为什么 Agent 能跑起来，却很难真正进入业务？——AI 线下聚会现场

8 月 2 日下午，我们在北京望京摆了四张桌子。

桌牌上的问题分别是：

• 你的 Agent，真的值得做吗？

• 一个 Agent 真正进入生产环境，还缺哪些工程能力？

• AI Coding 如何从个人工具变成研发工作流？

• AI 时代，技术人如何从写代码走向解决业务问题？

看起来，这像是一场 AI 技术活动。但活动开始之后，我们越来越确定，大家真正想聊的，并不是“现在最热门的模型是什么”，而是一个更现实的问题：

我手上的这个 AI 场景，到底怎样才能往前走一步？

从 Demo 到落地，中间隔着一整套工程

活动前，我们向报名用户收集了他们正在推进、正在犹豫，也最希望被认真回答的问题。

50+ 份报名问卷，35 个真实问题；28 位用户已经在工作中推进 AI 场景。更早一轮调研里，企业 Agent 落地经验、Agent 开发、AI Coding 和圆桌讨论，几乎占据了大家最明确的期待。

这些反馈很有意思。

大家并不缺 AI 信息。真正让人卡住的，通常是下面几件事：

Demo 能跑，业务方为什么还是不敢用？这个场景到底值不值得投入？模型偶尔答错，谁来负责？AI Coding 生成的代码，真的敢上线吗？

问题的难点，往往不在“能不能接上一个模型”，而在接上之后怎么办。

上下文怎么管理，失败如何兜底，结果怎样校验，数据和权限如何处理，成本怎么控制，流程能不能追踪——当 Agent 进入真实业务，这些问题会一个接一个出现。

所以这次，我们没有把这次 AI 线下聚会做成一场单向分享。我们想让大家先看看别人怎么做，再把自己的问题放到桌面上。

两个企业案例，讲的都不是“模型很聪明”

重点是从真实项目出发，讲清楚为什么做、怎么做、怎样评估，以及哪里不适合继续做。

姜宁老师带来的主题，是《从 Agent Loop 到企业级 Agent Harness——DeerFlow 2.0 架构、源码与真实实践》。

从 Agent Loop 出发，模型接收任务、调用工具、继续执行，Demo 很快就能跑起来。但当它进入企业环境，真正的工作才刚刚开始。

姜宁老师把问题拆得很具体：状态如何恢复，权限如何控制，Token 等资源如何治理，执行过程怎样追踪审计，以及部署和运维怎样接住长期运行的 Agent。

在 DeerFlow 2.0 里，这些能力被放进 Runtime、Context、Governance、Delivery 等模块中。Loop 负责“想与做”，Harness 则负责让它长期、可靠、可追责地运行。

这不是给 Demo 加几个功能，而是把原本不可控的部分，逐步变成可观察、可验证、可维护的系统能力。

郭美青老师分享的是《生产级告警自修复 Agent 的 Harness 实战》。

在没有 Agent 之前，一次深夜告警往往要经历：找到 TraceId、跳到 SLS 查日志、进入跳板机和 IDE 排查代码，再跨团队确认问题。Eva 要做的不是简单地“读懂告警”，而是把分析、定位、修复、提 PR 和报告串成一条可以被人接管的流程。

真正难的地方，也不是模型，而是工程里的脏活累活：Agent 架构怎么选，日志怎样规范化，多仓库和日志库怎样映射，告警如何聚合去重，排障 SOP 怎样写成 Skill。

这套实践里，90% 是确定性的工程代码，只有分析、定位和写报告等约 10% 的环节交给 AI。确定性大于自主性，人始终握着方向盘。

为了验证 Skill 是否真的有效，团队回放了 120 条历史告警：中位分析耗时 6.2 分钟，单任务 Token 成本降到原来的 0.42 倍，无效代码修改率从 71% 降到 3%。这不是“试两个 Case 跑通了”，而是用真实数据持续反馈和迭代。

两场分享从不同方向说明了同一件事：

AI 进入业务，不是多接一个模型，而是把边界、验证和责任一起做进去。

四张桌子，讨论的是四个具体问题

企业案例让大家看到系统的纵深，圆桌讨论则把问题拉回每个人的工作现场。

每桌围绕一个真实业务场景，讨论用户、流程、约束、方案假设、风险与下一步实验。每桌留下一张问题结论卡，明确“先做什么、谁来推进、何时验证、怎样判断有效”。

1. 你的 Agent，真的值得做吗？

大家没有从“这个功能能不能实现”开始，而是先回到用户和业务：需求是不是高频、刚需，用户是否愿意付费，产品能不能形成完整的服务闭环和长期价值。

如果最后只做出了一个很容易被替代的单点功能，那么“用了 AI”并不能自动变成产品价值。

最后，大家输出结论：从用户真实场景出发，判断需求是否高频、刚需且愿意付费；再通过完整的服务闭环与长期价值，避免产品沦为可被轻易替代的单点功能。

2. 一个 Agent 真正进入生产环境，还缺哪些工程能力？

生产级 Agent 不只追求“能跑通”。合规、失败兜底、幻觉校验和上下文管理，一个都不能少。

输出要可控，流程要可追溯，服务还要能稳定交付。这些能力不一定出现在 Demo 里，却决定了它能不能被业务真正信任。

最后，大家输出结论：生产级 Agent 不只追求“能跑通”，更要具备合规、失败兜底、幻觉校验与上下文管理能力，让输出可控、流程可追溯、服务能稳定交付。

3. AI Coding 如何从个人工具变成研发工作流？

大家没有急着讨论“什么时候可以全自动研发”，而是把 AI 放回需求、开发、测试和复盘这些关键节点。

每一步产出都有人接得住，结果可以被检查，经验能够被复用，AI 才有机会从一个人的效率工具，变成团队可以持续推进的协作流程。

最后，大家输出结论：不必急于实现全自动研发，而是从需求、开发、测试到复盘的关键节点逐步引入 AI，让每一步产出被可靠承接，形成可持续推进的协作流程。

4. AI 时代，技术人如何从写代码走向解决业务问题？

技术价值不只在于完成开发，还在于理解业务现场，定位具体问题，再把 AI 嵌入用户流程。

真正有竞争力的能力，是把技术做成可交付、可复用的业务解决方案。

最后，大家输出结论：技术价值不止在于完成开发，更在于理解业务现场、定位具体问题，并把 AI 嵌入用户流程。真正有竞争力的能力，是把技术做成可交付、可复用的业务解决方案。

四张桌子讨论的表面不同，底下其实是同一个变化：

技术人开始从“我能不能把它做出来”，走向“它到底有没有帮业务解决问题”。

台上的分享者，也在讲自己的未完成

这次还特意邀请了两位 VIP 用户做了 AI 实践分享。

他们讲的不是一套已经整理得无比顺滑的成功模板，而是自己怎样开始，哪一条工作流发生了变化，哪些地方确实提效了，哪些问题到现在还没有完全解决。

这类内容很容易让人产生共鸣。

因为台上的人并不是遥不可及的“标准答案”。他们也经历过不知道从哪里开始，也经历过投入了时间却没有得到预期结果。

只是他们比别人早走了一小段，于是愿意把这段路上的判断、试错和坑拿出来聊聊。

线下见面的价值，很多时候就藏在这里。

有人说“我也遇到过”；有人追问“你们真正卡住的是模型，还是流程”；也有人直接告诉你“这个场景我试过，不建议继续投入”。

一个问题不一定能在现场得到标准答案，但它可以被重新描述，可以被拆成下周先验证的一小步。

这就已经很有用了。

我们把问题带到现场，也把一些东西带了回来

这场聚会结束后，留下来的不只是合影。

有两场企业级 Agent 案例分享，有两位 VIP 用户的真实实践，有四张圆桌上留下的判断和行动建议，也有 30+ 位技术人正在发生的 AI 探索。

还有一些没有被一次解决、但值得继续追问的问题：

什么样的场景，应该先做一个小实验？

什么时候应该补齐数据和流程，而不是急着上 Agent？

AI Coding 进入团队之后，谁来定义质量？

技术人的下一步，究竟是学习更多工具，还是更接近真实业务？

这些问题不会因为一场活动结束就消失。它们会回到每个人的团队里，继续变成下一次尝试的起点。

也可以点击👉极客时间-学 AI ，用极客时间 获取更多本次聚会相关的内容。

期待你的加入！