformation 共建计划」，基于 agentic transformation 的共建路径，搭建理解商业，理解人，理解企业，再让这种理解真正进入行动与学习的能力，让企业真正「拥有智能」。

企业 Agent 转型，目前依然处在早期探索与形成共识的窗口期。不管你是已经在前台跑出第一个闭环的先行者，还是在企业落地过程中遇到了具体卡点的实践者，抑或是对企业级 Agent 路线有自己独立理解的同行，都欢迎加入共建计划中，大家一起把这个事情往前推得更快。

注：Agentic Transformation 共建计划将持续发布进展，欢迎关注官方公众号、官网等渠道获取最新动态。感谢首批共建计划支持伙伴：复旦大学管理 AI Lab、天猫、极客公园、量子位、36kr、虎嗅智库、Datawhale、中欧国际工商学院人工智能与商业创新研究基金、MuseOn、Atypica 等。

万字复盘 Codex：一个在模型公司如何做产品的「典型」故事

独家对话 Karpo：Personal AI 的终局，是用户意图的「竞争」，但这还不是行业共识

人人都想当你的 Personal Agent，却没人知道它应该长什么样

转载原创文章请添加微信：founderparker

跳转微信打开