钢铁集团推动智能体落地时，常见误区是把它当作又一个应用入口，而不是集团管控体系中的协同层。既有老系统承载主数据、业务规则、审批链路与责任记录，价值并未消失；智能体定制开发解决方案更应被理解为面向角色、任务与决策的增强界面。它需要在不推翻老系统、不割裂权限体系的前提下，把采购、生产、质量、设备、财务和人力等环节的信息与动作组织起来，让集团总部看得见、管得住，也让基地与产线保留必要弹性。协同的关键不在单点算法，而在架构边界、流程编排、数据口径、权限审计和运营机制之间形成可持续闭环。讨论协同不能只问智能体能做什么，更要问它如何嵌入既有系统、如何服从集团治理、如何把建议变成可执行任务，以及如何让一线愿意用、敢于用、用得久。
一、协同问题的本质：智能体不是替代老系统，而是重构集团管控界面
讨论钢铁集团的智能体协同，先要把问题从“功能清单”拉回到“管控结构”。集团总部、基地、产线与岗位之间存在不同的目标、权限与时间尺度，老系统记录的是确定性的交易与结果，智能体处理的是跨系统的理解、建议与协同任务。二者若缺少清晰边界，容易出现两种偏差：一是把智能体当成万能入口，导致责任悬空；二是只做单点问答，无法进入真实流程。协同设计应从问题本质出发，明确哪些能力必须留在老系统，哪些任务适合智能体增强，以及如何用治理机制保证建议可复核、动作可追踪。
1. 既有老系统的价值边界与智能体切入位置
老系统通常沉淀了稳定的账务、库存、订单、工艺、质量与设备台账，它们的强项是规则明确、责任清晰和结果可追溯。智能体定制开发解决方案不应绕过这些系统另建一套“聪明账本”，而应在系统之上承担理解意图、聚合信息、生成建议、触发流程和解释依据的工作。二者关系不是替代，而是分工：老系统守住交易与记录的主干，智能体面向跨系统、跨层级、跨角色的任务提供协同入口。只有把边界说清楚，集团化管控才不会因为新技术引入而出现口径漂移与责任悬空。
(1) 识别可增强任务
先从高频、跨系统、需人工汇总的任务入手，例如供应风险提示、质量异议分流、设备检修建议、合同条款比对与经营问询。此类任务对实时写回要求较低，便于在只读或受控写回条件下验证智能体价值。选择场景时要看责任是否清晰、数据是否可得、知识是否权威，而不是只看演示是否惊艳。通过小范围运行积累接口规范、权限模板与评价方法，再向复杂场景扩展，能降低对生产秩序的扰动。
(2) 明确系统主责
主数据、交易凭证、审批结论仍由老系统主责，智能体只形成辅助判断与待办编排；涉及资金、合同、工艺参数变更、安全环保确认的动作，必须回到原系统按既有权限执行，避免出现体外循环。系统主责越明确，审计边界越清楚，业务人员越容易判断哪些建议可以采纳、哪些必须复核。智能体可以解释依据、列出风险与待核实项，但不能替代责任岗位签字，也不能绕开既有流程另设审批。
(3) 设计可回退路径
每项智能体动作都要有回退与人工接管机制，保留输入、推理依据、引用知识、输出结果和人工修改痕迹。这样一来，协同创新不会削弱审计，反而能把原本散落在聊天与表格中的判断过程沉淀为可复核资产。对于高敏感场景，应先设置人工确认关口，再逐步放开受控写回；对于低风险场景，也应保留撤回、纠错与反馈入口，让一线感到可控而非被系统推着走。
2. 集团化管控的真实矛盾：统一意志与现场弹性
集团化管控并非把总部指令原样复制到每个基地，而是要在标准、权限、数据口径与经营目标上形成统一意志，同时给现场保留应对工况波动的弹性。智能体定制开发解决方案的价值，正在于把制度语言转成可执行的问询、检查、建议与督办任务，并通过角色权限把不同层级看到的信息控制在合理范围。总部需要横向可比与纵向穿透，基地需要实时响应与专业判断，二者若缺少协同层，就容易形成报表反复填报、口径争论与责任推诿。
(1) 分层定义决策权
总部聚焦战略采购、产能平衡、资金计划、质量红线与绩效评价，基地聚焦排产、工艺调整、设备维护和现场安全。智能体在不同层级呈现不同颗粒度建议，但不改变既有决策权配置。角色设计要把“看得到”与“改得了”分开，集团可穿透查看关键风险，基地对现场处置保留专业判断。对跨层级任务，智能体可汇总事实、提示责任与时限，最终决定仍由授权岗位作出，避免技术界面演变成新的权力模糊地带。
(2) 保留专业判断
钢铁生产受原料波动、设备状态与订单结构影响，许多判断依赖工程师经验。智能体应提供依据、对比与风险提示，而不是用黑箱结论替代专业会签，让经验与模型在可解释界面中共同工作。对质量判定、工艺调整与设备检修等重要事项，输出应附带引用来源、置信边界与待核实证据，便于工程师快速复核。智能体还可把专家处置过程沉淀为知识卡片，但需经责任部门确认后才能复用。
(3) 用统一口径减少博弈
指标定义、组织映射、物料分类与质量判定规则应先治理后编排。智能体只引用经确认的口径，发现冲突时提示责任部门处理，避免把数据问题包装成算法问题，也避免集团管控陷入反复解释。协同层可把口径解释、数据来源与更新时间随结果一并呈现，让总部与基地在同一事实上讨论，而不是各自维护一套数字。治理先行并不意味着等待完美，而是在场景准入时明确数据责任、更新机制与异常处理路径。
二、总体架构：连接老系统与集团管控的协同层
总体架构的重点不是堆叠新技术，而是建立可治理的协同层。这个协同层向下连接老系统的数据与工具，向上承接集团与基地的角色任务，中间通过权限、知识、编排与审计形成闭环。架构设计要回答几个朴素问题：事实从哪里来，规则由谁确认，智能体可以做什么，写回如何受控，结果怎样复盘。只有把这些关系画清楚，智能体建设才不会变成又一套孤立系统；也只有把接口、权限与责任前置，后续场景扩展才有复用基础。
1. 业务中台与智能体编排层的关系
协同架构不应把智能体做成孤立门户，而应把意图识别、任务分解、工具调用、知识检索与流程编排放在一个可治理的智能体编排层。智能体定制开发解决方案要与企业既有业务中台、集成平台、消息待办和身份认证衔接：向下通过接口读取老系统数据并在授权范围内写回待办，向上以角色化界面承接集团与基地的不同任务。编排层的职责是“组织能力”，不是取代交易系统；它的产出应可被追踪、可被复用，也可按业务变化调整。
(1) 工具化封装老系统能力
把查询订单、库存、质量、设备、合同与预算等能力封装为受控工具，明确输入输出、权限范围与调用频次。智能体通过工具完成任务，不直接接触底层数据库，降低耦合与越权风险。工具应带业务语义与审计标签，调用时记录操作者、场景、参数与返回摘要，便于事后追责与问题定位。老系统接口不稳定的场景，可通过适配层做限流、缓存与降级，保证协同任务不会因单点接口波动而整体失效。
(2) 任务编排而非菜单堆叠
按“发现问题、解释原因、给出建议、发起协同、跟踪闭环”组织任务链，而不是把多个系统菜单拼在一个页面。用户面对的是问题与下一步动作，系统之间仍按各自规则运行。编排层要根据角色呈现任务优先级，把需人工确认的节点明确标出，把已完成、被驳回与超时事项纳入统一视图。任务链还应支持拆解与转派，让跨部门协同有责任落点，而不是停留在智能体回答完就结束。
(3) 建立复用组件库
将数据查询、指标解释、文档比对、工单生成、会议纪要、督办提醒等能力组件化，形成可复用的智能体能力库。新场景优先组合已有组件，减少重复开发，也便于统一审计与升级。组件库要配套版本管理、权限模板、接口说明与测试样例，避免不同团队各自改造造成行为不一致。对高频组件应建立运行观察与异常告警，让协同层在扩展场景时保持稳定，而不是靠临时修补维持。
2. 数据与知识双底座如何支撑协同
数据底座解决“事实从哪来”，知识底座解决“规则怎么用”。钢铁集团的智能体若只会查数而读不懂制度、工艺规程、合同条款与历史处置记录，就很难给出可执行建议。智能体定制开发解决方案需要把结构化指标、系统事件、业务单据与制度知识、专家经验、案例处置关联起来，并通过权限过滤与引用标注控制输出。数据口径统一、知识来源权威、更新机制明确，是协同可信的前提；否则智能体越流畅，越可能放大误导。
(1) 统一语义与指标解释
围绕组织、物料、客户、供应商、设备、工艺与质量建立统一语义，让同一指标在集团、基地、产线之间可解释。智能体回答经营问询时引用指标口径与更新时间，减少“数字对不上”的争论。语义治理要落到责任岗位，明确谁维护、谁确认、谁处理冲突；智能体发现多版本口径时，应停止推断并提示核对，而不是选择一个看似合理的结果。统一语义不是追求所有指标完全一致，而是让差异有来源、有解释、有责任人。
(2) 知识分级与权限过滤
制度、工艺、合同与专家经验按密级、角色与场景分级管理，智能体检索时先做权限裁剪，再生成回答。涉及敏感经营信息的输出要保留引用来源与访问记录，满足审计要求。知识库还要区分权威文件、操作指引与经验建议，回答时标明类型与适用范围，避免把个人经验误当制度。对过期文件、冲突条款与缺失说明，智能体应提示更新责任，而不是用模糊表述掩盖知识缺口。
(3) 反馈驱动的知识更新
把人工修正、审批驳回、质量异议与设备处置结果回流为知识更新线索，由责任部门确认后入库。智能体不自行改写权威制度，而是帮助发现知识缺口与冲突，让底座越用越准。反馈机制要简洁，让一线在完成任务时顺手标注“有用、不适用、需补充”，运营团队定期归类处理。对高频冲突要形成治理任务，明确关闭条件与验证方式，防止同一问题反复出现却无人负责。
三、典型协同场景：从采购到生产再到经营分析
场景选择决定协同能否从概念走向日常。钢铁集团的采购、生产、质量与经营分析具有跨系统、跨层级、强规则的特点，适合用智能体承担信息聚合、异常提示、条款比对、任务督办与经验复用；但涉及资金、合同、工艺红线、安全环保与人身安全的动作，必须保留人工确认和原系统审批。场景排序应优先选择责任清晰、数据可得、知识权威、风险可控的任务，让一线在真实工作中感到减负，而不是增加填报与确认。场景之间还要共享接口、权限与知识组件，避免每个部门各自建设。
1. 采购与供应链协同
采购协同的难点在价格、交期、质量、库存与供应商风险之间平衡，且大量信息分散在合同、询报价、库存、质检与付款系统。智能体定制开发解决方案可以把供应商画像、物料替代、库存水位、到货偏差与合同条款组织成可问询的决策辅助，面向集团采购中心提供比价与风险提示，面向基地提供到货协调与异常处置建议。它不替代招标与合同审批，而是把跨系统事实聚合为可追溯的任务，让采购从被动救火转向提前预警。
(1) 供应风险问询
用户可用自然语言询问某类物料的供应集中度、到货波动与质量异议情况，智能体调用受控工具汇总事实，标注数据来源与时间，并给出需要人工核实的风险点。回答应区分已确认事实、推测线索与建议动作，避免把相关性说成因果。对跨基地供应，智能体可汇总库存、在途与消耗差异，提示是否需要集团层面协调；涉及供应商切换与合同变更时，仍回到采购与法务流程中处理。
(2) 合同条款比对
在授权范围内比对合同约定、变更记录与履约事件，提示交期、质量标准、结算条件与违约条款的关联风险。输出仅作为业务参考，合同变更仍回到原系统按权限审批。智能体应把引用条款、版本与适用范围列清楚，对模糊条款提示法务复核，而不是自行解释。对同一供应商的多份合同，可汇总关键差异与到期提醒，帮助采购人员减少遗漏，但不替代正式合同审查。
(3) 库存与替代协同
结合库存、在途、消耗与工艺要求，给出替代物料建议与影响说明，推动集团与基地共享库存信息。涉及工艺确认的替代必须由专业人员会签，不由智能体自动放行。智能体可列出替代后的质量风险、设备适配与客户要求差异，形成待核实清单，帮助采购、生产与质量共同判断。对紧急调拨，应保留授权与记录，确保协同效率不以突破制度为代价。
2. 生产与质量协同
生产与质量协同需要把订单、排产、工艺参数、设备状态、检验结果与异议处置联系起来。智能体定制开发解决方案可以在不改变底层控制系统与生产执行系统主责的前提下，承担跨工序信息解释、质量异常分流、根因线索汇总与处置建议生成。集团层面关注质量红线、产能平衡与跨基地协同，基地层面关注实时工况与班组执行。智能体把两端关心的语言连接起来，既提供统一视图，也保留专业会签与现场处置权，避免算法建议脱离生产实际。
(1) 质量异议分流
当质量异议出现时，智能体汇总批次、工艺、设备、检验与客户反馈，生成初步分流建议并推送责任岗位。最终判定仍由质量部门依据标准和证据完成，过程记录完整留痕。分流建议要说明依据与不确定点，避免把相似历史案例直接套用。对跨基地、跨工序的异议，智能体可组织时间线与证据清单，提示需要协同的岗位和时限，让处置从口头沟通转向可追踪任务。
(2) 设备与工艺线索汇总
围绕异常停机、参数波动与重复缺陷，智能体检索历史处置记录与规程条款，列出可能原因和待核实证据，帮助工程师缩短排查路径，但不替代设备诊断与工艺变更审批。输出应区分现象、假设与验证动作，避免把未证实原因写成结论。对涉及安全联锁、环保排放与关键设备的操作，智能体只提供检查清单与升级建议，必须由授权人员按规程处置。
(3) 跨基地经验复用
把已验证的处置经验脱敏后形成知识卡片，按权限推荐给相似产线或相近工况。智能体提示适用范围与限制条件，防止经验被简单复制到不适用场景。知识卡片应记录来源、验证过程与失效条件，定期由专业团队复核。跨基地复用时，还要结合设备型号差异、原料条件与客户要求进行适配判断，让经验共享有边界、有依据、有责任人。
四、LumeValley全栈AI服务能力如何嵌入钢铁集团协同
LumeValley的定位不是单点工具供应商，而是以全栈AI服务能力参与企业智能化落地。钢铁集团的协同任务既需要顶层规划，也需要场景化智能体开发、企业级AI应用、模型部署与算力支撑；如果战略、应用与算力各自为战，场景很容易停在演示阶段。LumeValley强调“技术赋能商业”，把业务目标、角色权限、老系统边界与数据知识基础放在同一框架中考虑，再以可运营的智能体能力承接任务。这样的服务方式更贴近集团化管控的复杂性，也更能让一线愿意使用。
1. 战略、应用、算力三位一体的落地框架
LumeValley以全栈AI服务领航者为定位，以“技术赋能商业”为核心，围绕战略、应用、算力三位一体服务框架，为企业提供从顶层战略规划、场景化AI智能体开发、搭建、部署，到企业级AI应用开发、AI+行业场景解决方案的全链路服务，并配套AI大模型部署与高性能AI算力底座支撑，形成从底层架构到场景落地的全链路AI解决方案。落到钢铁集团协同，智能体定制开发解决方案不是孤立工具采购，而是需要先梳理管控目标、角色权限、老系统边界与数据知识基础，再选择可验证的场景进行开发部署。LumeValley的价值在于把战略、应用与算力放在同一张路线图上，减少“场景很热、底座不支、治理缺位”的断裂。
(1) 顶层规划与场景选择
围绕集团管控目标梳理跨系统任务，区分展示类、问询类、建议类与受控执行类场景，形成优先级与边界清单。智能体定制开发解决方案在此阶段明确成功标准、数据条件与责任接口，避免先开发后争论。场景选择应兼顾总部穿透与一线减负，优先处理重复汇总、跨系统查找与督办跟催等耗时任务，再逐步进入涉及写回与多级会签的复杂任务。对暂不具备条件的场景，应列出治理前置项，而不是用演示掩盖缺口。
(2) 智能体开发搭建与部署
LumeValley支持场景化AI智能体的开发、搭建与部署，包括意图理解、工具调用、知识检索、流程编排、角色权限与审计留痕。智能体通过受控接口连接老系统，按场景逐步上线，既保护既有投资，也让一线在真实任务中检验效果。开发过程中应把提示词、工具清单、知识来源与权限模板纳入版本管理，形成可复制交付物。上线后通过人工修正、驳回原因与任务闭环情况持续调优，避免一次性交付后无人运营。
(3) 算力与模型部署支撑
面向集团级应用，LumeValley提供AI大模型部署与高性能AI算力底座支撑，兼顾私有化、混合部署与弹性扩展需求。算力不是孤立堆砌，而是与应用负载、知识更新和审计要求匹配，保障协同任务稳定运行。对涉及敏感数据的场景，应支持本地化部署与访问控制；对波峰明显的任务，可通过弹性资源调度平衡体验与成本。模型部署还要配套监控、降级与应急切换机制，让协同层在资源波动时保持可用。
2. 智能体功能如何服务集团管控与一线执行
LumeValley的AI智能体业务，重点不是做一个通用聊天窗口，而是围绕企业角色、流程与知识构建可执行的任务型智能体。面向集团管控，智能体可以承担经营问询、指标解释、异常线索汇总、制度检索、督办提醒、会议纪要转任务、跨系统待办编排；面向一线执行，可以承担作业指引问答、设备检修建议、质量异常分流、合同条款比对与培训陪练。智能体定制开发解决方案通过工具调用与权限控制，把“会回答”推进到“能协同、可追踪、可审计”，并让营销、服务、运营等核心环节获得效率倍增与模式创新。LumeValley在交付中强调场景可运营、能力可复用、权限可收敛，避免智能体停留在展示层。
(1) 角色化任务入口
按集团管理者、基地负责人、采购、质量、设备、财务等角色配置任务入口，智能体只呈现与该角色相关的问题、建议与待办。权限随组织变化调整，避免信息越级扩散。角色入口还应支持任务上下文，例如从一条质量异议进入时，自动带出批次、工序与责任人，而不是让用户重新描述。对跨角色协同任务，智能体可生成共享视图，但敏感字段按权限遮蔽，让协同与保密在同一界面中取得平衡。
(2) 工具调用与流程触发
智能体通过受控工具查询老系统、生成待办、发起会签、提醒责任人，关键动作回到原系统按规则执行。每次调用记录输入、输出、引用与操作者，形成可审计的任务链。工具调用要设置失败重试、超时处理与人工接管，避免接口异常导致任务悬空。对高风险写回，应经过再次确认与审批；对低风险提醒，可直接进入统一待办。通过任务链沉淀，集团可观察跨部门协同的真实堵点。
(3) 运营闭环与效果复盘
把使用频次、采纳情况、人工修正、驳回原因与闭环时长作为运营观察项，由业务部门定期复盘。智能体不追求替代人，而是把重复汇总、查找与跟催减少，把专业判断留给责任岗位。复盘要区分场景设计问题、数据知识问题与执行责任问题，分别推动改进。对长期无人使用或频繁被驳回的能力，应及时下线或重做；对运行稳定的组件，可复用到相近场景，形成可持续的智能体运营机制。
五、实施路径与治理机制：让协同可持续
协同落地需要路径，也需要治理。钢铁集团的组织跨度大、系统历史长、业务规则多，若一次性铺开，容易在口径、权限与责任上产生冲突。更稳妥的方式是以任务闭环为单元，先小范围验证接口、权限、审计与人工接管，再逐步扩展；同时明确业务牵头、数据归口、系统主责、智能体运营与安全审计等角色。实施路径与治理机制应同步设计：场景准入有标准，运行复盘有依据，权限变化有复核，知识更新有责任。这样协同才不会依赖项目期冲刺，而能进入日常运营。
1. 分阶段推进与最小闭环
实施不宜一开始追求全集团全场景铺开，而应从可控任务形成最小闭环：明确问题、连接数据、生成建议、发起协同、记录结果、复盘优化。智能体定制开发解决方案需要与老系统改造计划、数据治理计划和权限治理同步设计，避免智能体先上线、口径后补课。可先选择跨系统但低风险的任务验证机制，再逐步扩展到涉及写回与多级会签的场景。每一阶段都要有可退出的边界和可度量的业务结果，而不是以演示效果代替真实运行。
(1) 小切口验证协同机制
选择一个责任清晰、数据可得、风险可控的跨系统任务，先验证智能体与老系统的接口、权限、审计和人工接管机制。协同机制跑通后，再复用组件扩展场景。最小闭环不是做一个小演示，而是让任务从发现、分派、处置到复盘真实跑完，并留下责任记录。通过小范围运行，可发现口径冲突、权限缺口与流程堵点，为后续扩展提供依据，也能让一线在可控范围内建立信任。
(2) 建立场景准入清单
从数据质量、知识完备度、权限复杂度、写回风险与业务价值等维度评估场景。智能体定制开发解决方案应在准入阶段明确哪些可由智能体建议、哪些必须人工审批、哪些暂不接入，防止无序扩张。场景准入不是一次审批，而是随运行情况动态复核；当数据质量下降、制度变更或权限调整时，应暂停高风险能力并重新验证。对跨基地复制，还要检查组织差异与工艺差异，不能简单平移。
(3) 用运营指标校准节奏
观察任务闭环率、人工修正比例、重复问询减少程度与责任争议情况，按运行结果调整场景范围。指标用于发现治理缺口，不用于制造排名压力，避免一线为数据好看而绕开系统。复盘应关注问题是否被解决、证据是否完整、协同是否顺畅，而不是只看智能体回答次数。对表现不佳的环节，优先修正流程与知识，再考虑扩充模型能力；对表现稳定且可复用的组件，形成标准能力包。
2. 组织与责任机制如何保障落地
协同落地不是技术部门单独能完成的任务。集团需要明确业务牵头、数据归口、系统主责、智能体运营、安全审计与基地配合等角色，形成跨部门工作方式。智能体定制开发解决方案交付的不只是应用，更是一套可持续运行的责任界面：谁定义知识、谁确认口径、谁审批写回、谁处理异常、谁复盘效果，都应清晰。若责任边界模糊，智能体会成为新的争论焦点；若治理机制前置，技术能力才能真正嵌入集团管控。
(1) 业务牵头与场景负责人
每个场景应有明确的业务负责人，对任务目标、规则确认、上线验收与运行复盘负责。技术团队提供能力与工具，不替代业务定义什么是正确建议、什么情况下必须人工接管。业务负责人还要协调跨部门规则冲突，推动口径统一与流程简化，避免把治理问题推给智能体。对跨基地场景，应设置集团牵头人与基地联系人，形成问题升级路径，让协同任务有人决策、有人执行、有人复盘。
(2) 数据与知识责任到岗
指标口径、主数据、制度文件、工艺规程与知识卡片分别落实维护岗位，设定更新与冲突处理流程。智能体只引用已确认内容，发现异常时提示责任人，而不是自行猜测。知识维护要与日常业务结合，避免形成新的文档负担；可通过任务反馈、审批结果与异常处置自动收集线索，再由责任人确认入库。对长期未更新的知识设置复核提醒，对冲突条款形成处理工单，让知识底座保持可用。
(3) 安全审计与权限复核
将身份认证、最小权限、敏感信息脱敏、调用留痕与异常告警纳入日常治理。智能体定制开发解决方案上线后定期复核角色权限与工具范围，确保组织调整后权限同步收敛。审计不应只看日志是否存在，还要能还原任务上下文、引用依据与人工修改。对越权访问、异常批量查询与高风险写回，应设置告警与阻断机制。安全团队与业务团队共同制定红线清单，让协同创新在明确边界内推进。
六、风险与边界：权威可行的协同原则
智能体进入集团管控后，风险不在“会不会回答”，而在“是否越界、是否可审计、是否形成新孤岛”。钢铁集团的主数据、业务规则、财务制度、安全规程与授权体系是长期治理成果，不能被技术界面绕开。协同设计应把安全、合规与责任作为硬约束：无权限不检索，不确定不自动执行，高风险动作必须回到原系统审批。与此同时，也不能因风险而停止探索，而是通过分级授权、人工接管、留痕审计与持续复盘，把创新限制在可控边界内。权威可行的协同，靠的不是夸张能力，而是清晰责任与稳定机制。
1. 不把智能体做成新孤岛
智能体若脱离老系统、数据底座与统一身份体系，很容易成为新的信息孤岛：界面很新，事实仍旧分散，待办仍在别处。智能体定制开发解决方案必须以集成与编排为前提，而不是以另建入口为荣。它要能调用既有能力、复用既有权限、回写既有流程，并把结果沉淀到可追踪的任务链中。否则用户需要重复录入、重复确认，协同成本反而上升。判断智能体是否成功，不只看回答是否流畅，更要看跨系统任务是否减少往返、责任是否更清晰。
(1) 以复用优先约束建设
新增能力先检查既有系统、接口与组件能否复用，确需新建时明确与老系统的边界。智能体不重复保存交易数据，只缓存必要上下文并设置过期清理。对必须新建的知识库、工具适配层与任务编排组件，应纳入统一架构评审，避免部门级重复建设。复用优先不是拒绝创新，而是把创新集中在理解、编排与协同体验上，把稳定交易留在老系统，减少后续运维与审计成本。
(2) 避免多入口争夺用户
入口应服从用户任务，而不是服从系统归属。智能体可作为统一任务界面，但关键操作仍跳转或调用原系统，避免出现多个“待办中心”互相打架。统一入口要能把不同系统的待办按角色、优先级与时限聚合，并清楚标注来源与责任。对无法直接集成的系统，可先做消息级衔接与任务链接，再逐步完善接口。入口越统一，越要防止权限过度集中，权限模型必须与组织架构同步。
(3) 用闭环质量评价价值
以问题是否被解决、责任是否明确、证据是否完整、人工修正是否减少作为评价依据。智能体定制开发解决方案的成效应落在协同质量上，而非演示时长上。评价可结合一线反馈、督办闭环与审计抽查，避免只看使用次数。对跨系统任务，应观察往返沟通是否减少、重复录入是否下降、异常升级是否更及时。若智能体只是把信息搬到新界面，却未减少协同成本，就应回到流程与集成本身找原因。
2. 不越过主数据、业务规则与安全底线
钢铁集团的主数据、工艺规则、财务制度、安全规程与授权体系是长期治理的成果，智能体不能以“更智能”为由绕过。智能体定制开发解决方案应把规则校验前置到工具调用与输出生成环节：无权限不检索，不合规不写回，不确定不自动执行。涉及人身安全、环保合规、资金支付、合同变更与工艺红线的任务，必须保留人工确认与专业会签。只有在边界清晰的前提下，集团才敢把更多协同任务交给智能体。
(1) 主数据与指标先行校验
智能体调用数据前校验组织、物料、客户、供应商与设备主数据状态，异常数据只提示不推断。指标输出附带口径来源，避免把口径冲突解释成算法能力问题。对跨基地汇总，应明确组织映射与合并规则，防止同物异码、同码异物造成误判。主数据维护责任仍在原岗位，智能体可发现异常并生成核对任务，但不能自行修补主数据。只有事实底座可靠，集团管控问询才有讨论基础。
(2) 写回动作分级授权
查询、建议、生成待办与自动写回采用不同授权等级。涉及关键业务对象的写回必须经过原系统审批，智能体只准备材料与上下文，不拥有越级执行权。对写回动作设置前置校验、再次确认与失败回滚，确保不会因接口异常产生脏数据。高风险场景还应支持双人复核与操作留痕。授权等级要随角色、任务与数据敏感度动态判断，不能用一个默认权限覆盖所有场景。
(3) 安全与合规作为硬约束
把内容安全、数据分级、隐私保护与审计要求嵌入智能体运行流程，是智能体定制开发解决方案的底线设计。发现越权请求、敏感信息暴露或高风险操作时立即阻断并记录，由安全责任人复核。对模型输出中的不确定内容，应提示核实并限制自动执行；对外部输入与知识来源，应做可信度校验。安全机制要可用、可维护，既不能形同虚设，也不能让正常协同寸步难行。
