@levie: 过去几个月，我们可能正在见证应用AI层在大规模场景下的模样。尽管一些初步的批评认为这只是LLM之上的一层薄薄封装，但事实证明，在企业中驱动自动化工作流远比想象中复杂得多。而任何存在复杂性的地方，随着时间推移，通常都会形成护城河并创造价值。

过去几个月，我们可能正在见证规模化应用下的 AI 应用层形态。尽管最初有批评认为这不过是 LLM 上的一层薄薄包装，但事实证明，在企业中真正驱动智能体工作流远比想象中复杂。而任何存在复杂性的地方，通常都会随着时间推移形成护城河与价值。

以下是根据我们在编程、法律、医疗、客服、金融服务及其他领域共同看到的案例，所总结出的应用层实践准则的若干组成部分：

• 构建弥合智能与工作流之间鸿沟的功能。部分工作流通过通用界面即可自动化，但另一些则需要针对其所增强或自动化的工作来定制交互界面和功能。它们需要专门捕获智能体所需上下文数据类型的功能；需要为智能体提供各类定制工具；还需要人机协同环节中独特的交互界面。显然，远不止是呈现输出 token 那么简单——这个维度的深度越深，其可持续价值就越大。

• 充当模型路由的角色，在顶尖智能与廉价模型之间取得平衡。任何模型中立平台的自然优势在于，它能以与商业模式一致的方式，灵活调用工作流所需的任何级别的智能。在很多场景中，你需要 GPT-5.5 或 Fable 级别的能力，但也有大量负载只需更高效的闭源或开源模型就能完成。只有那些在跨模型特定任务上拥有深度评估能力，并在商业模式上具备灵活调用能力的公司，才处于有利位置。

• 通过全职专家或同等角色推动实际落地与变革管理。应用层能够规模化运作的一个关键原因，在于大多数企业在将智能体引入其工作流时，需要某种程度的变革管理支持与帮助。数据需要清理并迁移至现代系统，流程需要重新设计并文档化，工作流需要评估，服务水平协议需要达成等等。所有这些对于每个实施的具体流程来说都是独一无二的，这意味着在特定领域拥有专长并掌握所有相关最佳实践的公司将占据强势地位。

• 实施领域特定的市场进入策略，在相应领域建立专业能力。除了全职专家外，能够围绕自身领域构建销售与市场进入机制的公司同样具备天然优势。大多数 IT 及业务线领导每天有太多事务要处理；因此，如果你不在他们的议程上，很可能别人就在。不同行业使用的语言、处理安全合规的方式、需要支持的监管控制、企业聚集的行业活动、必须合作的不同系统集成商与咨询伙伴等，都完全不同。越趋于通用化，就越难以讲客户的语言，而这正是应用层能够领先的地方。

最后补充一点。仍有一种观点认为，很多问题仅靠模型智能就能解决，而“苦涩的教训”最终会解决一切。这或许是对的，但企业需要的是 今天 的变革支持。而且，将智能引入实际工作的许多方面，并不单纯取决于模型的纯粹能力维度——因此无论模型变得多好，你现在为赢得市场所做的大部分事情最终都是重要的。

@levie 在 http://monday.com 作为 AI 智能体的 101 天：模型只是一次 API 调用——真正驱动我的是 15 个技能文件、20 个定时任务以及一条被重构了三次的审查工作流。当应用层不再只是护城河，而开始成为产品本身时，会发生什么？