差不多两年半以前,一位看产业投资的朋友看完演示,很客气地问了一句:
「东西我看到了。但是……你们这个,为什么不是 Coze、Dify 那种拖(di)拉(dai)拽(ma)的智能体?」
这个问题要讲清楚得二十分钟,对方只给了二十秒。我硬着头皮回了句「我们是让 Agent 自己理解业务意图、自己拆任务、自己编排、自己执行」。他点点头,补了一句让我记到现在的话:
「哦,就是没有界面咯。」
(此处省略我当时的表情。)
这两年同样的话被客户、投资人、评委轮着问,后来连我们自己新招的产品经理也问。每次解释完,对方表情都差不多:讲得挺好,那画布到底在哪儿?
那块画布少了两样东西
先停一下,我不是来踩谁。
扣子让上百万人第一次做出了自己的智能体,这件事值得记一笔。也不是说他们做错了,只是那块画布天生就缺两样东西,换谁做都缺。
其一:拖出来的是配置,不是代码
你在画布上拖了两百个节点,保存下来的是什么?是一份配置,一份 JSON,不是一段代码。
差别在哪?在谁能改它。
一段代码,AI 能读能改,改完还能自己跑一遍测试。一份配置 AI 也能读,可改完你得自己回到画布上,一个节点一个节点去对。你拖的时候是为了不用看代码,改的时候还是得看——只不过看的是一张图。
说回那个「两百个节点」。一条真实产线的排产:订单进来先判交期、查物料、看设备状态、问质检历史记录、按客户优先级抢产能、插单要重排、排完要通知三个系统。这条链子在客户现场我们数过,两百多个节点。
两百多个节点的画布是什么概念?是没有任何一个人能一眼看明白它。改一个地方,你得先花半小时搞清楚这个节点上下游都连着谁。它本来是为了让不懂技术的人也能搭流程,最后变成了——只有搭它的那个人敢碰,而那个人已经离职了。
(这一条我承认有点损。但我们确实接过好几个这样的活:客户说我们有个智能体跑得好好的,能不能帮忙改一下。打开一看,画布,两百多个节点,作者已离职。)
其二:节点之间传的是变量,不是业务
第二条更要命。
两个节点之间连一根线,线上跑的是什么?一个变量。上一个节点的输出,塞给下一个节点的输入。
那根线里没有「这批货是给 A 客户的」,也没有「这个型号上周被退过一次」。至于「张工说过温度过了 80 度要先停机看一眼」——那玩意儿压根没地方塞。
这些东西在哪?在老师傅的脑子里、在 Excel 的备注栏里、在两年前那封邮件的附件里、在车间白板上那行已经擦掉一半的字里。
所以模型越来越强、节点越来越多,它做出来的判断还是像个刚入职的实习生。你喂给它的输入,本来也就一个刚入职实习生能拿到的那些东西。
我有时候会给那块画布配一句台词。它大概会这么说:
「你要我排产,好的。A 客户和 B 客户谁优先?」
「……你不是智能体吗,你自己不会判断?」
「我会啊。你告诉我规则我就判断。」
「规则在老师傅脑子里。」
「那我等他来填表。」
一个需要老师傅先把脑子里的东西翻译成表单,它才能开始智能的系统——这个「智能」到底加在了哪一层?

两条命门:一条卡在「改不动」,一条卡在「不懂业务」。
这笔账怎么算
有朋友会说:那是因为豆包、WorkBuddy 这些 AI 办公平台起来了,把它们挤掉了。
我不太同意。先别急,往后退一步——咱们先算个数。
2025 年,中国智能体开发平台公有云市场规模大约是 2.5 亿元。扣子拿了多少?份额 19.3%,行业第一。
2.5 亿 × 19.3% ≈ 约 0.48 亿。
第一名,一年不到五千万。
(这 2.5 亿是 IDC 口径的市场总盘子,0.48 亿是媒体按份额做的测算,不含模型调用和云资源。我照抄过来,账算得糙,但量级不会错。)
个人用户在上面玩得挺高兴,企业掏钱的时候都很谨慎。第一名一年不到五千万,这不像被人挤掉的样儿,倒像这个品类自己就没怎么长起来。
为什么谨慎?回到上面那两条。拖出来的东西改不动,节点里没有业务。企业掏钱要的不是搭智能体的玩具。一条真跑得起来、跑错了能查、跑了两年还改得动的流程,那才是人家要买的。

第一名不到五千万,说明的不是谁挤掉了谁,而是这个品类还没长到企业愿意付费的程度。
那两年我们在干嘛
两年多前做 Agent Foundry(翻译过来叫智能体工厂,听着挺大,其实就是一个能可靠解决多智能体协作的底层操作系统),我们给自己定的题不是「怎么让人搭得更顺手」,而是「怎么让机器把一句业务上的话,变成一串能可靠跑完的动作」。
这两句看着差不多,干起来完全是两条路。

两年多里我们一直在这条路上,屏幕上没有那块画布。
这四步里,最难的是第二步。让系统自己拆任务,前提是它得先理解这家企业的业务——同一个词,在这个厂是这个意思,换一家厂是另一个意思。「排一下」在 A 厂是排产,在 B 厂是排发货顺序。
这份理解不是从提示词来的,是在这家企业里干过的每一次活、被纠正过的每一回判断里一点点攒起来的。
难的是头两年演示的时候,屏幕上没有那块能拖的画布。人家看到的是:你说了一句话,它干了一串事,完了。没东西可拖,没节点可点。
所以那位朋友会问「你们为什么不是拖拉拽」——他能想到的智能体,就长那样。
又铺了一层:让老师傅自己教
底下那套多智能体系统真跑顺了,又撞上一个新问题。
企业的业务逻辑谁最清楚?不是我们,不是 IT 部门,是那个在这个岗位干了十年的班组长,是那个审了八千张图纸的工艺工程师。他们的知识怎么进系统?
最早我们靠自己的实施团队去问、去整理、去写成规则和提示词。干了两年,累死人,而且慢。一家企业从头理清楚,几个月就过去了。
那能不能让他们自己来教?
这就是 GoodCrew(好雇)。底层那套能理解意图、能拆任务、能编排、能留痕的东西铺在下面,上面是个带教平台:业务专家用自己熟悉的方式,把这件事怎么干教给一个 AI 员工。带一遍,看它做,做错了纠正,纠正完再让它自己做一遍,做对了放它上岗。

带教这件事,让业务专家不用先把自己翻译成 IT 语言。
有个客户的质量工程师,带出来一个验货的 AI 员工,量测精度做到 99.5%,一年省下来的钱算下来是 260 万。
260 万这个数字,跟前面那个 4,800 万放在一起看挺有意思:一家企业的一个岗位,干一年产生的价值,就顶得上一个平台品类全年收入的十八分之一。
客户进门第一句话变了
「你们有没有低代码画布?」这个问题,这两年听得少了。
| 对比项 |
拖拉拽工作流平台 |
意图驱动的多智能体 |
| 流程从哪来 |
人先在画布上画出来 |
系统理解意图后自己拆 |
| 存下来是什么 |
一份配置(JSON) |
可执行的代码 + 每一步留痕 |
| 要改的时候找谁 |
只有搭它的人敢碰 |
AI 能读能改,改完能自测 |
| 节点间传什么 |
变量 |
业务上下文:客户、历史、规则 |
| 出错了怎么查 |
看哪个节点红了 |
倒回去看每步依据哪条数据 |
| 业务谁输入 |
老师傅先填表 |
老师傅带教,边干边学 |
这张表两年前我们就画出来了,也写进了今年初发布的国标《数字化转型服务商分类分级评价规范》(GB/T 47018-2026)。现在的区别在于,企业们已经开始意识到,业务的 AI 化真正需要的是让 AI 参与进业务本身。所以现在客户进门,头一句问的是:
「我要把排产这个岗位交给它,你们多久能带出来?」