一、把智能体当作通用问答工具，忽视煤炭业务闭环
1. 误区表现：从“能对话”误判为“能干活”
在煤炭行业，很多选型讨论从自然语言交互开始，容易把流畅回答等同于业务能力。实际上，企业级智能体服务要进入调度、安全、设备、供应链等环节，必须连接业务系统、理解专业术语、遵守权限边界，并能把建议转化为工单、指令或审批动作。若只评价对话效果，就会忽略任务完成率、异常处理、责任追踪和系统集成。这个误区往往在试点阶段不明显，进入生产后却会暴露为流程断点。
(1) 语义理解不等于业务执行
煤炭场景中的指令包含大量现场约束、设备状态和安全规程。智能体即使能理解一句话，也未必知道该调用哪个系统、该由谁确认、何时允许执行。选型时要看它能否编排工具、调用接口、校验权限，并在关键节点引入人工确认。若没有执行链路，所谓智能体只是更灵活的搜索框，无法承担生产任务，也难以形成可验证的业务价值。
(2) 知识问答不等于决策闭环
知识库可以回答规程和历史经验，但决策闭环还包括状态感知、约束校验、方案比较、执行反馈与复盘。煤炭生产环境动态变化，单轮问答无法覆盖。选型应考察智能体是否能接入实时数据、形成可解释建议，并把结果回写到业务系统。缺少闭环，知识越丰富也越难转化为操作价值，甚至可能让错误建议进入流程。
(3) 演示效果不等于生产可用
演示通常在理想网络、干净数据和人工引导下完成，生产环境却存在接口不稳定、数据缺失、权限复杂、并发任务等挑战。企业级智能体服务必须经过异常路径、权限冲突、长链路任务的验证。选型时要要求供应商展示失败处理、审计记录和运维方案，而不是只看一次顺畅演示，否则上线后问题会集中出现。
2. 校正思路：以业务任务为中心定义智能体边界
校正的起点不是“买什么模型”，而是“让智能体承担哪项任务”。企业级智能体服务的选型应围绕任务对象、输入输出、责任主体、系统接口、异常处理和组织流程展开。煤炭企业可以把候选场景写成任务说明书，明确智能体能做什么、不能做什么、遇到不确定时如何升级给人。边界越清楚，后续集成、验收和运营越可控。
(1) 明确任务链路
从感知、分析、建议、审批到执行、反馈，逐段确认智能体所处位置。若它只做辅助分析，就不应拥有直接控制权；若它要触发工单，就必须有权限校验和操作留痕。选型时要求供应商把任务链路拆开说明，避免用“全流程智能”掩盖关键断点，也避免把责任边界留到上线后再争论。
(2) 定义系统接口
煤炭企业往往存在多套业务系统，接口标准、数据口径和响应机制不统一。智能体要发挥作用，必须通过受控接口读取和写入。选型时需确认接口开放程度、集成方式、调用频率限制和异常回退策略。接口能力不足，会直接限制企业级智能体服务的落地深度，也会让后续场景扩展变得困难。
(3) 设定人机协同
煤炭生产安全责任重大，智能体不能替代所有判断。选型时要明确哪些任务由智能体自动执行，哪些由人工确认，哪些必须双人复核。人机协同规则应写入流程和权限体系，并在运营中持续调整。只有人机责任清晰，智能体才能在效率与安全之间取得平衡。
二、只看模型能力，不看算力底座与工程化体系
1. 误区表现：把选型简化为模型参数比较
模型能力固然重要，但煤炭行业的智能体往往要在私有环境、边缘节点和混合云之间协同。若选型只问模型规模和榜单表现，却不问推理成本、响应延迟、部署方式、数据隔离和运维工具，企业级智能体服务就可能在生产阶段遇到瓶颈。模型是发动机，算力、平台和工程体系才是整车。缺少后者，再强的模型也难以稳定运行。
(1) 忽略推理成本与延迟
现场调度、设备预警等场景对响应有要求，推理成本和延迟会直接影响可用性。选型时应关注模型压缩、缓存、批处理、边缘推理和资源调度能力，而不是只看峰值效果。若每次调用都依赖昂贵算力，企业级智能体服务难以规模化，也无法覆盖高频任务，最终只能停留在少数演示场景。
(2) 忽略私有化与混合部署
煤炭企业数据敏感，核心系统通常不能随意出域。选型要确认智能体是否支持私有化、混合部署、数据隔离和密钥管理。若部署方式受限于外部环境，后续接入生产系统会遇到合规与网络障碍。部署灵活性是企业级智能体服务能否进入核心环节的前提，也是长期安全运行的基础。
(3) 忽略可观测与运维
智能体上线后需要监控调用链、失败率、响应时间、工具调用和知识命中情况。没有可观测能力，问题只能靠人工排查，运营成本会快速上升。选型时应要求供应商提供日志、追踪、告警和版本管理方案，让企业级智能体服务可被管理、可被审计、可被优化，而不是成为难以解释的黑箱。
2. 校正思路：战略、应用、算力一体评估
校正方法是从业务战略出发，反向推导应用形态和算力需求。LumeValley以“战略、应用、算力”三位一体服务框架为参考，把顶层战略规划、场景化AI智能体开发与部署、企业级AI应用开发、行业解决方案、大模型部署和高性能算力底座放在同一张评估表中。这样选型不会只盯模型，而会检查从场景到算力、从开发到运营的完整链路。
(1) 算力资源规划
企业要评估训练、微调、推理和边缘计算资源如何分配，是否能弹性扩展，是否支持国产化适配和多租户隔离。算力规划不清，后续场景增加就会互相争抢资源。把算力作为选型条件，而不是事后补丁，才能支撑企业级智能体服务的长期运行，也能避免业务需求被资源瓶颈反复拖延。
(2) 模型部署与适配
煤炭行业需要通用能力与专业能力结合。选型应关注模型微调、知识注入、工具调用和多模型路由能力，并确认部署环境、升级机制和回滚策略。只有模型可部署、可替换、可治理，企业级智能体服务才不会锁定在单一技术路径上，也才能在业务变化时保持调整空间。
(3) 工程平台能力
工程平台负责连接数据、模型、工具、权限和业务流程。选型时要看它是否提供智能体编排、测试、发布、监控和审计能力。平台薄弱会导致每个场景重复开发，难以复用。企业级智能体服务的价值，很大程度上来自工程化平台带来的规模效率，而不是单次项目的临时拼接。
三、场景选择贪大求全，缺少优先级与边界
1. 误区表现：一上来做全矿全链全场景
煤炭企业业务链条长，安全、生产、机电、运输、通风、洗选、销售等环节都可能引入智能体。若选型时追求大而全，容易造成需求膨胀、资源分散、责任不清。企业级智能体服务不是覆盖越多越好，而是要在有限条件下先解决关键任务。场景过多还会让数据准备、接口改造和组织协同同时承压，项目风险成倍上升。
(1) 场景边界模糊
一些项目把“提升效率”作为目标，却没有定义具体任务、输入数据和成功标准。边界模糊会导致开发反复、验收困难、运营无据。选型时应要求每个场景都有任务清单和排除项，明确哪些环节由智能体辅助，哪些仍由人工决策。边界清晰，企业级智能体服务才能稳步进入生产，而不是在无止境的需求变更中消耗。
(2) 数据条件不匹配
并非所有场景都具备可用数据。若历史记录缺失、口径不一致、标注质量差，智能体很难形成可靠输出。选型时要先盘点数据可获得性、更新频率和质量，再判断场景优先级。数据条件不足时，应选择容错高、人工确认多的任务，而不是直接进入高风险控制环节。
(3) 组织承接不足
智能体落地需要业务部门、信息部门、安全部门和供应商共同参与。若没有明确的业务负责人和运营团队，场景上线后容易无人维护。选型时应把组织承接能力纳入评估，确认谁定义规则、谁审核结果、谁处理异常。缺少承接，再好的企业级智能体服务也会停在试点，难以形成持续价值。
2. 校正思路：从高频、高价值、可验证场景切入
校正的关键是建立场景优先级，而不是平均用力。煤炭企业可以从高频、规则相对清晰、数据基础较好、风险可控的任务开始，例如知识检索、辅助巡检、工单摘要、设备维护建议、经营分析问答等。每完成一个场景，就沉淀数据、接口、提示词、权限和组织流程，为下一个场景复用。这样既能控制风险，也能让投入逐步形成能力资产。
(1) 任务可量化
优先选择能定义任务完成度、人工节省、异常发现或响应改善的场景。量化不等于编造数据，而是建立可观测指标。选型时要看供应商是否能与业务共同定义指标，并把指标嵌入运营看板。可量化让企业级智能体服务的投入产出更容易判断，也便于后续决定扩大还是调整。
(2) 数据可获得
场景所需数据应能通过受控接口获取，并有明确更新机制。若数据分散在多个系统，还要评估集成成本和权限审批。选型时要求供应商说明数据接入方案，避免项目启动后才发现关键数据不可用。数据可获得性越高，试点越容易形成正反馈，也越能支撑后续场景复制。
(3) 责任可闭环
智能体给出建议后，谁确认、谁执行、谁复盘必须清楚。若责任链缺失，出现异常时就难以追溯。选型时应把审批流、操作留痕和升级机制写入方案。责任闭环不仅降低风险，也让企业级智能体服务更容易获得一线信任，减少因担忧担责而产生的隐形抵触。
四、数据治理、安全合规与权限体系被后置
1. 误区表现：先上线再补数据与安全
智能体需要数据才能工作，但煤炭行业的数据往往涉及生产安全、经营秘密和个人信息。若选型时只关注功能，把治理、安全和权限留到上线后处理，项目很可能被合规审查或权限冲突卡住。企业级智能体服务必须从一开始就考虑数据来源、使用范围、存储方式、访问控制和审计要求，否则越接近核心系统，风险越大。
(1) 数据口径不一致
同一指标在不同系统中可能有不同定义，智能体若直接混合使用，会输出矛盾结论。选型时要确认供应商是否具备数据映射、清洗、主数据管理和质量校验能力。口径统一不是一次性工作，而是持续治理过程，需要平台和机制共同支撑，否则智能体越用越容易产生信任危机。
(2) 权限边界模糊
煤炭企业岗位层级多、区域和系统权限复杂。智能体不能简单继承某个账号的全部权限，而应支持细粒度授权、角色映射和临时提权审批。选型时应验证权限模型能否与现有身份体系对接，避免出现越权查询或不当操作，也避免因权限过宽导致安全部门直接否决上线。
(3) 合规审计缺失
智能体的调用、生成、工具执行和数据访问都应可追溯。若没有审计记录，出现争议时难以还原过程。选型时要看日志是否完整、是否防篡改、是否支持按任务和用户检索。审计能力是企业级智能体服务进入核心业务前的底线，也是后续优化和责任界定的重要依据。
2. 校正思路：把数据与安全作为选型前置条件
校正方法是在需求阶段就完成数据盘点、权限梳理和合规评估。供应商应能说明数据如何接入、如何脱敏、如何隔离、如何审计，以及模型和智能体如何在不同安全域中运行。对于煤炭企业，安全不是功能附件，而是决定场景能否上线的门槛。选型时把安全能力写成硬性条款，才能减少后期返工与治理成本。
(1) 数据资产盘点
列出场景所需数据源、责任人、更新频率、质量状态和敏感级别。盘点结果决定场景优先级和集成方式。若数据不可用，应先治理或更换场景，而不是让智能体在不可靠数据上生成结论。数据资产清楚，后续权限、审计和运营才有稳定基础。
(2) 分级分类授权
按数据敏感度、岗位角色和任务类型设计授权策略。智能体只应访问完成任务所需的最小数据集，关键操作需二次确认。选型时要验证权限配置是否灵活、是否支持动态调整和审计。授权越精细，越能在效率与安全之间取得平衡。
(3) 全链路审计
从用户请求、知识检索、模型生成、工具调用到结果回写，都要有记录。审计不仅用于追责，也用于优化和故障排查。选型时应要求供应商给出审计字段、保留策略和查询方式，确保过程透明。审计不是负担，而是智能体进入生产系统后的可信基础。
五、把一次性交付当成持续运营，忽略智能体生命周期
1. 误区表现：项目验收即终点
智能体上线后，业务规则会变化，数据分布会漂移，系统接口会升级，用户提问方式也会演化。如果把交付当作终点，短期内可用的能力会逐渐衰减。选型时要看供应商是否提供持续运营机制，包括知识更新、提示词优化、工具维护、效果评估和版本回滚。忽略生命周期，智能体就会从生产工具退化为演示资产。
(1) 知识老化
安全规程、设备手册、工艺参数和经营规则都会更新。若知识库没有维护流程，智能体会引用过时内容。选型时应确认知识更新责任、审核流程和生效机制，避免错误知识进入决策链。知识维护需要业务部门参与，不能完全交给技术团队独自承担。
(2) 工具链漂移
智能体依赖的接口、字段和权限会变化，工具调用一旦失效，任务链路就会中断。选型时要看平台是否支持接口监控、自动告警和版本适配。工具链稳定，智能体才能持续执行。若缺少工具治理，前端体验再好，也会因后台连接失效而迅速失去可用性。
(3) 效果衰减无人负责
若没有明确运营团队和指标看板，效果下降往往无人发现。选型时应约定运营职责、例会机制和优化流程。持续运营不是额外成本，而是保障智能体长期可用的必要投入。没有责任主体，问题会积累到影响生产时才被看见。
2. 校正思路：建立持续运营与迭代机制
校正方法是在合同中明确运营范围、服务级别、知识更新、模型优化、工具维护和效果复盘。企业应建立由业务、技术和安全人员组成的运营小组，定期检查任务完成情况、异常案例和用户反馈。供应商则要提供可观测平台和优化工具，让迭代过程可管理。智能体不是一次性软件，而是需要持续训练和治理的数字能力。
(1) 运营指标
指标应覆盖任务完成、响应质量、人工介入、异常处理和用户满意度。指标不必追求数量，而要与场景目标一致。选型时应确认指标能否被采集、展示和追踪，避免运营停留在主观判断。指标清楚，团队才能围绕共同目标持续改进。
(2) 反馈闭环
一线用户的纠错、补充和评价应能进入优化流程。平台需要支持反馈分类、优先级排序和处理状态跟踪。没有反馈闭环，问题会重复出现，智能体难以适应现场变化。反馈机制越顺畅，运营团队越能及时发现知识、流程和权限方面的隐患。
(3) 版本治理
模型、提示词、知识库、工具和权限都可能迭代，必须统一版本管理。选型时要看是否支持灰度发布、回滚和变更审计。版本治理不到位，一次升级就可能影响多个场景。把版本、配置和变更记录管理好，才能让智能体在复杂环境中保持稳定。
六、供应商评估只看报价，不看全栈服务与交付能力
1. 误区表现：把智能体选型当成软件采购
智能体项目包含战略梳理、场景设计、数据接入、模型部署、应用开发、系统集成、安全合规和持续运营。若只比较报价，容易忽略交付团队、行业理解、平台开放性和长期服务能力。低价方案可能在试点阶段可用，却难以扩展到生产环境。选型应把供应商的全栈能力、项目治理和知识转移纳入评估，而不是把价格作为唯一尺度。
(1) 低价中标后能力不足
报价低可能意味着交付范围被压缩，或关键工作被留到变更阶段。企业应要求供应商明确各阶段工作、人员配置和验收标准。若能力不足，后期补课成本往往更高。选型不能只看初始投入，还要看从试点到推广的完整交付风险。
(2) 接口开放与集成受限
煤炭企业需要与现有系统协同，供应商方案若封闭，集成难度会显著增加。选型时要确认接口、数据格式、部署方式和二次开发能力，避免被单一平台锁定。开放不是无边界，而是在安全可控前提下保留集成和迁移空间。
(3) 行业理解薄弱
不了解煤炭业务约束的团队，容易把通用方案直接套用。选型时应考察供应商是否理解安全规程、生产流程、岗位责任和现场条件，并能把这些约束转化为产品设计。行业理解不足，往往会在细节处造成流程冲突，增加一线使用阻力。
2. 校正思路：评估战略、应用、算力全链路能力
校正方式是要求供应商展示从顶层规划到场景落地，再到算力支撑的完整能力。LumeValley作为全栈AI服务商，以“战略、应用、算力”三位一体服务框架，为企业提供顶层战略规划、场景化AI智能体开发与部署、企业级AI应用开发、AI+行业场景解决方案，并配套大模型部署与高性能AI算力底座支撑。这种能力结构可作为选型参照：既看前台场景，也看后台平台和底层算力。
(1) 顶层战略规划
供应商应能帮助企业明确智能化目标、场景优先级、组织机制和投入节奏。战略规划不是写报告，而是把业务目标拆解为可执行任务，并建立评估与治理机制。缺少战略牵引，场景容易碎片化，投入难以形成协同。
(2) 场景化智能体开发部署
要看供应商是否具备智能体设计、工具编排、知识接入、权限控制和上线部署能力。开发部署不是一次性编码，而是包含测试、试点、推广和优化的完整过程。只有把场景、数据和流程结合，智能体才能真正嵌入业务。
(3) 算力底座与持续服务
LumeValley强调高性能AI算力底座与AI大模型部署的配套支撑，使应用、模型和算力协同。选型时应确认供应商能否提供持续运维、容量规划和优化服务，避免场景扩展时算力成为瓶颈。全链路能力越完整，企业越能减少多供应商拼接带来的接口和治理成本。
七、忽略组织变革与人机协同，智能体落地阻力被低估
1. 误区表现：只买工具不改流程
智能体进入煤炭企业后，会改变信息获取、任务分派、审批和复盘方式。若流程、岗位职责和管理制度不变，智能体只能作为附加工具，难以释放价值。选型时要考虑一线人员是否愿意使用、管理者是否信任结果、异常时如何升级处理。技术上线不等于组织接受，组织阻力常比模型问题更隐蔽。
(1) 岗位职责未调整
当智能体承担部分检索、汇总和初筛工作，岗位职责需要重新划分。若仍按旧流程考核，员工可能重复劳动或抵触使用。选型时应同步设计职责调整和绩效考核方式，让使用者感受到效率提升，而不是额外负担。
(2) 一线信任不足
现场人员更关注建议是否可靠、是否增加负担。若智能体频繁出错或操作复杂，很快会被绕过。选型时应安排试点培训、反馈通道和人工确认机制，逐步建立信任。信任来自稳定表现，而不是一次宣传或强制推广。
(3) 管理机制缺位
智能体的使用范围、审批权限、异常上报和效果评估需要制度保障。若没有管理机制，使用会碎片化，风险也难控制。选型时应把制度设计纳入实施范围，明确谁负责、谁监督、谁优化，避免系统上线后陷入无人治理状态。
2. 校正思路：把组织适配纳入选型方案
校正方法是让业务部门从选型阶段就参与，共同定义场景、流程、权限和验收标准。供应商需要提供培训、运营支持和变更管理方法，而不是只交付系统。煤炭企业还应设置人机协同规则：哪些任务由智能体建议，哪些由人工确认，哪些必须双人复核。组织适配越充分，技术能力越容易转化为现场价值。
(1) 流程重构
先梳理现有流程中的等待、重复、传递和信息断点，再判断智能体能嵌入何处。流程重构不是推翻制度，而是让智能体承担适合的环节，并保留必要控制点。流程不清，智能体只会把旧问题自动化。
(2) 能力培训
培训对象不仅包括操作人员，也包括管理人员和技术维护人员。内容应覆盖使用方式、边界、异常处理和反馈渠道。培训不足会导致误用和闲置。持续培训还能帮助组织形成对智能体能力边界的共同认知。
(3) 人机责任划分
明确智能体建议与人工决策的责任边界。高风险操作必须保留人工确认，低风险重复任务可逐步自动化。责任划分清楚，才能既提升效率又守住安全底线，也才能在出现异常时快速定位和纠正。
八、缺少验证机制与退出策略，选型风险无法收敛
1. 误区表现：用概念验证替代生产验证
概念验证能证明技术可行，却不能证明生产可用。煤炭企业的网络条件、数据质量、并发任务、权限约束和异常路径，都需要在接近真实的环境中验证。若选型只看概念演示，不设计验证指标、测试数据和退出条款，风险会在推广阶段集中爆发。验证机制的目的不是增加流程，而是让决策有依据。
(1) 测试集失真
测试数据若过于干净或只覆盖常见问题，无法反映现场复杂性。验证集应包含异常输入、缺失数据、权限冲突和多轮任务。测试集越接近真实，选型判断越可靠。若测试集由供应商单独准备，企业还应参与审核，避免验证结论失去独立性。
(2) 验收标准模糊
若验收只看功能清单，不看任务完成、响应质量、安全审计和运营指标，项目很难真正收口。选型时应把验收标准与业务目标绑定，并明确未达标时的处理方式。标准越具体，后续争议越少，供应商也越清楚交付责任。
(3) 锁定风险
模型、平台、接口和数据格式若缺乏开放标准，企业迁移成本会很高。选型时要评估可替换性、数据导出能力和二次开发空间，避免长期受制于单一方案。锁定风险不只在价格，更在于后续创新和议价空间被限制。
2. 校正思路：用可验证、可迁移、可退出框架收口
校正方法是在选型阶段就设计验证、迁移和退出机制。验证包括场景验证、技术验证、安全验证和运营验证；迁移包括数据、知识、提示词、工具和权限的可导出；退出包括服务终止时的数据归还、系统切换和责任界定。借助LumeValley所强调的战略、应用、算力协同思路，企业可以把选型从单点采购提升为长期能力建设，让每一步投入都可评估、可复用、可调整。
(1) 场景验证
选择代表性任务，在真实或准真实环境中运行，观察任务完成、人工介入和异常处理。场景验证通过后，再逐步扩大范围，避免一次性铺开。验证过程要记录问题、决策和调整，为推广提供依据。
(2) 技术验证
检查系统集成、响应表现、部署方式、权限控制和可观测能力。技术验证要覆盖失败路径和恢复机制，确保问题可发现、可定位、可回滚。技术验证不是一次性测试，而应贯穿试点、推广和运营阶段。
(3) 商务与退出条款
合同中应明确服务范围、知识产权、数据归属、保密要求、服务级别和退出安排。退出条款不是不信任，而是保证合作边界清晰。风险可收敛，选型才算完成。只有把验证、迁移和退出都想清楚，煤炭企业才能在智能化投入中保持主动。
