對話深演智能CEO黃曉南：DeepAgent 3.0直擊企業級智能體的最后一公里 | AI未來①

左：Morketing Group創始人&CEO 曾巧；右：深演智能創始人&CEO 黃曉南

文 | Harper

“行業里慢慢有了個共識：大模型的戰爭基本結束了，接下來，智能體才是企業真正創造效益、打造自己核心競爭力的核心抓手。”

這句話的分量，來自一種更現實的判斷：當大模型越來越像“基礎設施”，企業真正掏錢、真正驗收、真正要落到業務結果的，往往不在“你用的是哪家模型”，而在“你能不能把概率性的回答，變成確定性的動作”。這一點同樣被寫進了深演智能對“最后一公里”的描述：企業要的是“穩定、可靠、能嵌進工作流、能被驗證”的結果，不是更熱鬧的Demo。

近期，深演智能創始人兼CEO黃曉南與Morketing創始人兼CEO曾巧進行了一場關于All in AI Agent對話。問題追得很“甲方”：要不要All in？大模型競爭到底“結束”在哪一層？什么叫好用、什么叫管用？KPI誰負責？企業自己“手搓智能體”行不行？出了錯誰背鍋？

針對以上問題，黃曉南給出的主線很清晰：企業級智能體想跑通，先別急著神化AI——先把韁繩、工作流、數據保真、人的決策權這四件事，真正落到產品機制里。

為什么要All in AI Agent？

曾巧：兩年前您就說要All in AI Agent，如今產品已經迭代到DeepAgent3.0版本了?；仡^看，當時為什么篤定押注企業級AIAgent？

黃曉南：2022年底大模型開始出現，之后一年半我們沒有盲目行動，而是一直研究：這個技術對我們、對客戶到底意味著什么。到2024年明確提出All in AI，其實是垂直聚焦企業級服務的智能體領域，主要兩個原因。

第一，我們肯定大模型是劃時代的技術，但也發現它在企業級場景里會暴露很多問題和局限，我們覺得找到了發展的突破口。

第二，我們有長期積淀。公司成立至今17年，當時已經有15年行業經驗，對企業營銷、銷售、電商、運營等環節的痛點理解很深入。以前總覺得解決這些痛點的方法不夠完善，但大模型出現，讓我們在解決企業業務問題上實現了質的飛躍。

曾巧：你提到行業形成共識，大模型的競爭基本結束，接下來智能體才是企業創造核心價值的關鍵抓手。這里的“結束”到底指哪一層？你們把自己放在產業鏈什么位置？

黃曉南：“結束”不是說大模型不重要，而是說真正能參與到底層競爭的玩家，格局已經基本確定。底層競爭需要算力、頂尖技術團隊、數據研發能力，這些是大廠優勢。海外一開始大家關注OpenAI，后來谷歌實現翻盤；國內也類似，最終還是頭部大廠成為主力。

深演要做的是AI應用層，而且定位明確：企業級AI，聚焦營銷、銷售、運營這些離資金、生意、用戶最近、最能帶來明確價值回報的場景。簡單說，除了供應鏈、后端生產，其余更貼近增長的一段，是我們的主要戰場。

AI Agent的現狀與企業價值

曾巧：你們說要做“中國好用又實用的企業級智能體”。把這話翻譯成大白話，什么叫“好用”？更快更省，還是能跑通全流程、對KPI負責？

黃曉南：我們內部先看“管不管用”，再談“好不好用”，這不是一個層面。

先說“管用”，同一個問題十次里有一次回答錯，大家就不會再用；或者任務完成度不夠——讓它做五件事只做了三件，也是不管用。企業服務里更關鍵：先把客戶要解決的問題邊界、規模定義清楚。定義太大AI做不了；定義太小又沒價值——人工兩分鐘做完，AI只省半分鐘，這種優化意義不大。

“好用”則是把門檻降下來。比如AI消費者調研產品，持續迭代后，用戶只要用日常對話方式提出需求，就能得到一份完整調研結果，降低了專業操作門檻。“管用是基礎，好用是升級。”

曾巧：好用、管用之后，大家更關心KPI。你怎么看“AI對結果負責”？

黃曉南：當我們說AI對結果負責，并不是說AI要對企業最終極的KPI負責。企業終極KPI需要先拆解成具體、可落地的問題，這一步還是要企業自己完成。在拆解出明確細分KPI后，我們能對效果提升做承諾。

舉例，比如幫助導購、內部銷售寫搜索類營銷文章，考核指標就是閱讀量、點擊率、留資有效性?？蛻粲昧艘院?，這些指標比不用AI時提升5倍——這種拆解后的KPI，是他們愿意負責的范圍。

深演智能創始人&CEO 黃曉南

曾巧：你之前總結過企業級智能體落地的四個難點“穩定可靠、業務知識深度融合、上下文記憶、多智能體協同”。難在哪？哪個優先級最高？

黃曉南：最先卡住的一般是穩定可靠。大模型同一個問題每次答案可能不一樣，這種不確定性在企業應用里不能接受。我們要通過輸入業務信息、搭建標準化工作流和思考框架，讓結果穩定、可復用，這是落地基礎。

業務知識融合也很關鍵。大模型像剛畢業的博士生，看似無所不知，但對企業營銷實操一無所知，必須像培訓員工一樣，用行業里最頂尖的專家知識去訓練它；很多時候還要和客戶共建專屬知識，比如行業最優話術、企業自己的標準框架。

上下文記憶則對應企業連續流程：一項工作往往要分多步完成，做到最后一步忘了前面要求就沒法用，所以要讓智能體具備連續、長期記憶。

多智能體協同，是因為企業工作本身由多個子任務組成。人工智能領域的國際頂尖學者李飛飛也說過，AI擅長單個具體Task，但企業工作不是單Task。要讓輸出穩定、精準，就要把大任務拆成多個子任務，由多個智能體聯動完成。

曾巧：你預判2026年企業級智能體三個關鍵詞：任務完成度、多智能體協同、白盒化。這三個詞背后，企業真正想買的“結果”到底是什么？

黃曉南：把“任務完成度”落到一條更接近業務結果的鏈路里。企業不會只為單點工具買單。就拿“打標簽”來說，單點能力能提效，但企業未必買；如果進一步結合商品知識、購買行為，給出個性化跟進策略，再把策略落到溝通話術里，形成從“識別—策略—溝通”一條鏈，企業才愿意為這個結果付費。這里往往會用到企業微信（企微）這類日常溝通場景，把建議直接放進一線的動作里。

“白盒化”則是企業敢用的底線：決策邏輯、數據依據要可驗證、可解釋，而不是黑箱。比如用戶運營旅程，他們不會讓AI直接根據“提高復購”做全盤決策，而是把生成過程拆解成三步：

• 先用AI梳理企業歷史旅程里的人群、內容、發送節點，找出最優運營因子；

• 再用小模型做更精準的預測，讓大模型去調取結果；

• 最后再把人群、內容、時間節點做精準匹配、組裝成旅程。

拆開后，每一步都能被驗證、被復盤，企業才敢把它放進高風險的運營鏈路。智能體的價值說得更像一張采購清單：要能跑完整鏈路，要能解釋每一步。

All in AI Agent，

企業到底怎么落地？

曾巧：你提出2026年企業做智能體四個關鍵點：套韁繩、嵌工作流、保數據保真、人掌決策舵。它們分別在糾正哪些誤區？

黃曉南：核心針對兩大問題：一是把AI神化，過度夸大智能體能力；二是忽視數據真實性。

有些公司會跟客戶說AI已經無所不能，讓客戶凡事交給AI，這其實是把AI神化。就算是在編程領域，資深工程師也需要最后把關；企業級智能體更是，目前我們的智能體還都處于L2到L3的水平，離完全自主決策的L4很遠。智能體永遠只做輔助決策，最終決策掌控權一定在人手里。

另一個誤區是數據不保真。智能體不可靠，核心就是幻覺。企業級決策容不得虛假數據，所以“保數據保真”是一條生命線。

曾巧：如果智能體輸出出錯、決策偏差造成損失，誰來背鍋？你們有沒有把“可追責”的邏輯寫進機制？

黃曉南：這又回到“人掌決策舵”。就像開L2級別自動駕駛，駕駛員必須盯著路、手放方向盤。現在不管大模型還是智能體，幻覺率都很高，這意味著使用AI的人所需要的專業能力不是變低，而是更高。

我們要把“可追責”落在“流程設計”上：讓AI做全流程支撐和推導，讓人只做核心輸入和選擇，減少中間無效干預。需求表達越清晰，結果越接近；信息缺失越多，偏差越大。

曾巧：你們怎么定義“數據保真”？怎么減少幻覺？又怎么用數據支撐企業的驗收？

黃曉南：數據保真就是讓智能體所有決策和輸出基于確定、真實、可溯源的數據，而不是憑空生成。我們主要兩方面做：第一依托企業一方數據，比如CDP這類經過業務驗證的“單一真實來源”；第二幫企業搭建專屬品牌知識庫，把業務知識、產品信息、客戶資料沉淀下來。

用一個更刺激的例子解釋“為什么一定要保真”：之前我讓大模型搜一份去越南的攻略，它給出了很多看似完整的內容，有博主名字、閱讀量、文章標題，結果這些文章全是它編的。個人用AI還能“將就”，企業決策里這就是災難。

所以我們還會用合規三方數據補充。深演智能深耕多年數字營銷，連接了大量數據生態，知道哪些數據適配哪些場景、哪些真實有效。比如做小紅書的營銷策略，用大模型憑空生成容易“編”；但基于官方真實數據就更貼合實際。

曾巧：說到“值不值”，甲方更現實：不會只看概念，更關心投入能不能驗收。能不能拿一個具體場景講講，怎么提效、怎么對比、怎么落到“能驗收”的結果？

黃曉南：我就用“AI消費者調研產品”舉例。很多客戶會把過去線下做的同款調研搬過來：過去一次調研可能要花幾十萬，現在只需要幾百塊；過去完成調研要1–2個月，現在用AI只需要10–40分鐘，而且兩種方式得出的結果基本一致，能支撐品牌決策。

比如新品包裝測試，傳統做法要在全國找幾千個不同城市、不同畫像的消費者做線下調研，流程很繁瑣。在AI消費者系統里，我們模擬出貼合中國10億用戶的AI消費者畫像體系，每個畫像都有精準標簽，品牌在日常協作工具里操作，差不多半小時就能完成一次復雜測試。有客戶用它選出的最優包裝，和線下真實消費者調研結果完全一樣——這類對照，本身就是最直觀的驗收。

它還緩解了傳統定性調研的“失真”：線下訪談容易被引導，消費者也可能因為拿調研費而刻意討好品牌；而AI消費者在規則約束下會更客觀地反饋真實想法，還能用對話的方式做產品創新探討，規模也沒有限制，可以模擬海量不同畫像。

曾巧：很多公司讓員工“手搓智能體”先提升個人效率。您曾說過“個人沒問題，但要對組織負責就是另一回事”。具體差異在哪？

黃曉南：個人層面的通用智能體，像個人助理，門檻相對低；企業級垂直智能體的差異在范圍和深度。企業級背后要有大量優質數據、工程代碼、行業專家知識和know-how、系統對接接口，還要做模型微調、RAG知識庫等。個人手搓可能只是給“博士生”看了PPT；企業級要用系統方式培訓它，讓它具備真正業務能力，并滿足可靠、多智能體協同、長期記憶、管用又好用等要求。

曾巧：如何產品化和交付？

Morketing Group創始人&CEO 曾巧

黃曉南：先講產品化，再講交付。

產品化上，DeepAgent的迭代節奏很清晰：2025年2月1.0、6月2.0 Pro，基本半年一迭代。3.0的核心是把“任務能力推到極致”，讓智能體完成接近業務結果的完整任務；其次是全鏈路多智能體協同，每一個智能體底層都由子智能體組成，服務客戶時還會和整個智能體系聯動；同時還具備持續迭代底層能力，不斷評測，“哪個模型效果好就快速切換”，不綁定任何大模型。

DeepAgent 3.0的智能體數量比2.0翻了一倍，并且與國內近200家頭部客戶共建，讓智能體從真實痛點里打磨出來。

交付上，則是“70%通用能力+30%客戶共創”。

曾巧：“70%通用能力+30%客戶共創”怎么理解？

黃曉南：先糾正一個誤區，不是70%的通用能力，而是70%靠我們自身能力就能落地：行業專家、技術團隊、十幾年營銷know-how和AI技術，把智能體核心框架、基礎能力搭好。剩下30%需要和客戶共創，因為每個企業都有自己獨有的業務邏輯、工作框架、行業分析思路，這部分必須融進去，智能體才真正適配。

曾巧：用智能體服務好中大型企業，需要滿足哪些核心條件？

黃曉南：主要有三點：

第一，AI時代能勝出的還是行業老兵。所有的智能體落地，都基于我們對企業數據的理解、服務中大型企業的成熟邏輯和完整服務體系。

比如有些客戶要求智能體對接指定的大模型，并非標準化SaaS方案，這就需要有多年企業服務的沉淀；而且現在見客戶都是直接演示AI產品，不再靠PPT講概念，這就讓行業的準入門檻變得很高。

第二，必須有業務專家、數據科學家、工程師組成的“鐵三角”團隊，缺一不可。過去做軟件是需求分析、寫PRD、研發、測試的流水線模式，只要按流程走就能做出產品；但做企業級AI智能體，必須這三類角色緊密配合，圍繞客戶需求快速打磨、反復迭代。

我們幾乎所有智能體都要迭代到第十版，才能達到“管用又好用”的標準，第一版甚至前幾版基本都無法落地，而且迭代過程中還要不斷解決實際問題，這個過程非常耗時，也極其考驗團隊的綜合能力。

第三，對數據生態、企業數據有深度理解，同時有成熟的生態合作伙伴。比如我們的VOC用戶洞察產品，需要清楚各類數據的獲取渠道、適配的獲取方式，還要和電商、平臺、數據服務商等生態伙伴合作。沒有這些長期積累，想讓智能體真正落地到企業的業務場景里，根本不可能。

曾巧：我知道過去一年你們已經服務了數十家中大型企業落地企業級智能體，哪些案例算行業代表性？什么樣的案例才算“方向對”？

黃曉南：代表性的案例要滿足三個點。從單點能力走向鏈路化落地；能真正驅動業務結果；還要可復制、可規模化。比如在食品飲料、零售、美妝、汽車等行業落地，強調的是“動作鏈路”而不是“單點工具”。

舉一個全流程新品創新的例子：先用智能體完成市場消費者心智洞察，基于洞察生成多個新品概念，再放到AI消費者系統里做概念測試，篩選最優概念，最終指導新品研發落地。這是多個智能體協同完成的閉環。

還有CRM私域運營的案例：過去只是搭MA系統，后來讓營銷自動化客戶用上AI，從內容生成、設計到用戶分析、圈層觸達，全環節AI化，重構了企業私域運營流程。

曾巧：你覺得行業里做企業級智能體，最容易走偏的彎路是什么？

黃曉南：行業最容易走偏的地方有三類：只做單點工具，沒有形成業務鏈路；閉門造車不與客戶共創，脫離企業實際工作邏輯；忽視數據保真與技術打磨，迷信大模型能力，不做校驗、不反復迭代，導致輸出不穩定、幻覺多，撐不起企業決策。

曾巧：為什么很多AI產品最后落不了地？

黃曉南：過去不少產品做的是一個類似Code Pilot的側邊欄對話窗口，員工干一段工作就得停下來去問一次，最后會發現這種模式并不好用。相比之下，他更強調“AI原生產品”——如果大模型不能工作，產品就直接用不了，AI是產品的核心底層，而不是附加功能；也只有這樣，AI才可能像“水融入水里”一樣嵌進日常。

曾巧：如何落到最后一公里？

黃曉南：一定要“嵌工作流”。我們說Agent Light模式，本質就是把AI藏進企業每天用的軟件里：不是多開一個對話窗口，而是讓內容生成、數據分析、洞察輸出變成系統原生能力：企業不需要為了用AI改掉原來的工作模式，滲透率自然才上得去。

曾巧：那你們怎么搭生態？怎么和大模型廠商、數據生態伙伴、系統軟件伙伴、客戶一起共建？

黃曉南：把生態共建拆成三塊。

一是與大模型廠商通過API對接，保持對技術生態敏感和快速采納；

二是和數據生態、系統軟件伙伴深度打通，深演已經和企微、抖音、京東等平臺全鏈路連接，做AI消費者時也會與京東共建更精準的用戶標簽；在一些巡店場景中對接高德地理數據；

三是與垂直領域knowhow伙伴共創，把外部經驗與自家AI技術、系統能力融合，最終落到客戶業務場景里。

這一整套“方法、數據、組織、生態、產品”拼到一起，企業級智能體不是“手搓一個workflow”，而是要把可用、好用、可驗證、可規?；哪芰?，塞進組織的日常系統里。

曾巧：規?；癁楹文芘艿每?？

黃曉南：兩點底層支撐。

第一是沉淀“原子能力”，把這些原子能力內化成可復用的技能（比如基于文本給用戶打標簽），新場景出現時就重新組合；第二是深演有十多年的營銷know-how，以前不是不懂消費者調研、新品洞察，而是傳統軟件開發時間與成本太高，現在AI讓這些know-how 能更快變成產品。

行業總說“軟件行業已死”，其實我想說軟件沒有消失，只是解決問題的方法被AI顛覆了，我們做的是“AI軟件”。

從“可用”走到“好用”

曾巧：作為企業級AI智能體決策領域的參與者，你們會怎么推動行業從“可用”走到“好用”？行業目前還缺標準、評估體系、數據治理能力，你們會不會牽頭推動？

黃曉南：這件事難度不小。現在行業還沒有太多統一標準，大家都聚焦在應用層，而不同應用場景差異很大。大模型領域有一些Benchmark，但應用層標準還在探索。說到底，客戶的復購和實際反饋，還是衡量產品的核心標準。

左：Morketing Group創始人&CEO 曾巧；右：深演智能創始人&CEO 黃曉南

曾巧：那回到你們自己。深演一直強調長期主義，你們的企業愿景有沒有迭代？2026年必須打贏的短期戰役又是什么？

黃曉南：我們的愿景在2026年做了全新迭代：原來聚焦營銷領域做決策AI，現在把場域擴大，定位成企業AI運營的頭部 AI 應用平臺。簡單說，企業除了生產、供應鏈環節，其余業務問題我們都有能力、也愿意去解決，這一點也被客戶服務成果驗證。

短期必贏戰役，就是讓現有智能體在更多企業落地、發揮實際價值。今年我們定了“兩個100個客戶”的戰略目標，核心是把使用門檻降下來，讓不只是頭部大型企業，中型企業也能享受到智能體價值。

曾巧：你說要降門檻，具體怎么落到產品和價格上？

黃曉南：過去我們按企業級軟件標準售賣，合作門檻高。現在把DeepAgent上的智能體做標準化拆解，單個智能體合作門檻降到二三十萬，并采用消耗型付費：企業可以按量付費，用量不夠再充值，用量小的企業也能花少量錢用上智能體能力。

曾巧：最后給2026年所有想布局、落地企業級智能體的企業，提幾條建議。

黃曉南：核心有兩條。

第一，會用AI的企業終將勝過不會用的企業。AI不會直接淘汰企業，但使用AI的能力，會成為個人、團隊乃至公司接下來最核心的能力，差距帶來的效率和結果差異，可能是十倍、百倍甚至上千倍。企業如果還沒開始嘗試AI智能體，真的“時不我待”。

第二，落地智能體一定要從具體業務痛點、業務場景出發，而不是為了搭平臺、做IT項目、趕熱點。很多企業被“大模型私有化”“AI 一體機”概念裹挾，盲目投入卻看不到價值。企業級智能體的核心是解決生意問題，尤其營銷、銷售這些貼近業務的板塊——最終還是要回歸企業自身的業務抓手。

大模型帶來“可能”，但企業買單要“確定”。所謂競爭力，不是讓AI更像人，而是讓智能體更像一個能被組織使用的系統：能穩定復用、能嵌入工作流、能基于真實數據、能把黑箱做成白盒，也能讓人始終握著“決策舵”。