零代码也能搞AI？企业如何低成本训练智能体

AI如今炙手可热，仿佛不聊AI、不做AI，就会掉队，甚至被时代抛弃。

大家都渴望能拿到这张通往未来的入场券。

然而，公司既缺AI工程师，又缺算法专家，甚至连个开发人员都找不到。这种情况下还能做AI吗？

小智可以肯定地告诉你：完全可行，而且当下正是中小企业入局的好时机，可以用低成本进行尝试。

如今的大模型赛道，已从“比拼技术”转向“比拼落地应用”，能否找到切实可行的应用场景至关重要。

绝大多数企业真正迫切需求的，并非从头训练一个新模型，而是要做到以下几点：

①让AI理解自家公司的业务逻辑（确保输出内容同频）；

②能够连接并分析自身的业务数据；

③遵循我们既定的业务流程来执行任务。

换言之：我们的目标不是“创造新大脑”，而是“升级大脑，教会AI读懂公司业务”。

起初，小智和大家一样感到头疼，觉得很多工作难以推进。

但随着探索的深入，小智发现凡事皆有解决之道，规模可大可小，灵活调整。

在现实中，训练AI的过程其实与“培训一位刚入职的新员工”非常相似。

那么，你会如何培训这位新员工呢？

是不是把公司资料、SOP、过往案例扔给他，教他如何回复客户，并反复纠正他的错误？

训练AI也是同样的逻辑。

今天，小智想分享的是，如何利用“基础模型+企业知识库+工作流”这一组合，结合实际业务情况来实现落地应用。

所谓的“基础模型+企业知识库+工作流”具体指什么呢？

简单来讲，就是企业直接调用成熟的大模型（如GPT、通义千问、DeepSeek、豆包、Kimi等），接着“上传企业资料、构建知识库、配置业务流程、进行少量微调”，最后接入到我们自有的系统中，这样一来，AI就能慢慢蜕变为“企业员工”。

我们以“AI律师”为例，大家来感受一下。

（截图中的AI律师智能体，已配置好模型，并关联了知识库和数据库。该AI律师主要具备三大功能：法律咨询、合同审核以及撰写合同。）

是不是觉得挺简单？自己也能动手试试？

这种直觉是对的，只要付诸行动，你会发现其实并没有想象中那么难。

接下来，小智带大家一步步拆解实现流程。

一、寻找一个“智能体/工作流”的可视化搭建平台

目前市面上已有许多对普通用户友好且易于操作的平台，例如：

1.Dify（https://dify.ai/）

2.FastGPT（https://fastgpt.io/）

3.扣子（https://www.coze.cn/）

4.阿里百炼

关于平台的选择，小智建议：

二、构建企业专属知识库

AI不了解我们公司，并非因为它不够智能，而是因为它从未接触过我们的资料。

例如：

装修公司：报价单、施工标准、客户案例、材料清单、合同模板等；

制造企业：SOP流程、BOM表、质检规范、设备维修记录、产品参数等等；

教育机构：课程体系、销售话术、家长常见问题、学员案例等等。

每个行业都有其独特性，我们需要将这些信息告知AI，它才能掌握系统的专业知识，而不是盲目地在网络上搜索和拼凑信息。

而这些由企业自身归纳总结的实实在在的专属知识，才是企业真正的“数字资产”。

建议企业朋友们多花些时间和精力来整理内部知识，比如：FAQ、产品资料、客户案例、SOP、历史销售话术等等。

三、搭建智能体/工作流

前面搭建知识库，已经让AI明确了需要学习的内容，有了知识储备，接下来就要教AI“如何做事”，这能避免它只会“死记硬背”。

方法大致分为三步：单任务SFT模仿、多轮RL试错优化，最后再叠加RAG等外围能力。

AI学习做事的过程与人类相似，先模仿后实践，站在前人的经验基础上做事，比我们自己从头摸索要快得多。

①先学习（SFT，监督微调）：我们可以投喂给AI大量“正确工作”的范例，手把手地教一遍流程，比如，将“使用搜索引擎查资料→分析结果→总结答案”这一整套步骤，整理成SOP让AI照着练，目的是让AI先掌握解题思路。

②实战（RL，强化学习）：当AI动手解决问题时，做对了要给予奖励，做错了则要给予惩罚。这里有个难点，在真实任务中可能会出现“一步错，满盘皆输”的局面，比如，教AI点外卖时，我们不能等最后点完了才说“对”或“错”，而要在每个环节都给出提示。

AI学会了如何做事，接下来我们还需要教它“像谁一样说话”，这其实就是角色设定。

举个例子，如果我们是律师，就把AI的角色人设往律师方向靠拢，设定好它的角色、技能、限制条件等。

其他角色以此类推。

对于新手来说，搭建工作流可能上手会有一定难度，讲述起来也比较枯燥，小智在此就不展开了，感兴趣的朋友欢迎私信交流。

四、API对接到自主平台

虽然工作流/智能体已经搭建完成，但对于企业用户而言，入口可能过于繁杂，日常使用容易遗忘。因此，我们可以将工作流/智能体对接到自有的即时通讯平台（如飞书、钉钉、企业微信等），或者内部自主开发的软件系统上，以此统一入口，让使用变得极为便捷。（截图展示的是我们的HR智能体，实现方式为“n8n+飞书”，大家可以参考截图感受一下。）

五、关于模型微调

许多企业连知识库都没整理好，业务流程也未打通，就急着去“微调大模型”，结果往往是钱烧了，效果却平平，员工更不愿意用。

这是为什么呢？

因为微调主要解决的是“语气、风格、格式、特定任务偏好”等问题，而企业最核心的痛点通常是“AI不了解当前公司的真实信息。”

（况且微调需要专业人员参与，成本也会更高）

因此，我们应当先完善知识库，而不是急于修改模型参数。

如果企业遇到以下情况，则建议进行LoRA微调或SFT微调：

①行业术语极强；（例如法律/金融/医疗领域）

②数据结构复杂；（例如训练病历结构化处理能力）

③输出格式固定；（例如训练研报分析、统一客服话术）

④高频重复性任务；

⑤每日调用量巨大。

所以，企业最缺乏也最关键的工作其实是“数据治理”。

虽然数据治理听起来宏大，看着也让人头疼，但我们可以从小事着手，比如：

①规范文件命名、文件/表格版本号；并做好文件分类管理；

②及时并严格按照模板格式更新SOP；

③日常工作中注重将经验书面化，减少口头传授。

今天小智的分享就到这里，以上仅是小智的一些浅薄见解，如有不妥之处，还请各位指正。

感兴趣的朋友欢迎一起交流探讨。