标签: AI 工程

2026 年 5 月 作者：展博 引言：为什么最强的模型，交付效果却不如人意？ 2026 年，AI Agent 已经不是新鲜词。 企业 CTO 们纷纷入局：买 GPU、接 GPT-5、搭 LangChain、招 AI 工程师。但半年下来，真正产生业务价值的案例寥寥无几。 一个真实的对话： CEO：“我们投了 200 万做 AI，为什么 ROI 没提升？” CTO：“模型效果很好啊，GPT-5 的 benchmark 都是 SOTA…” CEO：“我要的是广告投放 ROI 提升 20%，不是 benchmark 第一。” 这个问题，几乎每个做 AI 转型的企业都会遇到。 核心矛盾：模型能力 ≠ 业务结果。 从最强的模型到最终的业务指标（ROI、用户体验、商业化变现），中间隔着至少 7 层漏斗。任何一层的缺失或薄弱，都会导致"叫好不叫座"。 本文将用 Ad Agent（广告投放智能体） 作为实战案例，系统讲解： AI 应用交付的 7 层漏斗模型（自顶向下设计方法） 技术选型：LangGraph vs 自研 vs Claude Code？ 实施路径：从 Skill 验证到生产系统（含代码示例） 不同规模企业的最佳实践（<10 人 → 500 人） 一、AI 应用交付的 7 层漏斗 1.1 漏斗模型：最强的模型 ≠ 最好的业务结果 ┌─────────────────────────────────────────────────────────────────┐ │ L1 业务指标层 最顶层：ROI、用户体验、商业化变现 │ │ ↓（很多团队在这里就断了） │ │ L2 业务抽象层 基于指标定义场景和工作流 │ │ ↓ │ │ L3 应用设计层 基于编排的应用层，监控/审核/存储等 │ │ ↓ │ │ L4 流程编排层 Human-in-the-loop，人/模型/系统协调联动 │ │ ↓ │ │ L5 上下文工程层 高质量输入 → 高质量输出（Harness 工程） │ │ ↓ │ │ L6 模型调用层 合理调度模型，避免大材小用或力不从心 │ │ ↓ │ │ L7 模型能力层 最底层：模型本身的推理、理解、生成能力 │ └─────────────────────────────────────────────────────────────────┘ 关键洞察： ...

企业 AI 的集体 FOMO AI 应用，尤其在编程等可验证场景，已经给个人带来了十倍效能提升。但这种个人层面的效率革命，并没有相应地转化为公司级的业务增长。这种落差，正在引发企业的集体 FOMO（Fear Of Missing Out）。 我们看到的典型场景是： 开通了各种订阅，额度不限——公司给全员开通 Copilot、Claude 等服务，但没人说得清 ROI 在哪里 员工刷榜比谁消耗的 token 多——账单越涨越高，业务指标却原地不动 AI 应用层出不穷，真正有用的没几个——Demo 好看、上线即死、Pilot 成功但规模化失败 McKinsey 2026 年的数据很残酷：62% 的企业在试水 AI Agent，但只有 23% 成功规模化。MIT 的研究更直接：95% 的生成式 AI 试点项目零可衡量 ROI，300-400 亿美元的企业投资基本打了水漂。 行业推波助澜下的真相 从 VC 到大模型公司，从传统软件厂商到咨询公司，都在推波助澜。但拨开喧嚣，几家行业先锋的观点反而值得仔细品味。 红杉资本：每花 $1 买工具，就花 $6 买服务 红杉资本 2026 年 3 月发表的《Services: The New Software》一文，给出了一个结构性洞察： “For every dollar spent on software, six are spent on services.” Gartner 2026 年的数据交叉验证了这一点：全球 IT 支出首次突破 6 万亿美元，其中 IT 服务占 1.86 万亿（最大单项），企业软件仅 1.4 万亿。加上专业服务市场的 10.5 万亿，工具和服务的比例确实是 1:6 甚至更高。 ...