The Seven "Not A, But B" Points in Tencent Cloud ADP Course Materials: A Checklist of Trade-offs for Enterprises Deploying AI Agents

我读到一份《腾讯云 ADP 前沿部署工程师（FDE）课程资料》：从 AI 和 Agent 基础，到 ADP 产品能力、用 ADP 开发智能体，再到评测与优化，把"企业怎么把智能体真正造出来、用起来"讲了个遍。结果通读下来，最扎我的不是哪个按钮在哪、哪个参数怎么配，而是全篇反复出现的同一个句式——

「不是 A，而是 B」。

我数了数，出现密度高得反常。更关键的是，几乎每一条都在纠正一个企业里天天在犯、却没人当回事的错。于是我把它们整理出来，配上自己做数据治理项目时的对照，写成这篇。

一、不是技术太难，是名词太乱

资料开篇的原句是：「绝大多数人对 AI 的困惑，不是某个技术太难，而是名词太多、关系太乱。」它给的解法只有一张图加一条时间线：人工智能 ⊃ 机器学习 ⊃ 深度学习 ⊃ 生成式 AI，四个圈层层嵌套；发展上则从"会认"（1950s–1990s，手写数字识别）、"会判断"（1990s–2016，推荐、风控、信用评分）走到"会创造"（2017 Transformer 之后，ChatGPT 两个月破亿）。

这条为什么值钱？因为它戳破了一个组织现象：企业里吵"要不要上大模型"，往往根本没吵清"我们到底在说哪一层"。立项书里"生成式 AI""大模型""Agent""智能体"混着用，第一页就歪了；后面预算、验收、责任归属全跟着歪。

名词没对齐，预算就对不齐。

二、不是模型不聪明，是它只在"接龙"

资料把话说得很绝：「大语言模型本质上只会做文字接龙。」给它一段文字，预测下一个 token 最可能是什么，接上去；再读一遍，再接一个——每一步都是在同一道选择题里挑"读起来最顺"的那个。

由此必然带出两个毛病：幻觉（只负责通顺，不核实事实，甚至工具返回"上海气温一万度"也会照单全收）和对"当下"一无所知（不知道自己是谁、现在几点，训练截止日之后的事一概不知，还有上下文窗口的长度上限）。资料还顺手点破一个计量常识：模型眼里的文字最小单位是 token 不是字，调用成本、能处理多长，都按 token 算。

所以"换个更大的模型"常常是错的解题方向。资料给的正确答案是补齐五块短板：

资料里还有个我很喜欢的注脚：Embedding 的高维向量居然学到了类比关系——「教师 − 学校 + 医院 ≈ 医生」「巴黎 − 法国 + 中国 ≈ 北京」。企业搭知识库，本质就是在为 RAG 准备这些"坐标点"。

通顺 ≠ 正确。模型不用变聪明，它需要的补齐短板。

三、不是打开平台建应用，是先判断该不该建

这是全篇我认为最该被贴在墙上的一句：「做智能体方案时，第一步不是打开平台建应用，而是先判断：这个业务问题能不能被 AI 稳定处理，应该用哪一种 ADP 模式承载，落地后用什么结果证明它真的有效。」

三问，其实就是一张可直接抄进立项模板的清单：

而最容易被忽略的是资料紧接着的提醒：「很多真实项目不是只选一种模式，而是分阶段组合。」 它举了酒店智能服务助手：第一期用标准模式答酒店信息与服务设施；等"客需送物、修改订单、维修报修"流程固定了，再用工作流把参数收集、工单生成、结果通知串起来；后续要做经营分析和服务优化，才引入 Multi-Agent 或 Claw。

这句话的取舍意味很重——一上来就上最复杂的架构，不是前瞻，是没想清楚。

先问"该不该做、怎么验收"，再问"怎么搭"。

四、不是回答慢最危险，是"不知道却装作知道"

资料里写：「企业应用里，最危险的不是"回答慢"，而是"不知道却装作知道"。」解法是配拒答：资料不足、问题越界或风险较高时，明确说明无法确认，引导用户补充资料或联系负责人。

它对"企业知识探索助手"的定位也写得很克制：「不是万能聊天机器人，而是……当问题超出知识范围时，它会明确拒答，避免编造。」

这一条对做数据治理的人杀伤力最大。因为在企业内部，AI 编造一条制度条款，根本不是技术问题，是责任问题——谁为这个答复背书？员工照着它报了销，错算谁的？资料把它归到"配置"，我更愿意把它归到"治理"：这是答复的可追溯性与责任边界，和我们做数据质量、定数据 Owner 是同一件事。

允许它说"我不知道"，你才敢让它进生产系统。

五、不是演示玩具，是要凑齐"六个可"

资料的原句：「企业级 Agent 不是演示用的玩具，而是要进入真实业务系统。因此，它必须具备可控性、可测性、可审计性、可运维性、可复用性和可集成性。」

它对"可控性"给的业务示例特别具体：Agent 发现要删除客户信息时，必须等待人工审批，而不是自动执行。可测性则要求完整日志、可重现的问题场景、清晰的成功标准与测试环境。

请把这六个字和我们这行的老话对一遍：可控、可测、可审计、可运维、可复用、可集成——这不就是数据治理里"数据可控、可追溯、可审计"换了件马甲吗？ Agent 治理不是一门凭空冒出来的新学科，它是数据治理在"会自主行动的系统"上的延伸。差别只在于：过去治理的是静态数据，现在治理的是会自己调工具、自己走流程的行为。

这也是资料回答"为什么不能只靠 Prompt + 开源模型单兵作战"的理由：这些特性得由平台整合好、开箱即用，所以 ADP 的定位是「不是普通 Chatbot，也不是单一大模型接口，而是企业构建智能体应用的生产与运营平台」。

Demo 看效果，上线看这六个字。

六、不是一次搭出来的，是"调试—优化—评测—回归"跑出来的

资料写：「一个稳定的智能体，不是一次搭建出来的，而是在不断调试、优化和回归中逐步稳定下来的。」并且专门区分了两件被混为一谈的事——「智能体调试与评测不是同一件事。调试更像'边搭边修'，评测更像'阶段验收'」。

它给的对照，建议直接截屏存进项目周报：

一句话总结：「单次调试和批量评测不是替代关系，而是先后衔接。」资料还反复强调「上线不是终点，而是进入持续运营与迭代」。

上线不是终点，是进入持续运营。

七、不是切得越细越好，是让每个片段能独立支撑回答

这条压轴，因为它几乎就是数据治理的粒度设计题。资料原句：「Chunk 是知识检索时被命中的基本片段。切分调优的目标不是追求越细越好，而是让每个片段都围绕一个相对完整的问题：既容易被用户问题命中，又能提供足够上下文让模型回答。」

它给了一个特别好用的判据：看命中片段本身是否"能独立支撑回答"。只命中结论却没条件、只有表格数据却没表头、只有流程步骤却缺前置条件——出现这三种情况，就是切分没调对。

资料里的练习题更是直接把病历摊开：

第二条尤其值得琢磨："岗位条件"和"审批规则"必须在同一上下文里——这不就是我们做了多年的完整性约束、主数据关联、元数据口径统一吗？资料在讲知识库质量时还专门列了「制度/政策类：按主题拆分、保留版本、打开引用来源」。

所以别再笼统地说"AI 答不准是模型不行"。八成是知识没整理好：条件与结论被切散了、版本没保留、来源没打开。资料在 4.2 说得更狠：「Prompt 效果不好，通常不是因为某一句话写得不够长，而是任务、依据、边界、格式、上下文或模型配置中有关键要素缺失」；并提醒「模板不是固定话术，而是一张检查清单」。

给数据治理同行的 4 件武器

上面 7 条不是拿来看的，是拿来用的。对应到我们这行，有四件可以直接塞进模板的东西：

武器一：把"三问清单"写进 AI 项目立项模板。 能不能被 AI 稳定处理 / 用哪种模式承载 / 用什么结果证明有效。三问答不全，方案不进评审。这一条能挡掉一大半"领导说要上 Agent"的糊涂账。

武器二：把"六个可"做成上线门禁检查表。 可控、可测、可审计、可运维、可复用、可集成，逐项打勾，缺一项不进生产。特别注意"可控性"里那句——涉及删除、修改、外发的动作必须留人工审批。

武器三：把"评测集 + 回归"写进验收条款。 别接受"上线即验收"。要求交付方提供评测集、通过率口径、以及每次改版后的回归记录。这是把"上线不是终点"变成合同语言。

武器四：认清你的老本行就是地基。 Chunk 切分 = 数据粒度设计；条件与结论同上下文 = 完整性约束；保留版本、打开引用来源 = 数据溯源与血缘；拒答配置 = 答复的责任边界。资料里那些看似"AI 新活"的动作，拆开全是数据治理的熟活。Agent 的准确率天花板，就在你治理过的知识上。

写在最后

这份资料 从 AI 基础、ADP 产品能力、开发实战一路讲到评测优化，其实只在讲一件事：怎么把"能聊天的模型"变成"能进生产系统的业务系统"。

而中间最值钱的，不是哪个按钮在哪，是这 7 个「不是…而是…」——它们每一条都是一次取舍：不换更大的模型，去补短板；不先建应用，先判断该不该建；不追求答得快，先允许它拒答；不追求 Demo 好看，去凑六个可；不接受上线即验收，去跑评测回归；不把知识切得越细越好，去让每个片段能独立支撑回答。

资料把这条链路拆成了可学、可练、可考的路径（4 部分课程 + 动手实验 + 认证考试）。而懂数据治理的人，恰恰是学 FDE 最有底子的一群——因为你早就知道，系统能不能信，从来不取决于它多会说话。

本文来自微信公众号 “数据驱动智能”（ID：Data_0101），作者：数据治理，36氪经授权发布。